CN111414468A - 话术选择方法、装置和电子设备 - Google Patents

话术选择方法、装置和电子设备 Download PDF

Info

Publication number
CN111414468A
CN111414468A CN202010221610.XA CN202010221610A CN111414468A CN 111414468 A CN111414468 A CN 111414468A CN 202010221610 A CN202010221610 A CN 202010221610A CN 111414468 A CN111414468 A CN 111414468A
Authority
CN
China
Prior art keywords
sentence
scoring
strategy
obtaining
dialect
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
Application number
CN202010221610.XA
Other languages
English (en)
Other versions
CN111414468B (zh
Inventor
王子豪
刘佳
崔恒斌
章菲菲
吴文聪
黄晓梅
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010221610.XA priority Critical patent/CN111414468B/zh
Publication of CN111414468A publication Critical patent/CN111414468A/zh
Application granted granted Critical
Publication of CN111414468B publication Critical patent/CN111414468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本说明书提出了一种话术选择方法、装置和电子设备，其中，上述话术选择方法中，获取当前对话中机器人和用户已输出的对话内容之后，根据上述对话内容，获得句子整体特征，然后对上述句子整体特征进行分类，获得上述句子整体特征对应的策略，并获得上述策略中包括的话术，根据上述对话内容，对上述话术进行评分，最后选择评分高于预定的第一阈值的话术进行输出。

Description

话术选择方法、装置和电子设备
【技术领域】
本说明书涉及互联网技术领域，尤其涉及一种话术选择方法、装置和电子设备。
【背景技术】
随着智能客服的日益发展，客服机器人也从被动式问题求助开始拓展到主动式服务，例如：在销售等场景下，就需要客服机器人能够主动发现、理解用户说话的内容，通过相应的话术来激励或者说服用户能够接受客服机器人的需求，从而达到相应的业务目标，助力提升业务价值。
【发明内容】
本说明书实施例提供了一种话术选择方法、装置和电子设备，以实现提高话术推荐的准确率，提升业务效果，降低人工成本。
第一方面，本说明书实施例提供一种话术选择方法，包括：
获取当前对话中机器人和用户已输出的对话内容；
根据所述对话内容，获得句子整体特征；
对所述句子整体特征进行分类，获得所述句子整体特征对应的策略，并获得所述策略中包括的话术；
根据所述对话内容，对所述话术进行评分；
选择评分高于预定的第一阈值的话术进行输出。
上述话术选择方法中，获取当前对话中机器人和用户已输出的对话内容之后，根据上述对话内容，获得句子整体特征，然后对上述句子整体特征进行分类，获得上述句子整体特征对应的策略，并获得上述策略中包括的话术，根据上述对话内容，对上述话术进行评分，最后选择评分高于预定的第一阈值的话术进行输出，从而可以实现根据机器人和用户已输出的对话内容确定相应的策略，并对相应策略中包括的话术进行评分，根据话术评分选取最优话术作为机器人的输出，有效提高了话术推荐的准确率，提升了业务效果，降低了人工成本。
其中一种可能的实现方式中，所述根据所述对话内容，获得句子整体特征包括：
将所述机器人输出的对话内容和所述用户输出的对话内容进行拼接，所述机器人输出的对话内容和所述用户输出的对话内容通过分隔符进行标记；
获得拼接后的对话内容中每个词语的词向量；
通过自注意力机制获得每个词向量的句子序列特征；
对所述句子序列特征进行句子表示，获得所述句子整体特征。
其中一种可能的实现方式中，所述对所述句子整体特征进行分类，获得所述句子整体特征对应的策略包括：
对所述句子整体特征进行分类，获得所述句子整体特征属于每个策略的得分；
选择得分高于预定的第二阈值的策略，作为所述句子整体特征对应的策略。
其中一种可能的实现方式中，所述根据所述对话内容，对所述话术进行评分包括：
根据所述对话内容，通过至少两个评分模型对所述话术进行评分，获得所述话术的评分向量；
对所述话术的评分向量进行融合，获得所述话术的评分。
第二方面，本说明书实施例提供一种话术选择装置，包括：
获取模块，用于获取当前对话中机器人和用户已输出的对话内容；以及根据所述对话内容，获得句子整体特征；
分类模块，用于对所述获取模块获得的句子整体特征进行分类，获得所述句子整体特征对应的策略，并获得所述策略中包括的话术；
