CN111506711A

CN111506711A - 一种智能客服应答方法和装置

Info

Publication number: CN111506711A
Application number: CN201910030301.1A
Authority: CN
Inventors: 刘超
Original assignee: Beijing Jingdong Century Trading Co Ltd; Beijing Jingdong Shangke Information Technology Co Ltd
Current assignee: Beijing Huijun Technology Co.,Ltd.
Priority date: 2019-01-14
Filing date: 2019-01-14
Publication date: 2020-08-07

Abstract

本申请公开了一种智能客服应答方法和装置，具体包括：获取事先在大数据平台上采集到用户信息；根据所述用户信息进行机器学习以建立表示用户个性特征的模型，并根据建立的模型为已有的用户确定个性特征，保存在用户数据库中；在智能客服交流应答用户时，将获取到的用户个性特征和事先建立的应答内容进行合成，得到个性化应答内容并推送给用户。应用本申请方案，由于利用了用户信息训练建立了用户个性特征的模型，以此区分不同用户的个性特征，因此在智能客服与用户交流时，可以将个性特征和应答内容，甚至情绪识别结果进行合成，向用户推送个性化的应答内容，从而提高用户的体验效果。

Description

一种智能客服应答方法和装置

技术领域

本申请涉及电子商务技术领域，特别涉及一种智能客服应答方法和装置。

背景技术

近年来，随着电子商务的发展，越来越多的用户通过网络平台购买商品。在网购的过程中，用户有与商家的客服沟通的需求。由于沟通需求量日益增加，人工客服已经无法应对，于是出现了智能客服。

智能客服也称为机器人客服，可以针对用户问题自动进行回复，大大缓解了人工客服的压力。目前的智能客服主要是根据用户问题回复事先设置的业务答案，但无法针对不同个性的用户回答，回答的业务答案很生硬，用户体验不佳。

发明内容

本申请实施例提供了一种智能客服应答方法，可以避免现有智能客服对待用户生硬应答的缺陷，达到提高用户体验的目的。

本申请实施例提供的一种智能客服应答方法具体包括：

获取事先在大数据平台上采集到用户信息，所述用户信息包括用户表达个性特征的信息；

根据所述用户信息进行机器学习以建立表示用户个性特征的模型，并根据建立的模型为已有的用户确定个性特征，保存在用户数据库中；

在所述智能客服对用户进行应答时，从所述用户数据库中获取所述用户个性特征；

将获取到的用户个性特征和事先建立的应答内容进行合成，得到个性化应答内容；

将所述个性化应答内容推送给用户。

进一步地，所述将获取到的用户个性特征和事先建立的应答内容进行合成时，该方法进一步包括：

将获取的用户情绪识别结果也与所述应答内容进行合成，所述用户情绪识别结果是根据与用户交流时所获得的用户用于表达情绪的信息中确定的。

进一步地，在所述智能客服对用户进行应答时，该方法进一步包括：

判断所述用户数据库中是否已经保存有该用户个性特征，如果有，则执行从所述用户数据库中获取所述用户个性特征的步骤；否则，直接获取所述应答内容和情绪识别结果，将所述应答内容和情绪识别结果进行合成并推送给用户。

进一步地，所述根据用户信息进行机器学习以建立表示用户个性特征的模型的方法包括：

为获取的用户信息设置因子权重；

根据设置的因子权重，采用机器学习方法对所述用户信息进行训练；

根据训练结果获得用户个性特征的模型。

进一步地，所述用户个性特征由4类性格标签组合而得，所述4类性格标签分别对应：外倾或内倾型、感觉或直接型、思维或情感型、判断或知觉型。

本申请实施例还提供了一种智能客服应答装置，可以避免现有智能客服对待用户生硬应答的缺陷，达到提高用户体验的目的。

本申请实施例提供的一种智能客服应答装置，具体包括：

信息获取单元，用于获取事先在大数据平台上采集到用户信息，所述用户信息包括用户表达个性特征的信息；

建模单元，用于根据所述用户信息进行机器学习以建立表示用户个性特征的模型，并根据建立的模型为已有的用户确定个性特征，保存在用户数据库中；

用户数据库，用于保存所述用户个性特征；

应答单元，用于智能客服对用户进行应答时，将应答内容推送给客户；

应答数据库，用于保存事先设置的应答内容；

合成单元，用于从所述用户数据库中获取所述用户个性特征，从应答数据库获取事先设置的应答内容，将获取到的用户个性特征和所述应答内容进行合成，得到个性化应答内容，反馈给应答单元。

