智能交互方法以及装置
技术领域
本说明书涉及机器人技术领域,特别涉及一种智能交互方法。本说明书同时涉及一种智能交互装置,一种电子设备,以及一种计算机可读存储介质。
背景技术
随着经济的快速发展,用户群体对保险的关注度越来越高,投保的人数也越来越多,因此为了能够让用户更加快捷方便的完成投保,不同于传统线下购买保险模式,许多线上保险服务平台随之应运而生。
保险的销售方式越来越多样化,但无论用户通过在线下的保险公司投保还是通过线上保险服务平台投保,在正式投保前用户均需通过一定的渠道来了解保险,了解自己所需的险种,现在技术中,由于互联网的发展,众多保险公司在一定程度上实现了通过将用户输入的语音信息进行语音识别或者将用户录入的文字信息进行快速识别,根据识别结果在知识库中定位用户所需的答案内容。
但是现有技术中,根据识别结果在知识库中定位用户所需的答案内容这种方式更多依赖知识库的完整度以及代理人自身的专业知识丰富度,在进行智能查询信息以及推荐的信息准确度方面还存在一定的缺陷。
发明内容
有鉴于此,本说明书实施例提供了一种智能交互方法。本说明书同时涉及一种智能交互装置,一种电子设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种智能交互方法,包括:
接收用户的交互请求,所述交互请求中携带有所述用户与所述目标对象间的交互指令;
将所述用户与所述目标对象间的交互指令输入预先训练的学习算法模型;
通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息;
向所述用户发送所述适配信息。
可选地,所述学习算法模型通过以下方式进行训练:
获取用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据;
以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本训练学习算法模型。
可选地,所述接收用户的交互请求步骤执行之后,还包括:
根据预设身份识别算法获取所述用户的身份标识信息;
若根据所述身份标识信息确定所述用户为目标用户,则向所述用户发送学习提示信息;
检测所述目标用户对于所述学习提示信息的响应结果;
若检测到所述响应结果为确认学习,则通过***交互界面为所述目标用户展示与所述目标对象相关的信息。
可选地,所述向所述用户发送所述适配信息步骤执行之后,还包括:
按照预设条件收集所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息;
将所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述向所述用户发送所述适配信息步骤执行之后,还包括:
按照预设条件收集所述用户与所述目标对象间的交互指令、与所述交互指令对应的适配信息以及用户对所述与所述交互指令对应的适配信息的反馈评分结果;
将反馈评分结果高于预设分数阈值的所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述交互指令为语音提问信息;
所述接收用户的交互请求步骤执行之后,还包括:
对所述语音提问信息进行语音识别以得到对应的文本信息;
所述将所述用户与所述目标对象间的交互指令输入预先训练的学习算法模型包括:
将所述文本信息输入预先训练的学习算法模型。
可选地,所述将所述文本信息输入预先训练的学习算法模型子步骤执行之前,还包括:
对所述文本信息进行语义分析,得到对应的语义分析结果;
所述将所述文本信息输入预先训练的学习算法模型包括:
将所述语义分析结果输入预先训练的学习算法模型。
可选地,所述将所述文本信息输入预先训练的学习算法模型子步骤执行之前,还包括:
根据预设规则对所述文本信息进行关键词提取;
所述将所述文本信息输入预先训练的学习算法模型包括:
将提取的所述关键词输入预先训练的学习算法模型。
可选地,所述智能交互方法,还包括:
按照预设规则获取初始网页的统一资源定位地址;
通过网页分析算法在所述初始网页中抽取出与所述目标对象相关的链接并将所述与所述目标对象相关的链接添加到统一资源定位地址队列等待信息的获取;
判断是否达到预设获取信息任务停止执行条件,若否,则重复执行按照预设规则获取初始网页的统一资源定位地址的步骤;
若是,则对获取的信息进行处理,并对处理后的数据进行存储。
可选地,所述对获取的信息进行处理子步骤执行后,还包括:
将处理后的内容添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息步骤执行之后,向所述用户发送所述适配信息步骤执行之前,还包括:
对所述适配信息进行分析,确定所述适配信息对应的语言类型;
基于预存的语音样本库与所述语言类型,通过文本转化技术生成与所述适配信息对应的语音信息;
所述向所述用户发送所述适配信息包括:
播放所述语音信息。
根据本说明书实施例的另一方面,提供了一种智能交互装置,包括:
交互请求接收模块,被配置为接收用户的交互请求,所述交互请求中携带有所述用户与所述目标对象间的交互指令;
交互指令输入模块,被配置为将所述用户与所述目标对象间的交互指令输入预先训练的学习算法模型;
适配信息输出模块,被配置为通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息;
适配信息发送模块,被配置为向所述用户发送所述适配信息。
可选地,所述智能交互装置,还包括:
获取模块,被配置为获取用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据;
模型训练模块,被配置为以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本训练学习算法模型。
可选地,所述智能交互装置,还包括:
身份信息获取模块,被配置为根据预设身份识别算法获取所述用户的身份标识信息;
提示信息发送模块,被配置为若根据所述身份标识信息确定所述用户为目标用户,则向所述用户发送学习提示信息;
检测模块,被配置为检测所述目标用户对于所述学习提示信息的响应结果;
展示模块,被配置为若检测到所述响应结果为确认学习,则通过***交互界面为所述目标用户展示与所述目标对象相关的信息。
可选地,所述智能交互装置,还包括:
第一适配信息收集模块,被配置为按照预设条件收集所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息;
第一模型优化模块,被配置为将所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述智能交互装置,还包括:
第二适配信息收集模块,被配置为按照预设条件收集所述用户与所述目标对象间的交互指令、与所述交互指令对应的适配信息以及用户对所述与所述交互指令对应的适配信息的反馈评分结果;
第二模型优化模块,被配置为将反馈评分结果高于预设分数阈值的所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述交互请求接收模块,包括:
交互请求接收子模块,被配置为接收用户的交互请求,所述交互请求中携带有所述用户针对所述目标对象的语音提问信息;
语音识别子模块,被配置为对所述语音提问信息进行语音识别以得到对应的文本信息;
所述交互指令输入模块,包括:
信息输入子模块,被配置为将所述文本信息输入预先训练的学习算法模型。
可选地,所述交互请求接收模块,还包括:
语义分析子模块,被配置为对所述文本信息进行语义分析,得到对应的语义分析结果;
所述信息输入子模块,还被配置为:将所述语义分析结果输入预先训练的学习算法模型。
可选地,所述交互请求接收模块,还包括:
关键词提取子模块,被配置为根据预设规则对所述文本信息进行关键词提取;
所述信息输入子模块,还被配置为:将提取的所述关键词输入预先训练的学习算法模型。
可选地,所述智能交互装置,还包括:
信息获取模块,被配置为:
按照预设规则获取初始网页的统一资源定位地址;
通过网页分析算法在所述初始网页中抽取出与所述目标对象相关的链接并将所述与所述目标对象相关的链接添加到统一资源定位地址队列等待信息的获取;
判断是否达到预设获取信息任务停止执行条件,若否,则重复执行按照预设规则获取初始网页的统一资源定位地址的步骤;
若是,则对获取的信息进行处理,并对处理后的数据进行存储。
可选地,所述信息获取模块,包括:
第三模型优化子模块,被配置为将处理后的内容添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述适配信息发送模块,还包括:
语言类型分析子模块,被配置为对所述适配信息进行分析,确定所述适配信息对应的语言类型;
语音信息转化子模块,被配置为基于预设的语音样本库与所述语言类型,通过文本转化技术确定出与所述适配信息对应的语音信息;
语音信息播放子模块,被配置为播放所述语音信息。
根据本说明书实施例的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,所述处理器执行所述指令时实现所述智能交互方法的步骤。
根据本说明书实施例的另一方面,提供了一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现所述智能交互方法的步骤。
