CN111177350A - 智能语音机器人的话术形成方法、装置和*** - Google Patents
智能语音机器人的话术形成方法、装置和*** Download PDFInfo
- Publication number
- CN111177350A CN111177350A CN201911329798.3A CN201911329798A CN111177350A CN 111177350 A CN111177350 A CN 111177350A CN 201911329798 A CN201911329798 A CN 201911329798A CN 111177350 A CN111177350 A CN 111177350A
- Authority
- CN
- China
- Prior art keywords
- question
- topics
- intelligent voice
- voice robot
- dialogue
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007621 cluster analysis Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012550 audit Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 10
- 238000012552 review Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008909 emotion recognition Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000122205 Chamaeleonidae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种智能语音机器人的话术形成方法、装置、***及计算机可读介质,用于根据历史对话数据提取和生成新的话术,方法包括:将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。采用该技术方案,对历史对话数据进行聚类分析,经过审核形成新的话术,弥补了原先话术需要通过人工进行补充,数量有限的问题。
Description
技术领域
本发明涉及智能识别技术领域,具体而言,涉及一种智能语音机器人的话术形成方法、装置和***。
背景技术
客户服务中心是企业与用户沟通的主要桥梁,提升用户满意度的主要渠道。以前客户服务中心主要以人工客服为主,由专业的客服人员为用户进行服务。随着计算机信息处理技术的发展,越来越多的客户服务中心开始采用智能语音机器人进行回访、电话问卷调查等服务。
目前智能语音机器人与用户进行交流主要依据话术进行,但***的话术总归是有限的,依靠人工对话术进行补充存在较为严重的滞后,不能及时根据智能语音机器人与用户的对话形成新的话术。
发明内容
本发明旨在解决现有智能语音机器人的话术依靠人工补充,无法有效的补充新的话术的问题。
为了解决上述技术问题,本发明第一方面提出一种智能语音机器人的话术形成方法,其特征在于,方法包括:
将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;
对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;
对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
根据本发明的一种优选实施方式,智能语音机器人与客户的历史对话数据为采用兜底话术的对话数据。
根据本发明的一种优选实施方式,对所述问句集进行聚类分析,形成多个主题包括:
将问句集中的问句转为文本,对所述问句的文本进行分词,将所述分词文本转化为向量;
对所述向量进行聚类,形成多个主题。
根据本发明的一种优选实施方式,将所述分词文本转化为向量采用word2vec模型。
根据本发明的一种优选实施方式,对所述向量进行聚类采用的采用基于深度学习的TextCNN模型。
根据本发明的一种优选实施方式,方法还包括:如果主题审核未通过,将审核未通过的主题反馈到所述聚类分析,在以后聚类分析中直接将该主题相关的问句以及问句对应的回答删除。
根据本发明的一种优选实施方式,经过处理补充进问答知识库包括:对所述主题对应的问句进行文本内容过滤,将文本内容过滤后的问句生成新的话术模板。
根据本发明的一种优选实施方式,所述新的话术模板包括意图标签,问句内容以及逻辑关系。
本发明的第二方面提出一种智能语音机器人的话术形成装置,装置包括:
问句提取模块,用于将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;
聚类分析模块,用于对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;
主题审核模块,用于对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
