CN110489519A - 基于会话预测模型的会话方法及相关产品 - Google Patents
基于会话预测模型的会话方法及相关产品 Download PDFInfo
- Publication number
- CN110489519A CN110489519A CN201910605730.7A CN201910605730A CN110489519A CN 110489519 A CN110489519 A CN 110489519A CN 201910605730 A CN201910605730 A CN 201910605730A CN 110489519 A CN110489519 A CN 110489519A
- Authority
- CN
- China
- Prior art keywords
- session
- prediction model
- product
- target user
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 230000002996 emotional effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了一种基于会话预测模型的会话方法及相关产品,该方法包括:从用户数据库中选择目标用户;向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;使用会话预测模型对所述第一回复信息进行预测,得到目标语句;向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。本申请有利于提高会话流程的主动性,提高用户体验。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种基于会话预测模型的会话方法及相关产品。
背景技术
随着人工智能技术的发展,人工智能产品逐渐应用到生活中的各个场景,例如,客服智能机器人可以对用户提出的问题进行回答,从而节省人力成本,但是,目前的客服智能机器人都是基于用户的问话从预先设置好的答案库中搜索答案,并将搜索到的答案发送给用户;再如,营销机器人只会根据用户对产品的问话,进行产品特性介绍。所以现有智能机器都是被动式的向用户营销产品,而不会主动与用户进行会话交流,导致营销效率低,用户体验差。
发明内容
本申请实施例提供了一种基于会话预测模型的会话方法及相关产品,通过引入会话预测模型,实现智能机器人主动与用户进行会话交流,提高营销效果,进而提高用户体验。
第一方面,本申请实施例提供一种基于会话预测模型的会话方法,包括:
从用户数据库中选择目标用户;
向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
第二方面,本申请实施例提供一种基于会话预测模型的会话平台,包括:
选择单元,用于从用户数据库中选择目标用户;
交互单元,用于向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
预测单元,用于使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
发送单元,用于向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例,具有如下有益效果:
可以看出,在本申请实施例中,通过引入会话预测模型主动向用户发起会话请求,并对用户的回复信息进行预测,自动生成与其对应的目标语句,从而实现与用户进行自主性的交流,提高产品营销的效率,提高用户体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1A为本申请实施例提供的一种基于会话预测模型的会话方法的流程示意图;
图1B为本申请实施例提供的一种通过智能外呼***建立会话流程的方法的流程示意图;
图2为本申请实施例提供的另一种基于会话预测模型的会话方法的流程示意图;
图3为本申请实施例提供的另一种基于会话预测模型的会话方法的流程示意图;
图4为本申请实施例提供的一种基于会话预测模型的会话平台的结构示意图;
图5为本申请实施例提供的一种基于会话预测模型的会话平台的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请中的会话平台可以包括智能手机(如Android手机、iOS手机、WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(Mobile InternetDevices,简称:MID)或穿戴式设备等,上述会话平台仅是举例,而非穷举,包含但不限于上述会话平台,当然在实际应用中,会话平台也不限于上述变现形式,例如还可以包括:智能车载终端、计算机设备等等。
参阅图1A,图1A为本申请实施例提供的一种基于会话预测模型的会话方法,该方法应用于会话平台,该方法包括但不限于以下步骤:
101:会话平台从用户数据库中选择目标用户。
其中,用户数据库中的每个用户具有用户标签,该用户标签用于表征用户是否具有购买需求,即用户是否有购买产品的需求,目标用户为用户标签表征该用户具有购买需求的用户,其中,该用户标签可以通过对用户的消费数据进行大数据分析得到,建立用户标签的过程为现有技术,在此不再详细叙述。
102:会话平台向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息。
可选的,会话平台按照预设的开场白向用户发起会话请求,该开场白可以为用户提前输入的开场白或者会话平白基于大数据分析,得到目标产品,然后自动生成的与目标产品对应的开场白。
103:会话平台使用会话预测模型对所述第一回复信息进行预测,得到目标语句。