本说明书实施例中,通过获取用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据;以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本训练学习算法模型;接收用户的交互请求,将所述交互请求中携带的所述用户与所述目标对象间的交互指令输入所述学习算法模型,获取与所述交互指令对应的与所述目标对象相关的适配信息,并向用户发送所述适配信息。
本说明书实施例中,通过将交互请求中的交互指令输入预先训练的学习算法模型,输出对应的适配信息,有利于提高交互的高效性,同时也有利于提高所述适配信息的准确度。
附图说明
图1是本申请实施例提供的智能交互方法的流程图;
图2是本申请实施例提供的模型开发部署调用链路的示意图;
图3是本申请实施例提供的智能交互方法应用于保险场景的示意图;
图4是本申请实施例提供的智能交互装置的结构示意图;
图5是本申请实施例提供的电子设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本说明书实施例提供了一种智能交互方法。本说明书同时涉及一种智能交互装置,一种电子设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一实施例的智能交互方法的流程图,包括步骤102至步骤108。
步骤102:接收用户的交互请求,所述交互请求中携带有所述用户与所述目标对象间的交互指令。
本说明书提供的一个实施例中,所述交互请求包括项目信息咨询请求、项目加入请求或其他形式的交互请求;所述项目包括保险项目、互助项目以及公益项目等;所述交互指令可以通过语音、文字信息或点击机器人交互界面的可点击按钮/选项信息进行发送;若所述用户通过语音信息发送所述交互指令,则机器人接收用户的交互请求之后,对所述语音信息进行语音识别以得到对应的文本信息;若所述用户通过点击机器人交互界面的可点击按钮/选项发送所述交互指令,则机器人通过所述按钮/选项信息获取对应的文本信息。
除此之外,接收用户的交互请求之后,还可根据预设身份识别算法获取所述用户的身份标识信息;其中,所述身份识别算法为面部识别算法和/或指纹识别算法。若根据所述身份标识信息确定所述用户为目标用户,则向所述用户发送学习提示信息;检测所述目标用户对于所述学习提示信息的响应结果;若检测到所述响应结果为确认学习,则通过***交互界面为所述目标用户展示与所述目标对象相关的信息。
以所述项目为保险项目为例,假设接收到用户的交互请求为“我想了解一下健康险”,在接收到用户的交互请求后,机器人可通过面部识别算法确定所述用户是否为M用户,若确定所述用户为M用户,且检测到数据库中存在待学习内容,则向M用户发送学习提示信息;检测所述M用户对于所述学习提示信息的响应结果;具体的,M用户可通过点击机器人交互界面的可触控按钮来选择是否学习;若检测到所述响应结果为确认学习,则通过机器人交互界面为所述M用户展示与所述待学习内容相关的信息。
步骤104:将所述用户与所述目标对象间的交互指令输入预先训练的学习算法模型。
本说明书提供的一个实施例中,所述学习算法模型通过以下方式进行训练:
获取用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据;
以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本训练学习算法模型。
本说明书提供的一个实施例中,基于人工智能学习***(TensorFlow)进行模型训练,所述学习算法模型的开发部署调用链路包括6个环节,具体可通过以下步骤实现:
1)样本准备
一般TensorFlow应用代码包含图表(Graph)的定义和会话控制(Session)的运行,代码量不大,可以封装到一个文件中。训练前需要准备样本数据和测试数据,一般数据文件是空格或者逗号分隔文件(CSV)。
2)特征工程
特征工程是指用一系列工程化的方式从原始数据中筛选出更好的数据特征,以提升模型的训练效果。特征工程通常包括数据预处理、特征选择、降维等环节。
3)模型训练
模型训练是通过训练数据调整模型参数,使模型对于数据的拟合程度提高的过程。
4)模型部署
人工智能学习服务***(TensorFlow Serving)是一个用于机器学习模型服务(serving)的高性能开源库。它可以将训练好的机器学习模型部署到线上,使用远程过程调用***(gRPC)作为接口接受外部调用。此外,它还支持模型热更新与自动模型版本管理。具体的,在完成模型训练后,只需通过简单的程序即可实现模型部署。