该装置进一步包括：

情绪识别单元，用于在与用户交流时获得的用户用于表达情绪的信息确定用户情绪识别结果，并发送给所述合成单元；

所述合成单元进一步用于将获取的用户情绪识别结果与所述应答内容进行合成。

该装置进一步包括：

判别单元，用于判断所述用户数据库中是否已经保存有该用户个性特征，将判断结果返回给合成单元；

所述合成单元进一步用于，当所述判断结果为没有保存时，直接获取所述应答内容和情绪识别结果，将所述应答内容和情绪识别结果进行合成并通过应答单元推送给用户。

本申请实施例还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指令，所述指令在由处理器执行时使得所述处理器执行如上所述的智能客服应答方法中的步骤。

本申请实施例还提供一种电子设备，可以避免现有智能客服对待用户生硬应答的缺陷，达到提高用户体验的目的。具体为：

一种电子设备，包括上述计算机可读存储介质，还包括可执行所述计算机可读存储介质的处理器。

由上述技术方案可见，应用本申请方案，由于利用了用户信息训练建立了用户个性特征的模型，以此区分不同用户的个性特征，因此在智能客服与用户交流时，可以将个性特征和应答内容，甚至情绪识别结果进行合成，向用户推送个性化的应答内容，从而提高用户的体验效果。

附图说明

图1是本申请方法实施例一的流程图。

图2是本申请方法实施例二的流程图。

图3是本申请装置实施例一的结构示意图。

图4是本申请装置实施例二的结构示意图。

图5是本申请实施例中电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本申请作进一步详细说明。

本申请实施例利用大数据平台上采集的用户信息进行建模，为用户确定个性特征。当针对不同个性的用户进行应答时，可以使用具有个性化的应答内容，更佳符合当前用户的个性特点，提高用户体验。

图1是本申请实施例一的方法流程图。如图1所示，该方法包括：

步骤101：获取事先在大数据平台上采集到用户信息，所述用户信息包括用户表达个性特征的信息。

实际应用中，由于购物网络都是基于大数据平台，可以采集到庞大用户群的大量信息。由于本申请实施例针对的是用户个人特征，因此这里的用户信息指的是用户表达个性特征的信息，比如：聊天文本、表情、头像等等。

步骤102：根据所述用户信息进行机器学习以建立表示用户个性特征的模型，并根据建立的模型为已有的用户确定个性特征，保存在用户数据库中。

在获取大量的用户信息后，可以利用这些用户信息在离线状态下针对用户个性特征建立模型，并利用这个模型事先为用户确定个性特征。实际应用中，根据迈尔斯布里格斯类型指标，可以将用户个性分类，并分别建立性格标签，对应：1)外倾或内倾型、2)感觉或直接型、3)思维或情感型、4)判断或知觉型共4类个性特征。也就是说，本步骤可以利用建立的模型将用户分为上述4类，并保存在用户数据库中。

步骤103：在所述智能客服对用户进行应答时，从所述用户数据库中获取所述用户个性特征。

在上述离线状态下建立好模型后，本步骤103～步骤105可以在在线状态下让智能客服与用户交流时执行。

步骤104：将获取到的用户个性特征和事先建立的应答内容进行合成，得到个性化应答内容。

实际应用中，由于购物网络自身的特点，客服与用户之间交流内容是可以预测的，比如针对物品质量、物流情况、价格情况等等，因此可以事先为预测问题准备好相应的应答，即本步骤所述的应答内容。但本步骤所述的应答内容仅仅针对用户问题进行应答，只有结合用户个性特征才能获取个性化的应答内容。

步骤105：将所述个性化应答内容推送给用户。

也就是说，本申请实施例一利用大量的用户信息建立的模型，用于区分用户不同的个性特征。后续智能客服就可以利用用户个性特征向用户推送个性化应答内容，从而符合用户个性特征，使用户的体验更佳。