根据本发明的一种优选实施方式,智能语音机器人与客户的历史对话数据为采用兜底话术的对话数据。
根据本发明的一种优选实施方式,对所述问句集进行聚类分析,形成多个主题包括:
将问句集中的问句转为文本,对所述问句的文本进行分词,将所述分词文本转化为向量;
对所述向量进行聚类,形成多个主题。
根据本发明的一种优选实施方式,将所述分词文本转化为向量采用word2vec模型。是基于深度学习的TextCNN模型。
根据本发明的一种优选实施方式,对所述向量进行聚类采用的是基于深度学习的TextCNN模型。
根据本发明的一种优选实施方式,装置还包括:反馈模块,如果主题审核未通过,将审核未通过的主题反馈到所述聚类分析,在以后聚类分析中直接将该主题相关的问句以及问句对应的回答删除。
根据本发明的一种优选实施方式,经过处理补充进问答知识库包括:对所述主题对应的问句进行文本内容过滤,将文本内容过滤后的问句生成新的话术模板。
根据本发明的一种优选实施方式,所述新的话术模板包括意图标签,问句内容以及逻辑关系。
本发明的第三方面一种智能语音机器人的话术形成***,包括:
存储单元,用于存储计算机可执行程序;
处理单元,用于读取所述存储单元中的计算机可执行程序,以执行所述的智能语音机器人的话术形成方法。
本发明的第四方面一种计算机可读介质,用于存储计算机可读程序,其特征在于,所述计算机可读程序用于执行所述的智能语音机器人的话术形成方法。
采用该技术方案,对智能机器人与用户的对话数据进行聚类分析,经过审核形成新的话术,很好的对***的话术库进行了补充,弥补了原先话术需要通过人工进行补充,数量有限的问题。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例中基于语音波形脉冲的图片的情绪识别方法的流程示意图;
图2是本发明实施例中基于语音波形脉冲的图片的情绪识别装置的结构示意图;
图3是本发明实施例中基于语音波形脉冲的图片的情绪识别结构的框架示意图;
图4是本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
图1是本发明一种智能语音机器人的话术形成方法流程图,如图1所示,本发明方法具有如下步骤:
S101、将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集。
在本实施方式中,智能语音机器人每天都与大量的用户进行电话沟通,会生成很多对话数据,这些对话数据可以作为发现新话术的基础。
在本实施方式中,采用基于深度学习的问句判断模型判断用户输入的话语是否是问句,进行判断的时候首先对句子进行分词,比如“咱们明天几点碰头?”经过分词处理后划分为“咱们”,“明天”,“几点”,“碰头”,“?”,然后将上述分词输入问句判断模型,输出判断结果。问句判断模型采用有监督学习的方式进行训练。
在上述技术方案的基础上,进一步地,智能语音机器人与客户的历史对话数据为采用兜底话术的对话数据。
在本实施方式中,智能语音机器人与用户进行沟通时,会根据话术对用户的提问或回答进行应答。但是当智能语音机器人无法识别用户提问的主题或没有对应的答案时,智能语音机器人会采用兜底话术回答用户,比如回答“请您致电XXXX对这个问题进行咨询”、“您这个问题我暂时无法回答,请您留下您的电话,稍晚我会给您回复”等等。通常这种采用兜底话术进行回答的问题可能就是需要补充进话术库的新问题,因此作为提取新话术的历史对话记录选取这些采用兜底话术进行回答的更好,能够更准确的提取到需要补充的新话术。
在本实施方式中,由于提取的需要补充的新话术主要是针对智能语音机器人无法回答用户的提问,因此将对话数据中的问句提取出来能够提高新话术的发现效率。
S102、对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句。
在本实施方式中,大量的历史对话数据输入模型,通过模型对提取的问句数据进行分类,内容相同或相似的问句归为一个主题,比如咨询优惠活动、咨询新产品信息等等。分类号以后便于后续的操作。
在上述技术方案的基础上,进一步地,对所述问句集进行聚类分析,形成多个主题包括:
将问句集中的问句转为文本,对所述问句的文本进行分词,将所述分词文本转化为向量;
对所述向量进行聚类,形成多个主题。
在上述技术方案的基础上,进一步地,将所述分词文本转化为向量采用word2vec模型。
文本的向量化,即使用数字特征来代表文本,因为计算机无法直接理解人类创造的语言和文字。为了让计算机能够理解文本,我们需要将文本信息映射到一个数值化的语义空间中,这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法,比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中,文本的向量化采用word2vec算法,word2vec模型是一个无监督的学习模型,使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。