5)模型调用
训练完一个模型后,为了以后重复使用,通常我们需要对模型的结果进行保存。如果用Tensorflow去实现神经网络,所要保存的就是神经网络中的各项权重值。后期在使用模型时,可直接通过代码对保存的模型进行调用。
6)日志回流
日志回流即将特征日志记录并回流。
本说明书提供的一个实施例中,模型开发部署调用链路通过样本准备、特征工程、模型训练、模型部署、模型调用、日志回流这6个环节,形成闭环,如图2所示。形成闭环的意义在于记录在线打分特征,便于样本和特征数据的生成,同时保证数据的强一致性。
在学习算法模型训练的过程中,将以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据作为训练样本输入至所述学习算法模型进行训练。
本说明书提供的一个实施例中,所述智能交互方法可以应用于任何场景的用户与智能机器人的交互,以所述智能交互方法应用于保险咨询场景为例,所述目标对象即为保险,所述目标对象属性信息即为保险属性信息,目标对象的管理机制即为保险管理机制,与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据分别为与保险相关的基础知识信息和与保险相关的案例数据。
通过本实施例的学习算法模型的训练方法,以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本来训练学习算法模型,从而实现用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据之间的关联。并且,由于通过以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据训练模型,使得在学习算法模型的使用过程中更能体现该用户与模型输出的所述适配信息间的关联度。
本说明书提供的一个实施例中,所述用户与所述目标对象间的交互指令可以通过语音、文字信息或点击所述机器人交互界面的可点击按钮/选项信息进行发送。假设用户通过语音向智能机器人发送“健康险的投保条件”的交互指令,所述智能机器人接收用户的交互指令之后,对所述用户的语音信息进行语音识别以得到对应的文本信息,即得到的文本信息为“健康险的投保条件”,然后由智能机器人将所述文本信息输入预先训练的学习算法模型。
具体的,将所述文本信息输入预先训练的学习算法模型之前,还可对所述文本信息进行语义分析,得到对应的语义分析结果,并将所述语义分析结果输入预先训练的学习算法模型。
仍以所述智能交互方法应用于保险咨询场景为例,假设用户通过语音向智能机器人发送“健康险的投保条件”的交互指令,所述智能机器人接收用户的交互指令之后,对所述用户的语音信息进行语音识别以得到对应的文本信息,即得到的文本信息为“健康险的投保条件”,然后由智能机器人对所述文本信息进行语义分析,得到对应的语义分析结果为“健康险的投保条件”,并将所述语义分析结果输入预先训练的学习算法模型。
除此之外,将所述文本信息输入预先训练的学习算法模型之前,还可以根据预设规则对所述文本信息进行关键词提取,并将提取的所述关键词输入预先训练的学习算法模型。
沿用上例,假设用户通过语音向智能机器人发送“健康险的投保条件”的交互指令,所述智能机器人接收用户的交互指令之后,对所述用户的语音信息进行语音识别以得到对应的文本信息,即得到的文本信息为“健康险的投保条件”,然后由智能机器人对所述文本信息进行关键词提取,假设提取的关键词为“健康险、投保条件”,将提取的所述关键词输入预先训练的学习算法模型即可。
步骤106:通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息。
本说明书提供的一个实施例中,适配信息即与用户的交互请求相关的答案信息,通过以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本来训练学习算法模型,从而实现用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据之间的关联。
仍以所述智能交互方法应用于保险咨询场景为例,假设用户通过语音向智能机器人发送“我想了解一下健康险”的交互指令,所述智能机器人接收用户的交互指令,对所述用户的语音信息进行语音识别以得到对应的文本信息,然后对所述文本信息进行语义分析,得到对应的语义分析结果为“健康险”,并将所述语义分析结果输入预先训练的学习算法模型,通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息。