评分模块，用于根据所述对话内容，对所述话术进行评分；
选择模块，用于选择评分高于预定的第一阈值的话术进行输出。
其中一种可能的实现方式中，所述获取模块包括：
拼接子模块，用于将所述机器人输出的对话内容和所述用户输出的对话内容进行拼接，所述机器人输出的对话内容和所述用户输出的对话内容通过分隔符进行标记；
词编码子模块，用于获得所述拼接子模块拼接后的对话内容中每个词语的词向量；
交互子模块，用于通过自注意力机制获得每个词向量的句子序列特征；
句子表示子模块，用于对所述句子序列特征进行句子表示，获得所述句子整体特征。
其中一种可能的实现方式中，所述分类模块包括：
策略分类子模块，用于对所述句子整体特征进行分类，获得所述句子整体特征属于每个策略的得分；
策略选择子模块，用于选择得分高于预定的第二阈值的策略，作为所述句子整体特征对应的策略。
其中一种可能的实现方式中，所述评分模块包括：
话术评分子模块，用于根据所述对话内容，通过至少两个评分模型对所述话术进行评分，获得所述话术的评分向量；
融合子模块，用于对所述话术的评分向量进行融合，获得所述话术的评分。
第三方面，本说明书实施例提供一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的方法。
第四方面，本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是，本说明书的第二～第四方面与本说明书的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
【附图说明】
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它的附图。
图1为本说明书话术选择方法一个实施例的流程图；
图2为本说明书话术选择方法另一个实施例的流程图；
图3为本说明书话术选择方法中话术推荐模型一个实施例的示意图；
图4为本说明书话术选择方法再一个实施例的流程图；
图5为本说明书话术选择方法再一个实施例的流程图；
图6为本说明书话术选择装置一个实施例的结构示意图；
图7为本说明书话术选择装置另一个实施例的结构示意图；
图8为本说明书电子设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案，下面结合附图对本说明书实施例进行详细描述。
应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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它实施例，都属于本说明书保护的范围。
在本说明书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。在本说明书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。
随着智能客服的日益发展，客服机器人也从被动式问题求助开始拓展到主动式服务，需要通过相应的话术来激励或者说服用户能够接受客服机器人的需求，从而达到相应的业务目标，助力提升业务价值。
而不同的话术所表示的策略含义是有差异的，并且适用的场景也不一样，基于此，本说明书实施例提供一种话术选择方法，通过对上下文对话的准确建模，识别并选择相应的策略，并对策略中包括的话术进行评分，从而选择出最优的话术，达到对话通顺且说服用户的目的。
图1为本说明书话术选择方法一个实施例的流程图，如图1所示，上述话术选择方法可以包括：
步骤102，获取当前对话中机器人和用户已输出的对话内容。
其中，上述机器人即为当前对话中与用户进行对话的客服机器人。
步骤104，根据上述对话内容，获得句子整体特征。
步骤106，对上述句子整体特征进行分类，获得上述句子整体特征对应的策略，并获得上述策略中包括的话术。
步骤108，根据上述对话内容，对上述话术进行评分。
步骤110，选择评分高于预定的第一阈值的话术进行输出。
其中，上述预定的第一阈值可以在具体实现时，根据***性能和/或实现需求等自行设定，本实施例对上述预定的第一阈值的大小不作限定，举例来说，上述预定的第一阈值可以为80。
上述话术选择方法中，获取当前对话中机器人和用户已输出的对话内容之后，根据上述对话内容，获得句子整体特征，然后对上述句子整体特征进行分类，获得上述句子整体特征对应的策略，并获得上述策略中包括的话术，根据上述对话内容，对上述话术进行评分，最后选择评分高于预定的第一阈值的话术进行输出，从而可以实现根据机器人和用户已输出的对话内容确定相应的策略，并对相应策略中包括的话术进行评分，根据话术评分选取最优话术作为机器人的输出，有效提高了话术推荐的准确率，提升了业务效果，降低了人工成本。
图2为本说明书话术选择方法另一个实施例的流程图，如图2所示，本说明书图1所示实施例中，步骤104可以包括：
步骤202，将上述机器人输出的对话内容和上述用户输出的对话内容进行拼接，上述机器人输出的对话内容和上述用户输出的对话内容通过分隔符进行标记。
步骤204，获得拼接后的对话内容中每个词语的词向量。
步骤206，通过自注意力机制获得每个词向量的句子序列特征。
步骤208，对上述句子序列特征进行句子表示，获得上述句子整体特征。