智能语音机器人每天与用户进行沟通,积攒了大量的历史对话数据,这些历史对话数据可以作为word2vec模型训练的语料,通过历史对话数据的训练,word2vec模型能够更好的完成文本的向量化。
在上述技术方案的基础上,进一步地,对所述向量进行聚类采用的采用基于深度学习的TextCNN模型。
进行聚类分析的算法模型也有很多种,比如:LDA、LSI、SVM、Chameleon算法模型。在本实施方式中,采用基于深度学习的TextCNN模型。TextCNN模型包括输入层、卷积层、池化层以及全连接层。
TextCNN模型的输入层需要输入一个定长的文本序列,我们需要通过分析语料集样本的长度指定一个输入序列的长度L,比L短的样本序列需要填充,比L长的序列需要截取。最终输入层输入的是文本序列中各个词汇对应的词向量。
在模型中一般使用多个不同尺寸的卷积核。卷积核的高度,即窗口值,一般选取2~8的值。
在模型的池化层中使用了最大值池化,即减少了模型的参数,又保证了在不定长的卷基层的输出上获得一个定长的全连接层的输入。
卷积层与池化层在分类模型的核心作用就是特征提取的功能,从输入的定长文本序列中,利用局部词序信息,提取初级的特征,并组合初级的特征为高级特征,通过卷积与池化操作,省去了传统机器学习中的特征工程的步骤。
全连接层的作用就是分类器,将输入的文本进行分类,归纳为不同的主题。
TextCNN模型通常是采用有监督的学习模型,即使用标注的语料对模型进行训练。通过训练对模型进行优化,调整模型的参数,使得模型分类能够更加准确。
将历史对话数据通过人工的方式进行标引,分成三组,分别为训练样本,调整样本和测试样本。首先使用训练样本对TextCNN模型进行训练,确定参数的大概数值,然后使用调整样本对模型参数进行优化,最后使用测试样本判断模型是否符合要求。如果不符合要求再次使用新的样本对模型进行训练。
S103、对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
在本实施方式中,分类以后主题经过审核,判断该主题是否需要生成新的话术,如果需要则审核通过,将主题下对应的问句存入标准问题库;如果该主题已经有对应的话术,或者不用生成新的话术,则审核未通过,将该主题存入待删除问题库。
主题的审核可以采用机器审核或人工审核的方式,在本实施方式中,为了对主题的审核更加准确,采用
在上述技术方案的基础上,进一步地,方法还包括:如果主题审核未通过,将审核未通过的主题反馈到所述聚类分析,在以后聚类分析中直接将该主题相关的问句以及问句对应的回答删除。
在本实施方式中,审核未通过的主题可能是已经有相应的话术,或者该主题没有必要生成新的话术,因此在以后的聚类分析中,此类的主题不用再进行审核,避免资源浪费。因此,将未通过的主题反馈到聚类分析,以后这些主题及对应的问句直接删除。
在上述技术方案的基础上,进一步地,经过处理补充进问答知识库包括:对所述主题对应的问句进行文本内容过滤,将文本内容过滤后的问句生成新的话术模板。
在上述技术方案的基础上,进一步地,其特征在于,所述新的话术模板包括意图标签,问句内容以及逻辑关系。
在本实施方式中,对审核通过的主题下对应的问句进行汇总,提取主题词和关键语句,将没有实际意义的语句删除,形成新的话术模板。新的话术模板生成后,给该话术模板设置意图标签,当以后该话术被使用时,将智能语音机器人与用户的对话保存作为历史对话数据,并分配该话术对应的有标签,便于后期的管理和维护;并且设置语句前后之间的逻辑关系,设置好逻辑树,根据用户不同的回答走向不同的逻辑节点。
如图2所示,本发明的一个实施例中还公开一种智能语音机器人的话术形成装置,装置包括:
问句提取模块201,用于将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集。
在本实施方式中,智能语音机器人每天都与大量的用户进行电话沟通,会生成很多对话数据,这些对话数据可以作为发现新话术的基础。在上述技术方案的基础上,进一步地,智能语音机器人与客户的历史对话数据为采用兜底话术的对话数据。
在本实施方式中,智能语音机器人与用户进行沟通时,会根据话术对用户的提问或回答进行应答。但是当智能语音机器人无法识别用户提问的主题或没有对应的答案时,智能语音机器人会采用兜底话术回答用户,比如回答“请您致电XXXX对这个问题进行咨询”、“您这个问题我暂时无法回答,请您留下您的电话,稍晚我会给您回复”等等。通常这种采用兜底话术进行回答的问题可能就是需要补充进话术库的新问题,因此作为提取新话术的历史对话记录选取这些采用兜底话术进行回答的更好,能够更准确的提取到需要补充的新话术。
在本实施方式中,由于提取的需要补充的新话术主要是针对智能语音机器人无法回答用户的提问,因此将对话数据中的问句提取出来能够提高新话术的发现效率。
聚类分析模块202,用于对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句。
在本实施方式中,大量的历史对话数据输入模型,通过模型对提取的问句数据进行分类,内容相同或相似的问句归为一个主题,比如咨询优惠活动、咨询新产品信息等等。分类号以后便于后续的操作。
在上述技术方案的基础上,进一步地,对所述问句集进行聚类分析,形成多个主题包括:
将问句集中的问句转为文本,对所述问句的文本进行分词,将所述分词文本转化为向量;
对所述向量进行聚类,形成多个主题。
在上述技术方案的基础上,进一步地,将所述分词文本转化为向量采用word2vec模型。
文本的向量化,即使用数字特征来代表文本,因为计算机无法直接理解人类创造的语言和文字。为了让计算机能够理解文本,我们需要将文本信息映射到一个数值化的语义空间中,这个语义空间我们可以称之为词向量空间。将文本转化为向量有多种算法,比如TF-IDF、BOW、One-Hot、word2vec等等。在本实施方式中,文本的向量化采用word2vec算法,word2vec模型是一个无监督的学习模型,使用未标引的语料集的训练就可以实现文本信息到语义空间的映射。
智能语音机器人每天与用户进行沟通,积攒了大量的历史对话数据,这些历史对话数据可以作为word2vec模型训练的语料,通过历史对话数据的训练,word2vec模型能够更好的完成文本的向量化。
在上述技术方案的基础上,进一步地,对所述向量进行聚类采用的采用基于深度学习的TextCNN模型。
进行聚类分析的算法模型也有很多种,比如:LDA、LSI、SVM、Chameleon算法模型。在本实施方式中,采用基于深度学习的TextCNN模型。TextCNN模型包括输入层、卷积层、池化层以及全连接层。
TextCNN模型的输入层需要输入一个定长的文本序列,我们需要通过分析语料集样本的长度指定一个输入序列的长度L,比L短的样本序列需要填充,比L长的序列需要截取。最终输入层输入的是文本序列中各个词汇对应的词向量。
在模型中一般使用多个不同尺寸的卷积核。卷积核的高度,即窗口值,一般选取2~8的值。
在模型的池化层中使用了最大值池化,即减少了模型的参数,又保证了在不定长的卷基层的输出上获得一个定长的全连接层的输入。
卷积层与池化层在分类模型的核心作用就是特征提取的功能,从输入的定长文本序列中,利用局部词序信息,提取初级的特征,并组合初级的特征为高级特征,通过卷积与池化操作,省去了传统机器学习中的特征工程的步骤。
全连接层的作用就是分类器,将输入的文本进行分类,归纳为不同的主题。
TextCNN模型通常是采用有监督的学习模型,即使用标注的语料对模型进行训练。通过训练对模型进行优化,调整模型的参数,使得模型分类能够更加准确。
将历史对话数据通过人工的方式进行标引,分成三组,分别为训练样本,调整样本和测试样本。首先使用训练样本对TextCNN模型进行训练,确定参数的大概数值,然后使用调整样本对模型参数进行优化,最后使用测试样本判断模型是否符合要求。如果不符合要求再次使用新的样本对模型进行训练。
主题审核模块203,用于对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
在本实施方式中,分类以后主题经过审核,判断该主题是否需要生成新的话术,如果需要则审核通过,将主题下对应的问句存入标准问题库;如果该主题已经有对应的话术,或者不用生成新的话术,则审核未通过,将该主题存入待删除问题库。
主题的审核可以采用机器审核或人工审核的方式,在本实施方式中,为了对主题的审核更加准确,采用
在上述技术方案的基础上,进一步地,方法还包括:如果主题审核未通过,将审核未通过的主题反馈到所述聚类分析,在以后聚类分析中直接将该主题相关的问句以及问句对应的回答删除。
在本实施方式中,审核未通过的主题可能是已经有相应的话术,或者该主题没有必要生成新的话术,因此在以后的聚类分析中,此类的主题不用再进行审核,避免资源浪费。因此,将未通过的主题反馈到聚类分析,以后这些主题及对应的问句直接删除。
在上述技术方案的基础上,进一步地,经过处理补充进问答知识库包括:对所述主题对应的问句进行文本内容过滤,将文本内容过滤后的问句生成新的话术模板。
在上述技术方案的基础上,进一步地,其特征在于,所述新的话术模板包括意图标签,问句内容以及逻辑关系。
在本实施方式中,对审核通过的主题下对应的问句进行汇总,提取主题词和关键语句,将没有实际意义的语句删除,形成新的话术模板。新的话术模板生成后,给该话术模板设置意图标签,当以后该话术被使用时,将智能语音机器人与用户的对话保存作为历史对话数据,并分配该话术对应的有标签,便于后期的管理和维护;并且设置语句前后之间的逻辑关系,设置好逻辑树,根据用户不同的回答走向不同的逻辑节点。
如图3所示,本发明的一个实施例中还公开一种智能语音机器人的话术形成***,图3显示的信息处理***仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
一种智能语音机器人的话术形成***300,包括存储单元320,用于存储计算机可执行程序;处理单元310,用于读取所述存储单元中的计算机可执行程序,以执行本发明各种实施方式的步骤。
在本实施方式中一种智能语音机器人的话术形成***300还包括,连接不同***组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元320存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元310执行,使得所述处理单元310执行本发明各种实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