为了更好地理解本申请方案，下面用方法实施例二进行详细描述。图2是方法实施例二的流程图，如图2所示，该方法包括：

步骤201：基于大数据平台采用用户信息，所述用户信息包括用于表达个性特征信息的聊天文本、表情和头像。

实际应用中，人们在用词造句，或者在与人交流时喜欢呈现出来的头像以及表情等信息，通常会表现一个人的个性特征。比方一个性格内向腼腆的人，在交流时话不多，不太喜欢使用自己照片作为头像。而一个性格外向好爽的人，在交流过程中可能是话痨，而且喜欢将自己展现出来。因此，发明人发现上述的用户信息与用户个性特征存在某种关联关系，首先通过大数据平台获取用户信息，对其加以利用。

这里所述的大数据平台可以是任何平台，比如京东自营的大数据平台或者淘宝、亚马逊等网络购物平台，只要可以获取上述用户信息即可。

步骤202：获取所述用户信息，根据机器学习方法来建立表示用户个性特征的模型。

实际应用中，可以采用fasttext、CNN等分类算法进行机器学习，还可以采用OCR技术以及NLU技术手段，对所述用户信息进行综合分析，训练用户个性特征的模型。在模型训练时，比如可以采用以下方法：

步骤a：为获取的用户信息设置标签权重。也就是说，假设用户信息包括聊天文本、表情和头像，可以作为不同的训练因子，并为每一个因子设置不同的权重。

步骤b：根据设置的因子权重，采用机器学习方法对所述用户信息进行训练。

如上所述，这里可以采用fasttext、CNN等分类算法进行机器学习。

步骤c：根据训练结果获得用户个性特征的模型。

上述步骤是基本的建模方式，实际应用中，还可以设置规则强制性指定某种用户具备某种个性，比如超级会员用户可以认为是个性独立、有主见、对价格不敏感的人群。也可以在训练过程中不断调整预先设置的权重，使得模型趋于稳定，权重最优。总之，经过步骤202可以得到一个表示用户个性特征的模型。

步骤203：根据建立的模型为已有的用户确定个性特征，并保存在用户数据库中。

从大数据平台采集到大量的用户信息后，可以保存在用户数据库中。当训练好模型后，可以利用该模型为所有的用户确定个性特征，这个过程也可以形象地称为“用户个性画像”。

假设用户个性分类有4种性格标签，分别对应：1)外倾或内倾型、2)感觉或直觉型、3)思维或情感型、4)判断或知觉型共4类个性特征。假设用标签A1表示外倾，A2表示内倾；B1表示感觉，B2表示直觉；C1表示思维，C2表示情感；D1表示判断，D2表示知觉。本步骤还可以将这4类性格标签组合得到16种性格特征标签，如表一所示：

表一

当然，实际应用中也可以不按照表一方式进行分类，只要能体现不同的个性特征即可。模型建立以后，可以为模型设置输入参数和输出参数。比如：输入参数可以为用户的账号，输出参数则为体现该用户个性特征的列表，列表中每一项均为用户可能的一种个性特征，并利用分值体现其个性的倾向性。实际中可以获取分值最高的作为该用户的个性特征。

另外，步骤201～203可以在离线状态下完成建模和确定用户个性特征。完成以后可以将生成的用户数据库运行于线上。

步骤204：在所述智能客服交流应答用户时，判断用户数据库中是否已经保存有该用户个性特征，如果有，则执行步骤205；否则，执行步骤206。

步骤205：获取用户个性特征、用户情绪识别结果以及事先建立的应答内容，并进行合成，得到个性化应答内容，再执行步骤207。

这里所述的用户个性特征从所述用户数据库中获取，所述用户情绪识别结果根据与用户交流时所获得的用户用于表达情绪的信息中确定的，所述应答内容是是根据预测用户问题事先设置的。