假设所述学习算法模型根据语义分析结果“健康险”进行处理得到输出的结果为“健康险,是健康保险的中文简称,是指保险公司通过疾病保险、医疗保险、失能收入损失保险和护理保险等方式对因健康原因导致的损失给付保险金的保险”。
需要说明的是,上面描述的是本申请技术方案的优选实施方式,其中有些步骤并不是实现本申请技术方案所必需的。模型一旦建立好,在一段时间内可以在线上反复使用,为了保证模型输出的适配信息更准确,可以定期选取更新的相关数据重新建立模型,但并不是每次为所述用户提供适配信息的必需步骤。
步骤108:向所述用户发送所述适配信息。
本说明书提供的一个实施例中,所述学习算法模型输出的适配信息为文字形式,所述适配信息可通过文字的方式发送至所述用户,还可以通过语音、图片或表格的方式进行发送。
假设所述适配信息通过语音的方式发送,则具体的信息转换过程可通过以下步骤实现:
对所述适配信息进行分析,确定所述适配信息对应的语言类型;
基于预存的语音样本库与所述语言类型,通过文本转化技术生成与所述适配信息对应的语音信息。
将适配信息转化为语音信息后,向所述用户发送所述适配信息即通过智能机器人播放所述语音信息。
仍以所述智能交互方法应用于保险咨询场景为例,假设机器人接收到用户的交互请求为语音信息“保险的投保条件”,在接收到用户的交互请求后,对所述用户的语音信息进行语音识别以得到对应的文本信息,然后对所述文本信息进行关键词提取,假设提取的关键词为“投保条件”,将提取的所述关键词输入预先训练的学习算法模型,假设所述学习算法模型根据关键词为“投保条件”进行处理得到输出的结果为“投保人必须具有相应的权利能力和行为能力,否则所订立的保险合同不发生法律效力”,即通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息为“投保人必须具有相应的权利能力和行为能力,否则所订立的保险合同不发生法律效力”。
确定适配信息后,对所述适配信息“投保人必须具有相应的权利能力和行为能力,否则所订立的保险合同不发生法律效力”进行分析,确定所述适配信息对应的语言类型为中文,则基于预存的语音样本库与所述语言类型,通过文本转化技术生成与所述适配信息对应的语音信息,并通过智能机器人语音播放所述适配信息“投保人必须具有相应的权利能力和行为能力,否则所订立的保险合同不发生法律效力”。
本说明书提供的一个实施例中,所述学习模型训练完成后,为了保证模型输出的适配信息的准确性,可以定期选取更新的相关数据进行模型优化,具体的模型优化过程可通过以下步骤实现:
按照预设条件收集所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息;
将所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
具体的,所述预设条件为预设的周期,假设预设周期为10天,按照预设条件收集所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息即收集10天内所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息。信息收集完成后将收集的信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
实际应用中所述预设条件还可以是所述适配信息的数量,本发明对此不做限制。
除此之外,所述模型优化过程还可通过以下步骤实现:
按照预设条件收集所述用户与所述目标对象间的交互指令、与所述交互指令对应的适配信息以及用户对所述与所述交互指令对应的适配信息的反馈评分结果;
将反馈评分结果高于预设分数阈值的所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
具体的,假设所述用户的交互指令为“保险的投保条件”、与所述交互指令对应的适配信息为“投保人必须具有相应的权利能力和行为能力,否则所订立的保险合同不发生法律效力”,用户对所述适配信息的反馈评分为8分;假设所述用户的交互指令为“我想了解一下健康险”,与所述交互指令对应的适配信息为“健康险,是健康保险的中文简称,是指保险公司通过疾病保险、医疗保险、失能收入损失保险和护理保险等方式对因健康原因导致的损失给付保险金的保险”,用户对所述适配信息的反馈评分为9分。信息收集完成后,将反馈评分结果高于预设分数阈值的所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