一种智能语音机器人的话术形成***300也可以与一个或多个外部设备370(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备370通过输入/输出(I/O)接口350进行与处理单元310进行交互,还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器360可以通过总线330与基于语音波形脉冲的图片的情绪识别***300的其它模块通信。应当明白,尽管图中未示出,基于运营平台的信息处理***300中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储单元(RAM)、只读存储单元(ROM)、可擦式可编程只读存储单元(EPROM或闪存)、光纤、便携式紧凑盘只读存储单元(CD-ROM)、光存储单元件、磁存储单元件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:
S101、将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;
S102、对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;
S103、对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理单元或者数字信号处理单元(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能语音机器人的话术形成方法,其特征在于,方法包括:
将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;
对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;
对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
2.如权利要求1所述的话术形成方法,其特征在于,智能语音机器人与客户的历史对话数据为采用兜底话术的对话数据。
3.如权利要求1-2所述的话术形成方法,其特征在于,对所述问句集进行聚类分析,形成多个主题包括:
将问句集中的问句转为文本,对所述问句的文本进行分词,将所述分词文本转化为向量;
对所述向量进行聚类,形成多个主题。
4.如权利要求1-3所述的话术形成方法,其特征在于,将所述分词文本转化为向量采用word2vec模型。
5.如权利要求1-4所述的话术形成方法,其特征在于,对所述向量进行聚类采用的采用基于深度学习的TextCNN模型。
6.如权利要求1-5所述的话术形成方法,其特征在于,方法还包括:如果主题审核未通过,将审核未通过的主题反馈到所述聚类分析,在以后聚类分析中直接将该主题相关的问句以及问句对应的回答删除。
7.如权利要求1-6所述的话术形成方法,其特征在于,经过处理补充进问答知识库包括:对所述主题对应的问句进行文本内容过滤,将文本内容过滤后的问句生成新的话术模板。
8.一种智能语音机器人的话术形成装置,其特征在于,装置包括:
问句提取模块,用于将智能语音机器人与客户的历史对话数据录入对话数据库,从对话数据库中提取问句生成问句集;
聚类分析模块,用于对所述问句集进行聚类分析,形成多个主题,每个所述主题包括对应的问句;
主题审核模块,用于对分类后的主题进行审核,如果审核通过,该主题对应的问句存入标准问题库,经过处理补充进问答知识库,形成新的话术;如果审核未通过,该主题对应的问句存入待删除问题库。
9.一种智能语音机器人的话术形成***,其特征在于,包括:
存储单元,用于存储计算机可执行程序;
处理单元,用于读取所述存储单元中的计算机可执行程序,以执行权利要求1-7中任一项所述的智能语音机器人的话术形成方法。
10.一种计算机可读介质,用于存储计算机可读程序,其特征在于,所述计算机可读程序用于执行权利要求1-7中任一项所述的智能语音机器人的话术形成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329798.3A CN111177350A (zh) | 2019-12-20 | 2019-12-20 | 智能语音机器人的话术形成方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329798.3A CN111177350A (zh) | 2019-12-20 | 2019-12-20 | 智能语音机器人的话术形成方法、装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177350A true CN111177350A (zh) | 2020-05-19 |
Family
