CN111881270B - 一种智能对话方法和*** - Google Patents
一种智能对话方法和*** Download PDFInfo
- Publication number
- CN111881270B CN111881270B CN202010618702.1A CN202010618702A CN111881270B CN 111881270 B CN111881270 B CN 111881270B CN 202010618702 A CN202010618702 A CN 202010618702A CN 111881270 B CN111881270 B CN 111881270B
- Authority
- CN
- China
- Prior art keywords
- information
- feedback information
- user
- input
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 230000003993 interaction Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 241001122315 Polites Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F16/338—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种智能对话方法和***。所述方法包括:获取输入信息;至少根据所述输入信息确定预设反馈信息;至少基于所述预设反馈信息,利用预设算法确定所述预设反馈信息的关键信息,所述关键信息的数据量小于所述预设反馈信息的数据量;基于所述关键信息确定所述输入信息的目标反馈信息;以及输出所述目标反馈信息。
Description
技术领域
本申请涉及智能交互领域,特别涉及一种智能对话方法和***。
背景技术
随着人工智能和大数据的发展,智能对话***已经广泛用于各种场景,尤其是客服领域。智能客服的普及,有效提升了各种运营商、网络平台、手机APP等对用户反馈以及咨询的处理效率,减少了用户等待时间。因此,有必要提供一种可以更加高效的智能交互方法。
发明内容
本说明书实施例之一提供一种智能对话方法,所述方法包括:获取输入信息;至少根据所述输入信息确定预设反馈信息;至少基于所述预设反馈信息,利用预设算法确定所述预设反馈信息的关键信息,所述关键信息的数据量小于所述预设反馈信息的数据量;基于所述关键信息确定所述输入信息的目标反馈信息;以及输出所述目标反馈信息。
本说明书实施例之一提供一种智能对话***,所述***包括:输入信息获取模块,用于获取输入信息;预设信息确定模块,用于至少根据所述输入信息确定预设反馈信息;关键信息确定模块,用于至少基于所述预设反馈信息,利用预设算法确定所述预设反馈信息的关键信息,所述关键信息的数据量小于所述预设反馈信息的数据量;目标信息确定模块,用于基于所述关键信息确定所述输入信息的目标反馈信息;输出模块,用于输出所述目标反馈信息。
本说明书实施例之一提供一种智能对话装置,所述装置包括处理器,其特征在于,所述处理器用于执行上述的智能对话方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述的智能对话方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的智能对话***的应用场景示意图;
图2是根据本申请一些实施例所示的智能对话***的模块图;
图3是根据本申请一些实施例所示的智能对话方法的示例性流程图;
图4是根据本申请一些实施例所示的至少根据所述输入信息确定预设反馈信息方法的示例性子流程图;以及
图5是根据本申请一些实施例所示的获取机器学习模型方法的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块或单元做出了各种引用,然而,任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