本说明书提供的一个实施例中,由于与所述目标对象相关的基础知识以及所述目标对象的管理机制信息在不断更新,因此,为了保证模型输出的适配信息的准确性,可以定期获取更新的信息进行模型优化,具体的信息获取过程可通过以下步骤实现:
按照预设规则获取初始网页的统一资源定位地址;
通过网页分析算法在所述初始网页中抽取出与所述目标对象相关的链接并将所述与所述目标对象相关的链接添加到统一资源定位地址队列等待信息的获取;
判断是否达到预设获取信息任务停止执行条件,若否,则重复执行按照预设规则获取初始网页的统一资源定位地址的步骤;
若是,则对获取的信息进行处理,并对处理后的数据进行存储。
具体的,对获取的信息进行处理,并将处理后的内容添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
本说明书提供的一个实施例中,以所述预设规则为“获取24小时内点击率超过1万次的网页中包含的信息”为例,假设所述目标对象为英语文章,满足所述预设规则的网页为网页B、网页C和网页D,则获取网页B、网页C和网页D的URL,通过网页分析算法在所述网页B、网页C和网页D中抽取出与英语文章相关的链接并将所述链接添加到URL队列等待信息的获取;当获取一定数量的英语文章后,若所述获取的英语文章数量达到预设的100篇,即可确定达到预设的获取信息任务停止执行条件,则停止获取英语文章,并对获取到的英语文章进行处理和存储即可。
本说明书提供的一个实施例中,接收用户的交互请求后,根据身份识别算法识别用户的身份信息,为目标用户提供学习功能,有利于帮助目标用户及时学习最新的与所述目标对象相关的基础知识信息以及管理机制信息,并且有效减少了学习成本,提高了学习效率;同时,在模型训练完成后,根据不断更新的相关信息进行模型优化,有利于保证模型输出信息的准确性;按照一定的规则自动地抓取万维网信息的程序或者脚本,自动采集所有能够访问到的页面内容,以获取或更新这些网站的内容和检索方式,有利于保证数据库中与目标对象相关的信息的能够得到及时更新。
图3示出了本说明书一实施例的智能交互方法,该智能交互方法以对保险场景为例进行描述,包括步骤302至步骤318。
步骤302:接收用户的交互请求,所述交互请求中携带有所述用户对保险项目的咨询信息。
步骤304:根据面部识别算法获取所述用户的身份标识信息。
步骤306:判断所述用户是否为保险代理人,若是,则执行步骤308;若否,则执行步骤314。
步骤308:向所述用户发送学习提示信息。
步骤310:检测响应结果是否为确认学习,若是,则执行步骤312;若否,则执行步骤314。
具体的,检测所述目标用户对于所述学习提示信息的响应结果是否为确认学习,若是,则执行步骤312;若否,则执行步骤314。
步骤312:通过***交互界面为所述目标用户展示与保险相关的信息。
具体的,假设接收到用户的交互请求为“我想了解一下健康险”,在接收到用户的交互请求后,机器人可通过面部识别算法确定所述用户是否为A用户,若确定所述用户为A用户,且检测到数据库中存在待学习内容,则向A用户发送学习提示信息;检测所述A用户对于所述学习提示信息的响应结果;具体的,A用户可通过点击机器人交互界面的可触控按钮来选择是否学习;若检测到所述响应结果为确认学习,则通过机器人交互界面为所述A用户展示与所述待学习内容相关的信息。
具体的,所述交互请求可以通过语音、文字信息或点击所述机器人交互界面的可点击按钮/选项信息进行发送;若所述用户通过语音发送所述交互请求,则机器人接收用户的交互请求之后,对所述语音信息进行语音识别以得到对应的文本信息;若所述用户通过机器人交互界面的可点击按钮/选项发送所述交互指令,则机器人通过所述按钮/选项信息获取对应的文本信息。
步骤314:将所述用户对保险项目的咨询信息输入预先训练的学习算法模型。
本说明书提供的一个实施例中,所述学习算法模型通过以下方式进行训练:
获取用户属性信息、保险属性信息、保险的管理机制信息、与保险相关的基础知识信息以及与保险相关的案例数据;
以用户属性信息、保险属性信息、保险的管理机制信息、与保险相关的基础知识信息以及与保险相关的案例数据为训练样本训练学习算法模型。
通过本实施例的学习算法模型的训练方法,以用户属性信息、保险属性信息、保险的管理机制信息、与保险相关的基础知识信息以及与保险相关的案例数据为训练样本来训练学习算法模型,从而实现用户属性信息、保险属性信息、保险的管理机制信息、与保险相关的基础知识信息以及与保险相关的案例数据之间的关联。并且,由于通过以用户属性信息、保险属性信息、保险的管理机制信息、与保险相关的基础知识信息以及与保险相关的案例数据训练模型,使得在学习算法模型的使用过程中更能体现该用户与模型输出的所述适配信息间的关联度。