下面结合图3对获得句子整体特征的方式进行介绍，图3为本说明书话术选择方法中话术推荐模型一个实施例的示意图，如图3所示，话术推荐模型包括策略分类、话术评分和融合模型三部分。
首先，将上述机器人输出的对话内容和上述用户输出的对话内容进行拼接，上述机器人输出的对话内容和上述用户输出的对话内容通过分隔符(Separator；以下简称：SEP)进行标记；图3中，SEP左侧的文本“能、还、进来、吗”为机器人输出的对话内容，SEP右侧的文本“没钱、啊”为用户输出的对话内容。
其次，通过底层的词嵌入层得到拼接后的对话内容中每个词语的词向量；这个步骤是对每个词语进行词编码，获得每个词语的词向量，其中，词编码可以通过不同的编码方式实现，例如：可以通过词向量理解(Global Vectors for Word Representation；以下简称：Glove)、word2vec或fasttext等算法对每个词语进行词编码；
再次，所有的词向量会进入到交互层，通过自注意力(self-attention)的方式得到每个词向量的句子序列特征。这里通过self-attention的方式是为了更好地解决长距离依赖以及更好地交互得到上下文对话中用户说话和机器人说话的关系，从而更好地建模上下文对话内容；上述self-attention的方式可以通过长短期记忆网络(Long Short-TermMemory；以下简称：LSTM)、门控循环单元(Gated Recurrent Unit；以下简称：GRU)或卷积神经网络(Convolutional Neural Network；以下简称：CNN)等算法实现；
另外，在具体实现时，上述3个步骤可以直接通过基于变形的双向编码器表示(Bidirectional Encoder Representations from Transformers；以下简称：BERT)实现；
最后，经过交互得到的句子序列特征经过句子表示层，获得句子整体特征。
图4为本说明书话术选择方法再一个实施例的流程图，如图4所示，本说明书图1所示实施例中，步骤106可以包括：
步骤402，对上述句子整体特征进行分类，获得上述句子整体特征属于每个策略的得分。
步骤404，选择得分高于预定的第二阈值的策略，作为上述句子整体特征对应的策略。
其中，上述预定的第二阈值可以在具体实现时，根据***性能和/或实现需求等自行设定，本实施例对上述预定的第二阈值的大小不作限定，举例来说，上述预定的第二阈值可以为85。
步骤406，获得上述策略中包括的话术。
具体地，参见图3，在对句子进行句子表示，获得句子整体特征之后，可以将上述句子整体特征输入到策略识别层来对上述句子整体特征进行分类，获得上述句子整体特征属于每个策略的得分，然后将得分高于预定的第二阈值的策略选取出来，进而可以获得所选取的策略中包括的话术。
本实施例中，每个策略下面都会挂载相应类目的话术，通过上一步根据得分选取策略，可以实现对得分较低的策略进行召回，相应地，被召回的策略下挂载的话术也被召回，召回话术的数量可以通过参数来控制。从图3中可以看出，在对句子整体特征进行分类之后，选取了策略1、策略2和策略3，对策略4和策略5进行了召回，然后策略4和策略5下挂载的话术也被召回。
图5为本说明书话术选择方法再一个实施例的流程图，如图5所示，本说明书图1所示实施例中，步骤108可以包括：
步骤502，根据上述对话内容，通过至少两个评分模型对上述话术进行评分，获得上述话术的评分向量。
步骤504，对上述话术的评分向量进行融合，获得上述话术的评分。
参见图3，上述至少两个评分模型用于对当前对话上文场景下，候选话术的合理性进行评分，分数范围可以在0到1之间。在具体实现时，可以训练至少两个这样的评分模型，然后将步骤406中获得的话术连同前面的对话内容一并输入到各个评分模型中，从而得到不同话术在不同评分模型下的得分，这样每条话术都有多个维度的评分，多个维度的评分可以组成每条话术的评分向量。最后，将每条话术的评分向量输入到融合模型中，对每条话术的评分向量进行融合，从而得到每条话术的最终评分，选取评分高于预定的第一阈值的话术进行输出，作为最合适的话术推荐内容。
其中，上述融合模型可以通过规则或极端梯度提升(eXtreme GradientBoosting；以下简称：xgboost)等方法实现。
本说明书实施例提供的话术选择方法可以表示为策略识别-话术召回-话术评分-融合模型-话术输出的方案，基于策略识别的好处是，不同策略中包括的话术可以随时修改，例如：施压策略下的话术可以随时修改，并且不需要重新训练模型，即可使新增或者修改的话术及时生效，进而可以通过后续的话术评分以及融合模型来选取最优的话术。
本说明书实施例提供的话术选择方法，在话术选择上面，不是通过关键词匹配的方式，而是预先定义不同对话内容下相应的回复策略，并将话术挂载到不同的策略下面；在获取到用户和机器人的对话内容的场景下，上述话术选择方法能够自动地选择出回复的策略，并通过策略获得候选的话术集合，然后通过多模型评分并经过模型融合的方式选出最优的话术，从而可以准确理解用户的说话内容并回复合适的话术；
另外，在话术准备方面，本说明书实施例提供的话术选择方法不是通过生成而是预先定义的方式，通过两层结构定义相应的话术集合，即通过策略-话术的层级结构定义相应的话术集合，在获取到机器人和用户已输出的对话内容之后，先识别对应的策略，然后选择话术来回复，具有可控且回复流畅准确的优点。