本申请一个或多个实施例涉及一种智能对话***,例如智能机器人、智能在线客服等,可以根据用户的输入信息(例如,输入的问题)自动地反馈一段回复内容作为解答。在一些实施例中,智能客服反馈的信息可以根据关键词匹配从预先配置好的数据库中获取。在一些实施例中,数据库中预先配置的反馈信息会存在篇幅较长、包含较多冗余信息等情况。例如,用户的输入问题是“订单出现问题怎么办?”,预设的反馈信息可能是“司机先生,您好!我是处理听单问题的客服,有关听单的问题请您在拨打电话或者选择快车1XXXX,3XXXX,在这里推荐您使用……”。其中用户最想知道的可能就是“请您在拨打电话或者选择快车1XXXX,3XXXX”。对于这种类型的反馈信息,用户通过全文阅读寻找所需信息,会导致用户时间的浪费,甚至可能出现用于由于用户耐心不足,直接选择放弃阅读,严重影响用户体验。在一些实施例中,可以先基于预设反馈信息提取其中的与用户输入信息最相关的部分信息作为一个关键信息,然后基于关键信息确定可以输出给用户的目标反馈信息。在一些实施例中,还可以使用机器学习模型来对预设反馈信息进行自动筛选以确定关键信息。在一些实施例中,还可以基于用户的个人信息以及与用户相关的操作信息来确定与用户输入问题更相关的关键信息,以提高关键信息筛选的准确度。
图1是根据本申请一些实施例所示的智能对话***的应用场景示意图。智能对话***100可以通过机器人与用户进行交流沟通,帮助解决用户问题,有效提高沟通效率。智能对话***100可以是用于互联网服务的线上服务平台。例如,智能对话***100可以是运输服务的线上运输服务平台。在一些实施例中,智能对话***100可以应用于网约车服务。例如智能对话***100可以应用于司机和/或乘客的反馈服务等。在一些实施例中,智能对话***100还可以应用于代驾、快递、外卖、网店等服务。智能对话***100可以是一个线上服务平台,包含服务器110、网络120、用户终端130以及数据库140。服务器110可包含处理设备112。
在一些实施例中,服务器110可以用于处理与确定智能交互相关的信息和/或数据。服务器110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的(如:服务器110可以是分布***)。在一些实施例中该服务器110可以是区域的或者远程的。例如,服务器110可通过网络120访问存储于用户终端130、数据库140中的信息和/或资料。在一些实施例中,服务器110可直接与用户终端130、数据库140连接以访问存储于其中的信息和/或资料。在一些实施例中,服务器110可在云平台上执行。例如,该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中,服务器110可包含处理设备112。该处理设备112可处理与服务请求(如咨询请求)有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如处理设备112可以接收用户终端130发送的咨询问题,向用户提供相应的反馈信息。在一些实施例中,处理设备112可包含一个或多个子处理设备(例如,单芯处理设备或多核多芯处理设备)。仅仅作为范例,处理设备112可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进数据和/或信息的交换。在一些实施例中,智能对话***100中的一个或多个组件(例如,服务器110、用户终端130、数据库140)可通过网络120发送数据和/或信息给智能对话***100中的其他组件。在一些实施例中,网络120可是任意类型的有线或无线网络。例如,网络120可包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区域网络(WLAN)、都会区域网络(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。在一些实施例中,网络120可包括一个或多个网络进出点。例如,网络120可包含有线或无线网络进出点,如基站和/或网际网络交换点120-1、120-2、…,通过这些进出点,智能对话***100的一个或多个组件可连接到网络120上以交换数据和/或信息。
在一些实施例中,用户可以通过用户终端130获取反馈信息。在一些实施例中,服务器110的处理设备112也可以通过用户终端130来获取用户的时输入信息。在一些实施例中,用户终端130可包括移动装置130-1、平板电脑130-2、笔记本电脑130-3等中的一种或其任意组合。在一些实施例中,移动装置130-1可包括智能家居装置、可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中,智能家具装置可包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中,可穿戴装置可包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等或其任意组合。在一些实施例中,智能行动装置可包括智能电话、个人数字助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例中,虚拟实境装置和/或增强实境装置可包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。