其中,会话平台使用预先训练好的预测模型对第一回复信息进行预测,自动生成回复语句,即目标语句,以便建立会话平台与目标用户的会话流程。
104:会话平台向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
可以理解的是,在将目标会话发送给用户后,会与用户进行N轮的会话交流,从而得到与目标用户的会话记录,其中,每轮会话交流与上述的实现方式一致,不再赘述。
可以看出,在上述实施例中,会话平台通过引入会话预测模型主动向用户发起会话请求,并对用户的回复信息进行预测,自动生成与其对应的目标语句,从而实现与用户进行自主性的交流,提高产品营销的效率,提高用户体验。
在一些可能的实施方式中,上述会话预测模型基于机器学习集成算法构建,所述方法还包括:在从用户数据库中选择目标用户之前,使用N条历史会话数据对所述会话预测模型进行优化训练,所述N为正整数;则,使用会话预测模型对所述第一回复信息进行预测,得到目标语句的实现过程可以为:使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。通过历史会话数据对会话预测模型进行优化训练,提高模型预测语句的准确度。
在一些可能的实施方式中,上述N条历史会话数据中每条历史会话数据包括产品需求、预先构建好的产品知识图谱和历史会话记录,所述产品知识图谱包括产品的属性信息和非属性信息;则,使用N条历史会话数据对所述会话预测模型进行优化训练的实现过程可以为:将N条历史会话数据中每个历史会话数据的产品需求和产品知识图谱作为输入数据输入到所述会话预测模型,得到每条历史会话数据对应的预测会话记录;基于每条历史会话数据对应的预测会话记录和历史会话记录,得到损失函数,基于梯度下降法和所述损失函数对所述会话预测模型进行优化训练。
举例来说,首先对每个产品构建产品知识图谱,即将每个产品的属性信息和非属性信息组成序列,得到产品的产品知识图,例如,将产品A的属性信息,如价格、颜色、功能,和非属性信息,如评论,组成多维序列[价格、颜色、功能、评论],然后,获取历史数据中的产品需求和产品知识图谱,并将该历史数据中的历史会话记录作为监督信息,对会话预测模型进行监督优化训练。
在一些可能的实施方式中,使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句的实现过程可以为:基于最新优化训练后的会话预测模型,得到第一特征向量,所述第一特征向量用于表征所述第一回复信对应的产品类型;基于所述最新优化训练后的会话预测模型,得到第二特征向量,所述第二特征向量用于表征所述第一回复信息对应的产品知识图谱;将所述第一特征向量和所述第二特征向量进行拼接,得到目标特征向量;对所述目标特征向量进行匹配,得到匹配的第一模板向量;将所述第一模板向量的产品类型和产品知识图谱组成语句,得到目标语句。
在一些可能的实施方式中,所述方法还包括:获取与所述目标用户的完整会话记录;根据所述完整会话记录确定所述目标用户对任意一产品的满意程度;向所述目标用户推送目标产品的购买途径,所述目标产品为满意程度大于或者等于阈值的产品。获取目标用户对任意一个产品的意向语段,对该语段进行语义分析,得到对该产品的满意程度,从而在满意程度大于阈值时,向目标用户同送购买途径,提高营销效率。
其中,可通过语义与满意程度的映射关系得到满意程度,该阈值可以为70%、80%或者其他值。
在一些可能的实施方式中,在所述会话记录为语音会话时,在根据所述完整会话记录确定所述目标用户对任意一产品的满意程度之后,所述方法还包括:获取所述会话记录的通话语音;对所述通话语音进行情绪识别,得到目标用户在会话过程中的情绪信息,根据情绪信息与误差概率的映射关系确定所述情绪信息对应的误差概率;根据所述误差概率调整目标用户的满意程度,得到每个用户的真实满意程度。在本实施方式中,通过情绪识别,对满意程度进行动态调整,使得到真实满意程度更加符合实际情况,提高营销的精度。
可选的,在上述可能的实施方式中,对所述通话语音进行情绪识别,得到目标用户在会话过程中的情绪信息的实现过程可以为:根据预先训练好的人声提取模型(例如,Hourglass模型),对所述通话语音进行人声提取,得到包含人声的第一音频信号;根据独立分量分析算法与卡尔曼滤波算法滤除所述第一音频信号中的背景噪声,得到仅包含人声的第二音频信号;根据语音活动检测算法滤除所述第二音频信号的静音帧,得到第三音频信号;获取所述第三音频信号中的用户音频帧,对用户音频帧进行音频匹配,得到目标用户的情绪信息。
在一些可能的实施方式中,上述会话请求包括:文字会话和/或语音会话,在该会话请求为文字会话时,例如,可通过建立对话框的方式进行会话交流,在该会话请求为语音会话时,例如,可通过智能外呼***与目标用户进行会话交流。
参阅图1B,图1B为本申请实施例提供的一种通过智能外呼***建立会话流程的方法的流程示意图,该方法应用于智能外呼***,该智能外呼***包括:核心网、语音网关、外呼模块、智能交互模块,该智能交互模块中包含有上述优化训练好的会话预测模型,该智能外呼***应用于会话平台,该方法包括但不限于以下步骤:
101a:核心网向用户终端拨号,等待用户接通电话。
101b:在用户接通后,用户终端采集用户语音,将用户语音发送到核心网。
101c:核心网通过语音网关将用户语音接入到外呼模块。
101d:外呼模块向智能交互模块呼入用户语音。
101e:智能交互模块采用会话预测模型对用户语音进行预测,得到目标语句。
智能交互模块先对用户语音进行噪声消除,将消除噪声后的语音信息转化为文字信息,然后,通过最新优化训练后的会话预测模型进行特征提取,得到目标特征向量,最后,基于对目标特征向量的匹配,得到目标语句。
101f:智能交互模块将目标语句转化为语音,并将语音下发到语音网关。
101g:语音网关通过核心网将语音下发到用户终端。
101h:用户终端接收语音,并播放。