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。
图6为本说明书话术选择装置一个实施例的结构示意图，如图6所示，上述话术选择装置可以包括：获取模块61、分类模块62、评分模块63和选择模块64；
其中，获取模块61，用于获取当前对话中机器人和用户已输出的对话内容；以及根据上述对话内容，获得句子整体特征；
分类模块62，用于对获取模块61获得的句子整体特征进行分类，获得上述句子整体特征对应的策略，并获得上述策略中包括的话术；
评分模块63，用于根据上述对话内容，对上述话术进行评分；
选择模块64，用于选择评分高于预定的第一阈值的话术进行输出。
图6所示实施例提供的话术选择装置可用于执行本说明书图1所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图7为本说明书话术选择装置另一个实施例的结构示意图，与图6所示的话术选择装置相比，图7所示的话术选择装置中，获取模块61可以包括：拼接子模块611、词编码子模块612、交互子模块613和句子表示子模块614；
拼接子模块611，用于将上述机器人输出的对话内容和上述用户输出的对话内容进行拼接，上述机器人输出的对话内容和上述用户输出的对话内容通过分隔符进行标记；
词编码子模块612，用于获得拼接子模块611拼接后的对话内容中每个词语的词向量；
交互子模块613，用于通过自注意力机制获得每个词向量的句子序列特征；
句子表示子模块614，用于对上述句子序列特征进行句子表示，获得上述句子整体特征。
本实施例中，分类模块62可以包括：策略分类子模块621和策略选择子模块622；
策略分类子模块621，用于对上述句子整体特征进行分类，获得上述句子整体特征属于每个策略的得分；
策略选择子模块622，用于选择得分高于预定的第二阈值的策略，作为上述句子整体特征对应的策略。
本实施例中，评分模块63可以包括：话术评分子模块631和融合子模块632；
话术评分子模块631，用于根据上述对话内容，通过至少两个评分模型对上述话术进行评分，获得上述话术的评分向量；
融合子模块632，用于对上述话术的评分向量进行融合，获得上述话术的评分。
图7所示实施例提供的话术选择装置可用于执行本申请图2～图5所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图8为本说明书电子设备一个实施例的结构示意图，如图8所示，上述电子设备可以包括至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，上述处理器调用上述程序指令能够执行本说明书图1～图5所示实施例提供的话术选择方法。
其中，上述电子设备可以为能够与用户进行智能对话的设备，例如：云服务器，本说明书实施例对上述电子设备的具体形式不作限定。可以理解的是，这里的电子设备即为方法实施例中设置有机器人的设备。
图8示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图8显示的电子设备仅仅是一个示例，不应对本说明书实施例的功能和使用范围带来任何限制。
如图8所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410，通信接口420，存储器430，连接不同***组件(包括存储器430、通信接口420和处理单元410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，或者使用多种总线结构中的任意总线结构的局域总线。举例来说，通信总线440包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)和/或高速缓存存储器。存储器430可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本说明书各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括——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。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本说明书图1～图5所示实施例提供的话术选择方法。
本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1～图5所示实施例提供的话术选择方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本说明书操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：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)。
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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。