ID=70624264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329798.3A Pending CN111177350A (zh) | 2019-12-20 | 2019-12-20 | 智能语音机器人的话术形成方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177350A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287078A (zh) * | 2020-10-23 | 2021-01-29 | 上海淇玥信息技术有限公司 | 一种多句话术匹配方法、装置和电子设备 |
CN112541792A (zh) * | 2020-12-22 | 2021-03-23 | 作业帮教育科技(北京)有限公司 | 一种挖掘用户需求的数据处理方法、装置及电子设备 |
CN112562678A (zh) * | 2020-11-26 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 基于客服录音的智能对话方法、***、设备及存储介质 |
CN112992128A (zh) * | 2021-02-04 | 2021-06-18 | 北京淇瑀信息科技有限公司 | 一种智能语音机器人的训练方法、装置和*** |
CN112988948A (zh) * | 2021-02-05 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 业务处理方法以及装置 |
CN113127616A (zh) * | 2021-03-25 | 2021-07-16 | 白鹭 | 应用于现场对话场景中的智能话术推荐方法及装置 |
CN113656045A (zh) * | 2021-08-20 | 2021-11-16 | 上海淇玥信息技术有限公司 | 智能语音机器人的上线部署***、方法、装置及电子设备 |
CN113705248A (zh) * | 2021-07-21 | 2021-11-26 | 上海原圈网络科技有限公司 | 一种基于结果评价的话术训练数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014112316A (ja) * | 2012-12-05 | 2014-06-19 | Kddi Corp | 大量のコメント文章を用いた質問回答プログラム、サーバ及び方法 |
CN106570708A (zh) * | 2016-10-31 | 2017-04-19 | 厦门快商通科技股份有限公司 | 一种智能客服知识库的管理方法及*** |
CN106777257A (zh) * | 2016-12-28 | 2017-05-31 | 厦门快商通科技股份有限公司 | 基于话术的智能对话模型的构建***及方法 |
CN106802951A (zh) * | 2017-01-17 | 2017-06-06 | 厦门快商通科技股份有限公司 | 一种用于智能对话的话题抽取方法及*** |
CN108776677A (zh) * | 2018-05-28 | 2018-11-09 | 深圳前海微众银行股份有限公司 | 平行语句库的创建方法、设备及计算机可读存储介质 |
-
2019
- 2019-12-20 CN CN201911329798.3A patent/CN111177350A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014112316A (ja) * | 2012-12-05 | 2014-06-19 | Kddi Corp | 大量のコメント文章を用いた質問回答プログラム、サーバ及び方法 |
CN106570708A (zh) * | 2016-10-31 | 2017-04-19 | 厦门快商通科技股份有限公司 | 一种智能客服知识库的管理方法及*** |
CN106777257A (zh) * | 2016-12-28 | 2017-05-31 | 厦门快商通科技股份有限公司 | 基于话术的智能对话模型的构建***及方法 |
CN106802951A (zh) * | 2017-01-17 | 2017-06-06 | 厦门快商通科技股份有限公司 | 一种用于智能对话的话题抽取方法及*** |
CN108776677A (zh) * | 2018-05-28 | 2018-11-09 | 深圳前海微众银行股份有限公司 | 平行语句库的创建方法、设备及计算机可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287078A (zh) * | 2020-10-23 | 2021-01-29 | 上海淇玥信息技术有限公司 | 一种多句话术匹配方法、装置和电子设备 |
CN112562678A (zh) * | 2020-11-26 | 2021-03-26 | 携程计算机技术(上海)有限公司 | 基于客服录音的智能对话方法、***、设备及存储介质 |
CN112541792A (zh) * | 2020-12-22 | 2021-03-23 | 作业帮教育科技(北京)有限公司 | 一种挖掘用户需求的数据处理方法、装置及电子设备 |