本说明书提供的一个实施例中,所述用户对保险项目的咨询信息可以通过语音、文字信息或点击所述机器人交互界面的可点击按钮/选项信息进行发送。假设用户通过语音向智能机器人发送“我想了解一下健康险”的交互请求,所述智能机器人接收用户的交互请求之后,对所述用户的语音信息进行语音识别以得到对应的文本信息,即得到的文本信息为“我想了解一下健康险”,然后由智能机器人将所述文本信息输入预先训练的学习算法模型。
具体的,将所述文本信息输入预先训练的学习算法模型之前,还可对所述文本信息进行语义分析,得到对应的语义分析结果,并将所述语义分析结果输入预先训练的学习算法模型。
除此之外,将所述文本信息输入预先训练的学习算法模型之前,还可以根据预设规则对所述文本信息进行关键词提取,并将提取的所述关键词输入预先训练的学习算法模型。
假设智能机器人对所述用户的语音信息进行语音识别得到的文本信息为“我想了解一下健康险”,然后由智能机器人对所述文本信息进行关键词提取,假设提取的关键词为“健康险”,将提取的所述关键词输入预先训练的学习算法模型即可。
步骤316:通过所述学习算法模型输出与所述交互请求对应的适配信息。
沿用上例,所述智能机器人接收用户的交互请求,对所述用户的语音信息进行语音识别以得到对应的文本信息,然后对所述文本信息进行关键词提取,得到对应的提取结果为“健康险”,并将提取的所述关键词输入预先训练的学习算法模型,假设所述学习算法模型根据关键词“健康险”进行处理得到输出的结果为“健康险的基础信息”。
需要说明的是,上面描述的是本申请技术方案的优选实施方式,其中有些步骤并不是实现本申请技术方案所必需的。模型一旦建立好,在一段时间内可以在线上反复使用,为了保证模型输出的适配信息更准确,可以定期选取更新的相关数据重新建立模型,但并不是每次为所述用户提供适配信息的必需步骤。
步骤318:向所述用户发送所述适配信息。
本说明书提供的一个实施例中,所述学习算法模型输出的适配信息为文字形式,所述适配信息可通过文字的方式发送至所述用户,还可以通过语音、图片或表格的方式进行发送。
假设所述适配信息通过语音的方式发送,则将适配信息转化为语音信息后,向所述用户发送所述适配信息即通过智能机器人播放所述语音信息,即智能机器人将健康险的基础知识通过语音播放的形式传递给用户。
本说明书提供的一个实施例中,所述学习模型训练完成后,为了保证模型输出的适配信息的准确性,可以定期选取更新的相关数据进行模型优化,具体的模型优化过程可参见图1方法所述的实现方式,在此不再赘述。
本说明书提供的一个实施例中,接收用户的交互请求后,根据面部识别算法识别用户的身份信息,为目标用户提供学习功能,有利于帮助目标用户及时学习最新的与保险相关的基础知识信息以及管理机制信息,并且有效减少了学习成本,提高了学习效率;同时,在模型训练完成后,根据不断更新的相关信息进行模型优化,有利于保证模型输出信息的准确性;通过不断自动获取新的信息,有利于保证数据库中与目标对象相关的信息的能够得到及时更新。
与上述方法实施例相对应,本说明书还提供了智能交互装置实施例,图4示出了本说明书一个实施例的智能交互装置的结构示意图。如图4所示,该装置包括:
交互请求接收模块402,被配置为接收用户的交互请求,所述交互请求中携带有所述用户与所述目标对象间的交互指令;
交互指令输入模块404,被配置为将所述用户与所述目标对象间的交互指令输入预先训练的学习算法模型;
适配信息输出模块406,被配置为通过所述学习算法模型输出与所述交互指令对应的与所述目标对象相关的适配信息;
适配信息发送模块408,被配置为向所述用户发送所述适配信息。
可选地,所述智能交互装置,还包括:
获取模块,被配置为获取用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据;
模型训练模块,被配置为以用户属性信息、目标对象属性信息、目标对象的管理机制信息、与所述目标对象相关的基础知识信息以及与所述目标对象相关的案例数据为训练样本训练学习算法模型。
可选地,所述智能交互装置,还包括:
身份信息获取模块,被配置为根据预设身份识别算法获取所述用户的身份标识信息;
提示信息发送模块,被配置为若根据所述身份标识信息确定所述用户为目标用户,则向所述用户发送学习提示信息;
检测模块,被配置为检测所述目标用户对于所述学习提示信息的响应结果;
展示模块,被配置为若检测到所述响应结果为确认学习,则通过***交互界面为所述目标用户展示与所述目标对象相关的信息。
可选地,所述智能交互装置,还包括:
第一适配信息收集模块,被配置为按照预设条件收集所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息;