可以看出,在本实施方式中,在智能交互模块中引入会话预测模型,通过会话预测模型自动预测目标语句,从而与用户建立会话流程,提升会话平台的智能性和主动性,提高营销效率,提高用户体验。
参阅图2,图2为本申请实施例提供的另一种基于会话预测模型的会话方法,该方法应用于会话平台,该方法包括但不限于以下步骤:
201:会话平台使用N条历史会话数据对会话预测模型进行优化训练。
202:会话平台从用户数据库中选择目标用户。
203:会话平台向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息。
204:会话平台使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
205:会话平台向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
可以看出,在上述实施例中,会话平台通过引入会话预测模型主动向用户发起会话请求,并对用户的回复信息进行预测,自动生成与其对应的目标语句,从而实现与用户进行自主性的交流,提高产品营销的效率,提高用户体验。
需要说明的是,图2所示的方法的各个步骤的具体实现过程可参见上述图1A所述方法的具体实现过程,在此不再叙述。
参阅图3,图3为本申请实施例提供的另一种基于会话预测模型的会话方法,该方法应用于会话平台,该方法包括但不限于以下步骤:
301:会话平台使用N条历史会话数据对会话预测模型进行优化训练。
302:会话平台从用户数据库中选择目标用户。
303:会话平台向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息。
304:会话平台使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
305:会话平台向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
306:会话平台获取与所述目标用户的完整会话记录,根据所述完整会话记录确定所述目标用户对任意一产品的满意程度。
307:会话平台向所述目标用户推送目标产品的购买途径,所述目标产品为满意程度大于或者等于阈值的产品。
可以看出,在上述实施方式中,会话平台通过引入会话预测模型主动向用户发起会话请求,并对用户的回复信息进行预测,自动生成与其对应的目标语句,从而实现与用户进行自主性的交流,提高产品营销的效率,提高用户体验;另外,获取目标用户的满意度,满足条件时,向目标用户推送购买途径,进而提高用户体验。
需要说明的是,图3所示的方法的各个步骤的具体实现过程可参见上述图1A所述方法的具体实现过程,在此不再叙述。
与上述图1A、图2、图3所示的实施例一致的,请参阅图4,图4为本申请实施例提供的一种基于会话预测模型的会话平台400的结构示意图,如图4所示,会话平台400包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序不同于上述一个或多个应用程序,且上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
从用户数据库中选择目标用户;
向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
在一些可能的实施方式中,所述会话预测模型基于机器学习集成算法构建,上述程序还用于执行以下步骤的指令:在从用户数据库中选择目标用户之前,使用N条历史会话数据对所述会话预测模型进行优化训练,所述N为正整数;在使用会话预测模型对所述第一回复信息进行预测,得到目标语句方面,上述程序具体用于执行以下步骤的指令:使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
在一些可能的实施方式中,所述N条历史会话数据中每条历史会话数据包括产品需求、预先构建好的产品知识图谱和历史会话记录,所述产品知识图谱包括产品的属性信息和非属性信息;在使用N条历史会话数据对所述会话预测模型进行优化训练方面,上述程序具体用于执行以下步骤的指令:
将N条历史会话数据中每个历史会话数据的产品需求和产品知识图谱作为输入数据输入到所述会话预测模型,得到每条历史会话数据对应的预测会话记录;
基于每条历史会话数据对应的预测会话记录和历史会话记录,得到损失函数,基于梯度下降法和所述损失函数对所述会话预测模型进行优化训练。
在一些可能的实施方式中,在使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句方面,上述程序具体用于执行以下步骤的指令:
基于最新优化训练后的会话预测模型,得到第一特征向量,所述第一特征向量用于表征所述第一回复信对应的产品类型;
基于所述最新优化训练后的会话预测模型,得到第二特征向量,所述第二特征向量用于表征所述第一回复信息对应的产品知识图谱;
将所述第一特征向量和所述第二特征向量进行拼接,得到目标特征向量;
对所述目标特征向量进行匹配,得到匹配的第一模板向量;
将所述第一模板向量的产品类型和产品知识图谱组成语句,得到目标语句。
在一些可能的实施方式中,上述程序还用于执行以下步骤的指令:
获取与所述目标用户的完整会话记录;
根据所述完整会话记录确定所述目标用户对任意一产品的满意程度;
向所述目标用户推送目标产品的购买途径,所述目标产品为满意程度大于或者等于阈值的产品。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,机顶盒为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的模块及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对机顶盒进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。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。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