CN112992128A (zh) * | 2021-02-04 | 2021-06-18 | 北京淇瑀信息科技有限公司 | 一种智能语音机器人的训练方法、装置和*** |
CN112988948A (zh) * | 2021-02-05 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 业务处理方法以及装置 |
CN112988948B (zh) * | 2021-02-05 | 2023-09-19 | 蚂蚁胜信(上海)信息技术有限公司 | 业务处理方法以及装置 |
CN113127616A (zh) * | 2021-03-25 | 2021-07-16 | 白鹭 | 应用于现场对话场景中的智能话术推荐方法及装置 |
CN113705248A (zh) * | 2021-07-21 | 2021-11-26 | 上海原圈网络科技有限公司 | 一种基于结果评价的话术训练数据处理方法和装置 |
CN113656045A (zh) * | 2021-08-20 | 2021-11-16 | 上海淇玥信息技术有限公司 | 智能语音机器人的上线部署***、方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177350A (zh) | 智能语音机器人的话术形成方法、装置和*** | |
CN111191030B (zh) | 基于分类的单句意图识别方法、装置和*** | |
US10909328B2 (en) | Sentiment adapted communication | |
US8515736B1 (en) | Training call routing applications by reusing semantically-labeled data collected for prior applications | |
CN111177186B (zh) | 基于问题检索的单句意图识别方法、装置和*** | |
EP1647971A2 (en) | Apparatus and method for spoken language understanding by using semantic role labeling | |
CN111930792A (zh) | 数据资源的标注方法、装置、存储介质及电子设备 | |
CN111177351A (zh) | 基于规则的自然语言表达意图获取方法、装置和*** | |
US10643601B2 (en) | Detection mechanism for automated dialog systems | |
US11711469B2 (en) | Contextualized speech to text conversion | |
CN110503956B (zh) | 语音识别方法、装置、介质及电子设备 | |
CN110647613A (zh) | 一种课件构建方法、装置、服务器和存储介质 | |
Dyriv et al. | The user's psychological state identification based on Big Data analysis for person's electronic diary | |
CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和*** | |
WO2024077906A1 (zh) | 语音文本生成方法、语音文本生成模型的训练方法、装置 | |
CN111949777A (zh) | 一种基于人群分类的智能语音对话方法、装置及电子设备 | |
CN117275466A (zh) | 一种业务意图识别方法、装置、设备及其存储介质 | |
US11709989B1 (en) | Method and system for generating conversation summary | |
CN114676699A (zh) | 实体情感分析方法、装置、计算机设备和存储介质 | |
Tran | SentiVoice-a system for querying hotel service reviews via phone | |
CN111104118A (zh) | 一种基于aiml的自然语言指令执行方法及*** | |
CN113744737B (zh) | 语音识别模型的训练、人机交互方法、设备和存储介质 | |
CN112992128B (zh) | 一种智能语音机器人的训练方法、装置和*** | |
CN112634863B (zh) | 一种语音合成模型的训练方法、装置、电子设备及介质 | |
JP6743108B2 (ja) | パターン認識モデル及びパターン学習装置、その生成方法、それを用いたfaqの抽出方法及びパターン認識装置、並びにプログラム |
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 |