数据库140可存储资料和/或指令。在一些实施例中,数据库140可存储从用户终端130获取的资料。在一些实施例中,数据库140可存储供服务器110执行或使用的信息和/或指令,以执行本申请中描述的示例性方法。例如,数据库140可以用于存储大量的预设反馈信息;也可以存储用于模型训练的样本语料信息。在一些实施例中,数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如,随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。在一些实施例中,数据库140可在云平台上实现。例如,该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。
在一些实施例中,数据库140可与网络120连接以与智能对话***100的一个或多个组件(例如,服务器110、用户终端130等)通讯。智能对话***100的一个或多个组件可通过网络120访问存储于数据库140中的资料或指令。在一些实施例中,数据库140可直接与智能对话***100中的一个或多个组件(如,服务器110、用户终端130)连接或通讯。在一些实施例中,数据库140可以是服务器110的一部分。
图2是根据本申请一些实施例所示的智能对话***的模块图。如图2所示,该智能对话***200可以包括输入信息获取模块210、预设信息确定模块220、关键信息确定模块230、目标信息确定模块240和输出模块250。
在一些实施例中,输入信息获取模块210可以用于获取输入信息。
在一些实施例中,预设信息确定模块220可以用于至少根据输入信息确定预设反馈信息。在一些实施例中,预设信息确定模块220可以用于根据使用场景信息和输入信息确定预设反馈信息。在一些实施例中,预设信息确定模块220可以用于根据个人特征信息以及输入信息确定预设反馈信息。在一些实施例中,预设信息确定模块220可以根据输入信息、个人特征信息和使用场景信息,确定预设反馈信息。
在一些实施例中,关键信息确定模块230可以用于至少基于预设反馈信息,利用预设算法确定预设反馈信息的关键信息。
在一些实施例中,目标信息确定模块240可以用于基于所述关键信息确定所述输入信息的目标反馈信息。在一些实施例中,目标信息确定模块240可以用于对所述关键信息进行优化处理,所述优化处理包括以下中的至少一种:分段、添加、替换;基于优化处理后的关键信息确定所述目标反馈信息。
在一些实施例中,输出模块250可以用于输出目标反馈信息。
在一些实施例中,***200还可以包括场景信息获取模块,所述场景信息获取模块可以用于获取使用场景信息。
在一些实施例中,***200还可以包括个人信息获取模块,所述个人信息获取模块可以用于个人特征信息。
在一些实施例中,***200还可以包括训练模块,所述训练模块可以用于获得训练好的机器学习模型,获得方式如下:获取样本语料,所述样本语料包括多个历史输入信息,以及与所述多个历史输入信息对应的历史反馈信息;标注与所述多个历史输入信息对应的历史反馈信息中的关键信息;将所述样本语料作为输入数据,将标注的所述关键信息作为输出数据。
在一些实施例中,训练模块可以设置在服务器侧的处理设备中,也可以设置在用户终端的处理设备中,或者,部分训练模块设置在服务器侧的处理设备中,另一部分训练模块设置在用户终端侧的处理设备中,因此在图2中未示出。
应当理解,图2所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于智能对话***及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可以在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,在一些实施例中,图2中披露的输入信息获取模块210、预设信息确定模块220、关键信息确定模块230、目标信息确定模块240和输出模块250可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,目标信息确定模块240可以是一个模块,也可以是分别具有目标反馈信息确定功能和输出功能的两个模块。又例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。
图3是根据本申请一些实施例所示的智能对话方法的示例性流程图。