其中，用户情绪识别结果可以从用户用于表达情绪的信息，比如，在用户与智能客服交流时，在聊天文本中出现“这款手机真是太漂亮了”、“我太喜欢了”等等句子，可以识别出用户当前情绪处于比较喜悦的状态。或者聊天文本中出现“这个手机质量怎么这么差”、“太难看了”等等句子，可以识别出用户当前情绪处于比较生气的状态。又或者用户直接给出“笑脸”或“愤怒”等表达情绪的表情符号，更加容易识别出用户当前的情绪。总之，在智能客服与用户交流的过程中，可以通过以上方式对用户情绪进行识别。

应答内容是在事先设置的，其实现的方式有很多种，比如，可以通过构造分类规则树来进行设置。举例说明，假设用户问题是“请问我订的货物什么时候到？”，那么根据实际情况事先设置的应答内容可以为“三～五天”。应答内容仅仅是根据用户问题正常的回答结果，并不考虑用户的个性或情绪。

假设需要同时考虑用户个性特征和情绪识别结果，则需要将应答内容与其合成。这里所述的合成是指将个性特征对应的应答方式、不同情绪对应的应答方式和真实的针对问题的应答内容结合。实际应用中，个性特征对应的应答方式和不同情绪对应的应答方式可以事先设置。比如：某个用户的个性特征为“外倾/感觉/情感/知觉”类型，这类人比较注重情感表达，其对应的个性化应答内容可能是“亲亲，您的包裹正穿越千山万水向您飞奔而来，么么哒”，用户比较乐意接受这样亲近的语言。而另一个个性特征为“内倾/直觉/思维/判断”类型的用户，可能是严肃理性的人，用同样的语言可能会产生被冒犯的感觉，那么其对应的个性化应答内容可能是“尊敬的**女士/先生，您的包裹已在路上，请稍后，我们一定按时向您送达”。

步骤206：直接获取所述应答内容和情绪识别结果，将所述应答内容和情绪识别结果进行合成并推送给用户。

本步骤是指用户是一个新用户，其个性特征还未保存在用户数据库中的情况。此时，可以无需合成个性特征。但实际应用中，可以从交流过程提取有效的聊天文本、表情和头像等，反馈给后台保存，以供后续对其个性识别后添加到用户数据库中。

步骤207：将得到的个性化应答内容推送给用户。

本实施例上述步骤204～206是线上智能客服和用户交流时执行的步骤。实际应用中，不管是否保存有用户个性特征，都可以将本次交流的情况反馈给后台，后续对模型以及用户个性特征进行评估和优化，尽量提高个性识别的准确率。

比方，实际应用中，后台接收到消息服务器推送来的智能客服与用户交流情况，如会话内容、订单、服务单、售后单等等，进行数据加工处理，保存在某个数据库中。后续再定期利用该数据库内容训练新的模型，如果新模型准确率高于原有模型，就可以进行更新，达到模型持续优化的目的。

本申请还提出一种智能客服应答装置。图3是该装置的结构图，如图3所示，该装置包括：信息获取单元301、建模单元302、用户数据库303、应答单元304、应答数据库305、合成单元306。其中，

信息获取单元301，用于获取事先在大数据平台上采集到用户信息，所述用户信息包括用户表达个性特征的信息。

建模单元302，用于根据所述用户信息进行机器学习以建立表示用户个性特征的模型，并根据建立的模型为已有的用户确定个性特征，保存在用户数据库303中。

用户数据库303，用于保存所述用户个性特征。

应答单元304，用于智能客服交流应答用户，将应答内容推送给客户。

应答数据库305，用于保存事先设置的应答内容；

合成单元306，用于从所述用户数据库303中获取所述用户个性特征，从应答数据库305获取事先设置的应答内容，将获取到的用户个性特征和应答内容进行合成，得到个性化应答内容，反馈给应答单元304。

也就是说，本装置实施例在离线情况下由信息获取单元301获取事先在大数据平台上采集到用户信息；建模单元302根据获取单元301获取的用户信息进行机器学习以建立表示用户个性特征的模型，为已有的用户确定个性特征，将其保存在用户数据库303中。上线后，应答单元304负责与用户交流应答；合成单元305从用户数据库303中获取用户个性特征，从应答数据库305获取事先设置的应答内容，将获取到的用户个性特征和应答内容进行合成，得到个性化应答内容，反馈给应答单元304。应答单元304将得到的个性化应答内容推送给用户。