参阅图5,图5示出了上述实施例中所涉及的基于会话预测模型的会话平台500的一种可能的功能单元组成框图,会话平台500包括:选择单元510、交互单元520、预测单元530和发送单元540,其中:
选择单元510,用于从用户数据库中选择目标用户;
交互单元520,用于向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
预测单元530,用于使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
发送单元540,用于向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
在一些可能的实施方式中,会话平台500还包括训练单元550,所述会话预测模型基于机器学习集成算法构建,训练单元550,用于:
在从用户数据库中选择目标用户之前,使用N条历史会话数据对所述会话预测模型进行优化训练,所述N为正整数;在使用会话预测模型对所述第一回复信息进行预测,得到目标语句方面,预测单元530,具体用于:使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
在一些可能的实施方式中,所述N条历史会话数据中每条历史会话数据包括产品需求、预先构建好的产品知识图谱和历史会话记录,所述产品知识图谱包括产品的属性信息和非属性信息;在使用N条历史会话数据对所述会话预测模型进行优化训练方面,训练单元550,具体用于:
将N条历史会话数据中每个历史会话数据的产品需求和产品知识图谱作为输入数据输入到所述会话预测模型,得到每条历史会话数据对应的预测会话记录;
基于每条历史会话数据对应的预测会话记录和历史会话记录,得到损失函数,基于梯度下降法和所述损失函数对所述会话预测模型进行优化训练。
在一些可能的实施方式中,在使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句方面,预测单元530,具体用于:
基于最新优化训练后的会话预测模型,得到第一特征向量,所述第一特征向量用于表征所述第一回复信对应的产品类型;
基于所述最新优化训练后的会话预测模型,得到第二特征向量,所述第二特征向量用于表征所述第一回复信息对应的产品知识图谱;
将所述第一特征向量和所述第二特征向量进行拼接,得到目标特征向量;
对所述目标特征向量进行匹配,得到匹配的第一模板向量;
将所述第一模板向量的产品类型和产品知识图谱组成语句,得到目标语句。
在一些可能的实施方式中,发送单元540,还用于:
获取与所述目标用户的完整会话记录;
根据所述完整会话记录确定所述目标用户对任意一产品的满意程度;
向所述目标用户推送目标产品的购买途径,所述目标产品为满意程度大于或者等于阈值的产品。
本申请实施例还提供一种计算机存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种基于会话预测模型的会话方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种基于会话预测模型的会话方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,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他顺序或者同时进行。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可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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,可以参见其他实施例的相关描述。
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,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于会话预测模型的会话方法,其特征在于,包括:
从用户数据库中选择目标用户;
向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
2.根据权利要求1所述的方法,其特征在于,所述会话预测模型基于机器学习集成算法构建,所述方法还包括:在从用户数据库中选择目标用户之前,使用N条历史会话数据对所述会话预测模型进行优化训练,所述N为正整数;
所述使用会话预测模型对所述第一回复信息进行预测,得到目标语句,包括:使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
3.根据权利要求2所述的方法,其特征在于,所述N条历史会话数据中每条历史会话数据包括产品需求、预先构建好的产品知识图谱和历史会话记录,所述产品知识图谱包括产品的属性信息和非属性信息;
所述使用N条历史会话数据对所述会话预测模型进行优化训练,包括:
将N条历史会话数据中每个历史会话数据的产品需求和产品知识图谱作为输入数据输入到所述会话预测模型,得到每条历史会话数据对应的预测会话记录;
基于每条历史会话数据对应的预测会话记录和历史会话记录,得到损失函数,基于梯度下降法和所述损失函数对所述会话预测模型进行优化训练。
4.根据权利要求2或3所述的方法,其特征在于,所述使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句,包括:
基于最新优化训练后的会话预测模型,得到第一特征向量,所述第一特征向量用于表征所述第一回复信对应的产品类型;
基于所述最新优化训练后的会话预测模型,得到第二特征向量,所述第二特征向量用于表征所述第一回复信息对应的产品知识图谱;
将所述第一特征向量和所述第二特征向量进行拼接,得到目标特征向量;
对所述目标特征向量进行匹配,得到匹配的第一模板向量;
将所述第一模板向量的产品类型和产品知识图谱组成语句,得到目标语句。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取与所述目标用户的完整会话记录;
根据所述完整会话记录确定所述目标用户对任意一产品的满意程度;
向所述目标用户推送目标产品的购买途径,所述目标产品为满意程度大于或者等于阈值的产品。
6.一种基于会话预测模型的会话平台,其特征在于,包括:
选择单元,用于从用户数据库中选择目标用户;
交互单元,用于向所述目标用户发起会话请求,接收所述目标用户针对所述会话请求的第一回复信息;
预测单元,用于使用会话预测模型对所述第一回复信息进行预测,得到目标语句;
发送单元,用于向所述目标用户发送所述目标语句,以与所述目标用户建立会话流程。
7.根据权利要求6所述的会话平台,其特征在于,所述会话预测模型基于机器学***台还包括:训练单元;
在从用户数据库中选择目标用户之前,所述训练单元,用于使用N条历史会话数据对所述会话预测模型进行优化训练,所述N为正整数;
在使用会话预测模型对所述第一回复信息进行预测,得到目标语句方面,所述预测单元,具体用于:使用最新优化训练后的会话预测模型对所述第一回复信息进行预测,得到目标语句。
8.根据权利要求7所述的会话平台,其特征在于,所述N条历史会话数据中每条历史会话数据包括产品需求、预先构建好的产品知识图谱和历史会话记录,所述产品知识图谱包括产品的属性信息和非属性信息;
在使用N条历史会话数据对所述会话预测模型进行优化训练方面,所述训练单元,具体用于:
将N条历史会话数据中每个历史会话数据的产品需求和产品知识图谱作为输入数据输入到所述会话预测模型,得到每条历史会话数据对应的预测会话记录;
基于每条历史会话数据对应的预测会话记录和历史会话记录,得到损失函数,基于梯度下降法和所述损失函数对所述会话预测模型进行优化训练。
9.一种会话平台,其特征在于,包括处理器、存储器、通信接口以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行权利要求1-5任一项方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605730.7A CN110489519B (zh) | 2019-07-05 | 2019-07-05 | 基于会话预测模型的会话方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605730.7A CN110489519B (zh) | 2019-07-05 | 2019-07-05 | 基于会话预测模型的会话方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489519A true CN110489519A (zh) | 2019-11-22 |
CN110489519B CN110489519B (zh) | 2023-07-07 |
Family
ID=68546004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910605730.7A Active CN110489519B (zh) | 2019-07-05 | 2019-07-05 | 基于会话预测模型的会话方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489519B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145754A (zh) * | 2019-12-12 | 2020-05-12 | 深圳追一科技有限公司 | 语音输入方法、装置、终端设备及存储介质 |
CN112735407A (zh) * | 2020-12-24 | 2021-04-30 | 北京三快在线科技有限公司 | 一种对话处理方法及装置 |
CN112905763A (zh) * | 2021-02-03 | 2021-06-04 | 深圳市人马互动科技有限公司 | 会话***开发方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767881A (zh) * | 2016-08-15 | 2018-03-06 | ***通信有限公司研究院 | 一种语音信息的满意度的获取方法和装置 |
CA2988282A1 (en) * | 2016-12-22 | 2018-06-22 | Capital One Services, Llc | Systems and methods for customer sentiment prediction and depiction |
US20180181873A1 (en) * | 2016-12-28 | 2018-06-28 | Facebook, Inc. | Personalized post session model for an online system |
CN109493166A (zh) * | 2018-10-23 | 2019-03-19 | 深圳智能思创科技有限公司 | 一种针对电子商务导购场景任务型对话***的构建方法 |