步骤310,获取输入信息。具体的,步骤310可以由输入信息获取模块210执行。
在一些实施例中,输入信息可以用于反映用户向服务平台咨询和/或反馈的问题。在一些实施例中,输入信息可以包括业务类型(如快车订单、专车订单、商务车订单等)、时间信息、订单信息(如订单编号、订单始终点等)等中的一种或其任意组合。例如,乘客可以通过语音或文本输入的方式输入对某个订单的反馈。又例如,司机可以通过选择输入的方式输入对某业务类型的咨询或反馈。
在一些实施例中,输入信息可以包括用户通过智能对话***对话框输入的当前实时信息。在一些实施例中,***对话框可以为任意形状,例如,矩形、椭圆形、不规则图形等。在一些实施例中,对话框可以包括输入界面和信息展示界面。在一些实施例中,对话框中可以包括输入工具的图标(例如,键盘、鼠标、麦克风、触摸屏等)、功能按钮(例如,发送、收藏、转发、保存、结束对话、缩小/放大所述对话框、设置对话框样式等)、对话主体(例如,用户和智能对话***)信息、历史对话内容等或其任意组合。
在一些实施例中,输入信息的方式可以包括但不限于打字输入(如键盘打字输入、触摸屏打字输入)、手写输入、选择输入、语音输入、扫描输入等一种或多种的任意组合。例如,打字输入根据语言的不同可以包括英文输入、中文输入等。扫描输入可以包括扫描条形码输入、扫描二维码输入、扫描文本输入、扫描图片输入等。在一些实施例中,用户的输入信息可以以文字的方式呈现。例如,输入信息可以是用户直接手写输入的中文文字。又例如,输入信息可以是根据用户扫描图片输入识别的文字或字母。又例如,输入信息可以是根据用户输入的语音识别出的文字或字母。
在一些实施例中,用户可以通过用户终端的相关界面来输入信息,输入信息获取模块可以通过网络直接从用户终端获取上述用户的输入信息。在一些实施例中,用户的输入信息也可以存储在数据库的储存器中,输入信息获取模块可以通过网络访问数据库的存储器,以获取输入信息。
步骤320,至少根据输入信息确定预设反馈信息。具体的,步骤320可以由预设信息确定模块220执行。
在一些实施例中,预设反馈信息可以用于反映***针对用户咨询或反馈预先配置好的答复内容。在一些实施例中,预设反馈信息可以存储在数据库140中。在一些实施例中,预设信息确定模块220至少可以基于用户的输入信息,在数据库140中检索最相关的预设反馈信息。在一些实施例中,预设信息确定模块220可以基于用户的输入信息确定关键词,并基于关键词在数据库140中检索确定预设反馈信息。在一些实施例中,预设信息确定模块可以对数据库140中不同的预设反馈信息设置相应的标签,预设信息确定模块220可以基于用户输入信息与标签之间的匹配度确定预设反馈信息。在一些实施例中,所述标签能够反映所述预设反馈信息的核心语义,例如,所述预设反馈信息的标签可以设置为该预设反馈信息的关键词。预设反馈信息确定模块220可以直接把用户输入信息与所述关键词即标签进行语义匹配,如果语义距离较近,则确定所述标签对应的预设反馈信息为所述输入信息的预设反馈信息。
在一些实施例中,不同用户的输入信息的表述方式各不相同,但表达的语义相同,此时,所述不同用户的输入信息可以对应同一个预设反馈信息。例如,用户A的输入信息是“我的投诉什么时候才能处理”,用户A的输入信息是“我的投诉进度如何?”,可以把预设反馈信息“您好,您的投诉进度我们正在分发处理人员,处理人员预计3~5个工作日可以正式受理您的投诉”同时作为用户A和用户B的预设反馈信息。
在一些实施例中,还可以根据大数据来确定对应的预设反馈信息。例如,对于可以根据历史输入信息,以及历史用户对当时的历史预设反馈信息的满意度来确定预设反馈信息。具体的,对于某一历史预设反馈信息,用户的满意度超过一定阈值,则将该历史预设反馈信息及其对应的历史输入信息作为一个固定的组合。当用户的输入信息与固定组合中的输入信息一致或语义近似时,可以直接把该固定组合中的预设反馈信息确定为所述用户输入信息的预设反馈信息。进一步地,还可以基于上述固定组合信息更新预设反馈信息所在的数据库。
在一些实施例中,预设反馈信息可以包括但不限于语音反馈信息、文字反馈信息、图片展示信息、网页链接信息、视频介绍信息、跳转窗口等中的一种或其任意组合。
在一些实施例中,预设反馈信息可以包括与用户咨询或反馈直接关联的反馈内容、与用户咨询或反馈相关性较小的冗余信息等一种或多种的组合。例如,用户输入信息为“订单出现问题怎么办?”,***预先配置的机器人返回答案可能为“司机先生,您好!我是处理听单问题的客服,有关听单的问题请您在拨打电话或者选择快车1XXXX,3XXXX,在这里推荐您使用……”,其中“有关听单的问题请您在拨打电话或者选择快车1XXXX,3XXXX”与用户询问直接相关,可视为与用户咨询直接关联的反馈内容;“司机先生,您好!我是处理听单问题的客服”、“在这里推荐您使用……”与用户询问相关性较小,可视为冗余信息。