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”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是，本说明书实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer；以下简称：PC)、个人数字助理(Personal Digital Assistant；以下简称：PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以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，机械或其它的形式。
另外，在本说明书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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (10)

1.一种话术选择方法，其特征在于，包括：
获取当前对话中机器人和用户已输出的对话内容；
根据所述对话内容，获得句子整体特征；
对所述句子整体特征进行分类，获得所述句子整体特征对应的策略，并获得所述策略中包括的话术；
根据所述对话内容，对所述话术进行评分；
选择评分高于预定的第一阈值的话术进行输出。
2.根据权利要求1所述的方法，其特征在于，所述根据所述对话内容，获得句子整体特征包括：
将所述机器人输出的对话内容和所述用户输出的对话内容进行拼接，所述机器人输出的对话内容和所述用户输出的对话内容通过分隔符进行标记；
获得拼接后的对话内容中每个词语的词向量；
通过自注意力机制获得每个词向量的句子序列特征；
对所述句子序列特征进行句子表示，获得所述句子整体特征。
3.根据权利要求1所述的方法，其特征在于，所述对所述句子整体特征进行分类，获得所述句子整体特征对应的策略包括：
对所述句子整体特征进行分类，获得所述句子整体特征属于每个策略的得分；
选择得分高于预定的第二阈值的策略，作为所述句子整体特征对应的策略。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述对话内容，对所述话术进行评分包括：
根据所述对话内容，通过至少两个评分模型对所述话术进行评分，获得所述话术的评分向量；
对所述话术的评分向量进行融合，获得所述话术的评分。
5.一种话术选择装置，其特征在于，包括：
获取模块，用于获取当前对话中机器人和用户已输出的对话内容；以及根据所述对话内容，获得句子整体特征；
分类模块，用于对所述获取模块获得的句子整体特征进行分类，获得所述句子整体特征对应的策略，并获得所述策略中包括的话术；
评分模块，用于根据所述对话内容，对所述话术进行评分；
选择模块，用于选择评分高于预定的第一阈值的话术进行输出。
6.根据权利要求5所述的装置，其特征在于，所述获取模块包括：
拼接子模块，用于将所述机器人输出的对话内容和所述用户输出的对话内容进行拼接，所述机器人输出的对话内容和所述用户输出的对话内容通过分隔符进行标记；
词编码子模块，用于获得所述拼接子模块拼接后的对话内容中每个词语的词向量；
交互子模块，用于通过自注意力机制获得每个词向量的句子序列特征；
句子表示子模块，用于对所述句子序列特征进行句子表示，获得所述句子整体特征。
7.根据权利要求5所述的装置，其特征在于，所述分类模块包括：
策略分类子模块，用于对所述句子整体特征进行分类，获得所述句子整体特征属于每个策略的得分；
策略选择子模块，用于选择得分高于预定的第二阈值的策略，作为所述句子整体特征对应的策略。
8.根据权利要求5-7任意一项所述的装置，其特征在于，所述评分模块包括：
话术评分子模块，用于根据所述对话内容，通过至少两个评分模型对所述话术进行评分，获得所述话术的评分向量；
融合子模块，用于对所述话术的评分向量进行融合，获得所述话术的评分。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
CN202010221610.XA 2020-03-26 2020-03-26 话术选择方法、装置和电子设备 Active CN111414468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010221610.XA CN111414468B (zh) 2020-03-26 2020-03-26 话术选择方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010221610.XA CN111414468B (zh) 2020-03-26 2020-03-26 话术选择方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111414468A true CN111414468A (zh) 2020-07-14
CN111414468B CN111414468B (zh) 2023-07-14

Family