第一模型优化模块,被配置为将所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述智能交互装置,还包括:
第二适配信息收集模块,被配置为按照预设条件收集所述用户与所述目标对象间的交互指令、与所述交互指令对应的适配信息以及用户对所述与所述交互指令对应的适配信息的反馈评分结果;
第二模型优化模块,被配置为将反馈评分结果高于预设分数阈值的所述用户与所述目标对象间的交互指令及与所述交互指令对应的适配信息添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述交互请求接收模块,包括:
交互请求接收子模块,被配置为接收用户的交互请求,所述交互请求中携带有所述用户针对所述目标对象的语音提问信息;
语音识别子模块,被配置为对所述语音提问信息进行语音识别以得到对应的文本信息;
所述交互指令输入模块,包括:
信息输入子模块,被配置为将所述文本信息输入预先训练的学习算法模型。
可选地,所述交互请求接收模块,还包括:
语义分析子模块,被配置为对所述文本信息进行语义分析,得到对应的语义分析结果;
所述信息输入子模块,还被配置为:将所述语义分析结果输入预先训练的学习算法模型。
可选地,所述交互请求接收模块,还包括:
关键词提取子模块,被配置为根据预设规则对所述文本信息进行关键词提取;
所述信息输入子模块,还被配置为:将提取的所述关键词输入预先训练的学习算法模型。
可选地,所述智能交互装置,还包括:
信息获取模块,被配置为:
按照预设规则获取初始网页的统一资源定位地址(URL);
通过网页分析算法在所述初始网页中抽取出与所述目标对象相关的链接并将所述与所述目标对象相关的链接添加到URL队列等待信息的获取;
判断是否达到预设获取信息任务停止执行条件,若否,则重复执行按照预设规则获取初始网页的统一资源定位地址(URL)的步骤;
若是,则对获取的信息进行处理,并对处理后的数据进行存储。
可选地,所述信息获取模块,包括:
第三模型优化子模块,被配置为将处理后的内容添加到所述训练样本以形成新的训练样本,基于所述新的训练样本对所述学习算法模型进行模型优化。
可选地,所述适配信息发送模块,还包括:
语言类型分析子模块,被配置为对所述适配信息进行分析,确定所述适配信息对应的语言类型;
语音信息转化子模块,被配置为基于预设的语音样本库与所述语言类型,通过文本转化技术(TTS)确定出与所述适配信息对应的语音信息;
语音信息播放子模块,被配置为播放所述语音信息。
图5示出了根据本说明书一实施例的电子设备500的结构框图。该电子设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接,数据库550用于保存数据。
电子设备500还包括接入设备540,接入设备540使得电子设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,电子设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图5所示的电子设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
电子设备500可以是任何类型的静止或移动电子设备,包括移动计算机或移动电子设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的电子设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止电子设备。电子设备500还可以是移动式或静止式的服务器。
其中,处理器520用于执行如下计算机可执行如前所述智能交互方法的步骤。
上述为本实施例的一种电子设备的示意性方案。需要说明的是,该电子设备的技术方案与上述的智能交互方法的技术方案属于同一构思,电子设备的技术方案未详细描述的细节内容,均可以参见上述智能交互方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现如前所述智能交互方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的智能交互方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述智能交互方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本申请的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。