图4是本申请装置实施例二的结构示意图。如图4所示，该装置不但包括信息获取单元301、建模单元302、用户数据库303、应答单元304、应答数据库305、合成单元306，还进一步包括情绪识别单元307和判别单元308。其中，

情绪识别单元307，用于在与用户交流时获得的用户用于表达情绪的信息确定用户情绪识别结果，并发送给所述合成单元306。此时，合成单元306进一步用于将获取的用户情绪识别结果与所述应答内容进行合成。

判别单元308，用于判断所述用户数据库303中是否已经保存有该用户个性特征，将判断结果返回给合成单元306。合成单元306进一步用于，当判断结果为没有保存时，直接获取所述应答内容和情绪识别结果，将所述应答内容和情绪识别结果进行合成并通过应答单元304推送给用户。

在本实施例中，当智能客服与用户交流时，如果用户数据库303已经保存了该用户的个性特征，那么合成单元306可以将个性特征、情绪识别结果和应答内容进行合成生成个性化的应该内容推送给用户。如果用户数据库303没有保存该用户的个性特征，则直接将情绪识别结果和应答内容进行合成即可。

与上述方法实施例相同，不管是否保存有用户个性特征，都可以将本次交流的情况反馈给后台，后续对模型以及用户个性特征进行评估和优化，尽量提高个性识别的准确率。比方，实际应用中，后台接收到消息服务器推送来的智能客服与用户交流情况，如会话内容、订单、服务单、售后单等等，进行数据加工处理，保存在某个数据库中。后续再定期利用该数据库内容训练新的模型，如果新模型准确率高于原有模型，就可以进行更新，达到模型持续优化的目的。

本申请实施例还提供一种计算机可读介质，所述计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如上所述的智能客服应答方法中的步骤。实际应用中，所述的计算机可读介质可以为RAM、ROM、EPROM、磁盘、光盘等等，并不用于限制本申请保护的范围。

如图5所示，本申请实施例还提供一种电子设备，该电子设备包括上述计算机可读介质501，还包括可执行所述计算机可读存储介质的处理器502。实际应用中，该电子设备可以是一台或多台计算机，只要包括上述计算机可读介质和处理器即可。

应用本申请上述各实施例方案，由于利用了用户信息训练建立了用户个性特征的模型，以此区分不同用户的个性特征，因此在智能客服与用户交流时，可以将个性特征和应答内容，甚至情绪识别结果进行合成，向用户推送个性化的应答内容，从而提高用户的体验效果。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims

1.一种智能客服应答方法，其特征在于，该方法包括：

获取事先在大数据平台上采集到的用户信息，所述用户信息包括用户表达个性特征的信息；

将所述个性化应答内容推送给用户。

2.根据权利要求1所述的方法，其特征在于，所述将获取到的用户个性特征和事先建立的应答内容进行合成时，该方法进一步包括：

3.根据权利要求1所述的方法，其特征在于，在所述智能客服对用户进行应答时，该方法进一步包括：

4.根据权利要求1所述的方法，其特征在于，所述根据用户信息进行机器学习以建立表示用户个性特征的模型的方法包括：

为获取的用户信息设置因子权重；

根据训练结果获得用户个性特征的模型。

5.根据权利要求1所述的方法，其特征在于，所述用户个性特征由4类性格标签组合而得，所述4类性格标签分别对应：外倾或内倾型、感觉或直接型、思维或情感型、判断或知觉型。

6.一种智能客服应答装置，其特征在于，该装置包括：

信息获取单元，用于获取事先在大数据平台上采集到的用户信息，所述用户信息包括用户表达个性特征的信息；

用户数据库，用于保存所述用户个性特征；

应答数据库，用于保存事先设置的应答内容；

7.根据权利要求6所述的装置，其特征在于，该装置进一步包括：

8.根据权利要求6所述的装置，其特征在于，该装置进一步包括：

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指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1～5任一项所述的智能客服应答方法中的步骤。

10.一种电子设备，其特征在于，该电子设备包括如权利要求9所述的计算机可读存储介质，还包括可执行所述计算机可读存储介质的处理器。