CN109857848A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 交互内容生成方法、装置、计算机设备及存储介质 |
-
2019
- 2019-07-05 CN CN201910605730.7A patent/CN110489519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767881A (zh) * | 2016-08-15 | 2018-03-06 | ***通信有限公司研究院 | 一种语音信息的满意度的获取方法和装置 |
CA2988282A1 (en) * | 2016-12-22 | 2018-06-22 | Capital One Services, Llc | Systems and methods for customer sentiment prediction and depiction |
US20180181873A1 (en) * | 2016-12-28 | 2018-06-28 | Facebook, Inc. | Personalized post session model for an online system |
CN109493166A (zh) * | 2018-10-23 | 2019-03-19 | 深圳智能思创科技有限公司 | 一种针对电子商务导购场景任务型对话***的构建方法 |
CN109857848A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 交互内容生成方法、装置、计算机设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145754A (zh) * | 2019-12-12 | 2020-05-12 | 深圳追一科技有限公司 | 语音输入方法、装置、终端设备及存储介质 |
CN111145754B (zh) * | 2019-12-12 | 2021-04-13 | 深圳追一科技有限公司 | 语音输入方法、装置、终端设备及存储介质 |
CN112735407A (zh) * | 2020-12-24 | 2021-04-30 | 北京三快在线科技有限公司 | 一种对话处理方法及装置 |
CN112735407B (zh) * | 2020-12-24 | 2023-07-21 | 北京三快在线科技有限公司 | 一种对话处理方法及装置 |
CN112905763A (zh) * | 2021-02-03 | 2021-06-04 | 深圳市人马互动科技有限公司 | 会话***开发方法、装置、计算机设备及存储介质 |
CN112905763B (zh) * | 2021-02-03 | 2023-10-24 | 深圳市人马互动科技有限公司 | 会话***开发方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110489519B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9437215B2 (en) | Predictive video analytics system and methods | |
CN110347863B (zh) | 话术推荐方法和装置及存储介质 | |
CN110489519A (zh) | 基于会话预测模型的会话方法及相关产品 | |
CN109002515A (zh) | 一种智能应答的方法和装置 | |
CN110580516B (zh) | 一种基于智能机器人的交互方法及装置 | |
CN110265013A (zh) | 语音的识别方法及装置、计算机设备、存储介质 | |
CN109922213A (zh) | 语音咨询时的数据处理方法、装置、存储介质及终端设备 | |
CN109285011A (zh) | 一种智能客户回访方法、装置及设备 | |
CN113840040B (zh) | 一种人机协作的外呼方法、装置、设备及存储介质 | |
CN109739605A (zh) | 生成信息的方法和装置 | |
CN111291151A (zh) | 交互方法、装置及计算机设备 | |
CN109215679A (zh) | 基于用户情绪的对话方法和装置 | |
CN109271503A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN106356056B (zh) | 语音识别方法和装置 | |
CN113486166B (zh) | 智能客服机器人的构建方法、装置、设备以及存储介质 | |
CN109474734A (zh) | 呼叫类型的识别方法、装置及终端 | |
CN110175240A (zh) | 与外呼流程相关的知识图谱的构建方法、装置及存储介质 | |
CN108347531A (zh) | 求助方法、求助装置、电子设备及计算机可读存储介质 | |
CN113051405B (zh) | 基于对话场景的智能外呼知识图谱构建方法及装置 | |
CN112331201A (zh) | 语音的交互方法和装置、存储介质、电子装置 | |
CN115083412B (zh) | 语音交互方法及相关装置、电子设备、存储介质 | |
CN111047362A (zh) | 智能音箱使用活跃度的统计管理方法和*** | |
CN110047473A (zh) | 一种人机协作交互方法及*** | |
CN108647139A (zh) | ***的测试方法、装置、存储介质及电子装置 | |
CN117493582B (zh) | 模型结果的输出方法、装置、电子设备及存储介质 |
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 |