ID=71494424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010221610.XA Active CN111414468B (zh) 2020-03-26 2020-03-26 话术选择方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111414468B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256856A (zh) * 2020-11-16 2021-01-22 北京京东尚科信息技术有限公司 机器人对话方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959482A (zh) * 2018-06-21 2018-12-07 北京慧闻科技发展有限公司 基于深度学习的单轮对话数据分类方法、装置和电子设备
CN109491915A (zh) * 2018-11-09 2019-03-19 网易（杭州）网络有限公司 数据处理方法及装置、介质和计算设备
CN110059182A (zh) * 2019-03-21 2019-07-26 阿里巴巴集团控股有限公司 面向客服的话术推荐方法和装置
CN110765253A (zh) * 2019-10-22 2020-02-07 支付宝(杭州)信息技术有限公司 客服场景下用户问句的回复方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959482A (zh) * 2018-06-21 2018-12-07 北京慧闻科技发展有限公司 基于深度学习的单轮对话数据分类方法、装置和电子设备
CN109491915A (zh) * 2018-11-09 2019-03-19 网易（杭州）网络有限公司 数据处理方法及装置、介质和计算设备
CN110059182A (zh) * 2019-03-21 2019-07-26 阿里巴巴集团控股有限公司 面向客服的话术推荐方法和装置
CN110765253A (zh) * 2019-10-22 2020-02-07 支付宝(杭州)信息技术有限公司 客服场景下用户问句的回复方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
文莎: "基于神经网络的文本分类", 《信息通信》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112256856A (zh) * 2020-11-16 2021-01-22 北京京东尚科信息技术有限公司 机器人对话方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111414468B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN111028827B (zh) 基于情绪识别的交互处理方法、装置、设备和存储介质
US10991366B2 (en) Method of processing dialogue query priority based on dialog act information dependent on number of empty slots of the query
CN110704641B (zh) 一种万级意图分类方法、装置、存储介质及电子设备
CN108985358B (zh) 情绪识别方法、装置、设备及存储介质
CN111862977B (zh) 一种语音对话处理方法和***
CN108922564B (zh) 情绪识别方法、装置、计算机设备及存储介质
CN111312231B (zh) 音频检测方法、装置、电子设备及可读存储介质
CN110910903B (zh) 语音情绪识别方法、装置、设备及计算机可读存储介质
CN109754809A (zh) 语音识别方法、装置、电子设备及存储介质
CN111428010A (zh) 人机智能问答的方法和装置
CN112860871B (zh) 自然语言理解模型训练方法、自然语言理解方法及装置
CN114239547A (zh) 一种语句生成方法及电子设备、存储介质
CN112668333A (zh) 命名实体的识别方法和设备、以及计算机可读存储介质
CN111428023A (zh) 话术推荐方法、装置和电子设备
CN115935182A (zh) 模型训练方法、多轮对话中的话题分割方法、介质及装置
CN115687565A (zh) 文本生成方法及装置
CN113782030B (zh) 基于多模态语音识别结果纠错方法及相关设备
CN112910761B (zh) 即时通讯方法、装置、设备、存储介质以及程序产品
US11615787B2 (en) Dialogue system and method of controlling the same
CN112908315A (zh) 一种基于声音特征和语音识别的问答意图判断方法
CN110931002B (zh) 人机交互方法、装置、计算机设备和存储介质
CN111414468A (zh) 话术选择方法、装置和电子设备
CN111522937A (zh) 话术推荐方法、装置和电子设备
CN114528851A (zh) 回复语句确定方法、装置、电子设备和存储介质
CN114898734A (zh) 基于语音合成模型的预训练方法、装置和电子设备

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