步骤330,至少基于所述预设反馈信息,利用预设算法确定预设反馈信息的关键信息。具体的,步骤330可以由关键信息确定模块230执行。
在一些实施例中,关键信息确定模块230可以基于预设反馈信息,利用预设算法确定预设反馈信息的关键信息。在一些实施例中,预设反馈信息的关键信息可以是对应的预设反馈信息中与用户咨询和/或反馈直接相关的答复内容,具体的,关键信息可以是预设反馈信息中去除了相对冗余或与用户的输入信息的紧密度不是很强的部分内容所剩下的内容信息。在一些实施例中,关键信息的数据量小于预设反馈信息的数据量。例如,用户输入信息为“如果申请XX,多久后可以得到答复?”,对应的预设反馈信息可能为“您好,根据公司规定,您可以提交……资料,公司会在3-7个工作日内给您答复。请问您还有什么问题?祝您周末愉快。”,其中,该预设反馈信息的关键信息可以为“3-7个工作日”。
在一些实施例中,关键信息确定模块230至少可以基于用户输入信息,确定对应预设反馈信息的关键信息。在一些实施例中,关键信息确定模块230可以利用预设算法确定预设反馈信息的关键信息。在一些实施例中,预设算法可以是机器学习模型,也可以是统计分析模型。在一些实施例中,机器学习模型可以包括但不限于双向注意力流(Bi-DirectionalAttention Flow,BiDAF)模型、R-Net模型、QANet模型、BERT模型等。
在一些实施例中,机器学习模型可以直接输出预设反馈信息的关键信息。例如,关键信息确定模块230可以将预设反馈信息以及用户输入信息输入机器学习模型,机器学习模型可直接输出对应的关键信息。例如,关键信息确定模块230可以将预设反馈信息输入机器学习模型,机器学习模型直接输出对应的关键信息。在一些实施例中,机器学习模型可以输出关键信息在预设反馈信息中的位置。例如,机器学习模型可以输出关键信息在预设反馈信息中的起始位置和结束位置。关键信息确定模块230可以基于机器学习模型输出的关键信息的位置确定关键信息。关于机器学习模型更多细节可以参见图5及其相关内容,在此不再赘述。
在一些实施例中,还可以基于预设反馈信息,结合用户的输入问题以及用户的个人特征信息和/或用户的使用场景信息来确定所述预设反馈信息对应的关键信息。其中,所述用户的个人特征信息以及用户的使用场景信息的理解可参见本说明书的其他部分。在一些实施例中,可以根据用户的个人信息和/或使用场景信息来推断该用户的喜好(喜好可以包括:喜欢简明的回答,喜欢比较完善的回答,喜欢带敬语的回答)来确定关键信息。例如,如果推断该用户比较喜欢简明的回答,则直接与用户问题最相关的答案,不需要带上其他多余内容。如果推断该用户比较喜欢完善的答案,则可以把与问题相关度比较大的答案或者除了该答案之外的其他可选答案都作为关键信息的一部分。如果推断该用户比较喜欢带敬语的回答,那么一定要在关键信息中保留敬语部分的内容。
步骤340,基于关键信息确定所述输入信息的目标反馈信息。具体的,步骤340可以由目标信息确定模块240执行。
在一些实施例中,目标反馈信息可以用于反映机器客服最终反馈给用户的与提问直接相关的答复信息。例如,目标反馈信息可以是用户输入问题对应的答案内容。在一些实施例中,目标反馈信息可以包括文字反馈信息、图片展示信息、网页链接信息、视频介绍信息、跳转窗口等中的一种或其任意组合。在一些实施例中,目标信息确定模块240可以基于预设反馈信息的关键信息确定目标反馈信息。在一些实施例中,目标信息确定模块240可以通过对关键信息进行优化处理确定目标反馈信息。具体地,把优化处理之后的关键信息作为目标反馈信息。在一些实施例中,也可以省去优化处理步骤,直接把关键信息作为目标反馈信息。
在一些实施例中,优化处理可以包括添加前缀或后缀、分段、替换等中的一种或其任意组合。其中,添加是指在关键信息的某个位置添加相关内容;分段是指将一段关键信息在其某个位置分成两段关键信息;替换是指将关键信息中的部分内容(例如,关键词)用别的内容代替。在一些实施例中,目标信息确定模块240可以先对关键信息进行判断是否需要进行分段、添加、替换等,如果确定需要进行相关操作,那么可以进一步确定在关键信息的哪个位置分段、在关键信息的哪个位置添加什么内容或关键信息的哪个内容需要替换成什么内容。在一些实施例中,优化处理后的关键信息可以包括礼貌用语、标准用语等。在一些实施例中,对关键信息进行优化处理可以更好的答复用户,提高机器客服工作效率。例如,对关键信息“3-7个工作日”添加标准语言“请您耐心等待”类的词语,可以弱化关键信息的答复语气、缓解用户情绪、提高工作效率。又例如,将关键信息中的时间范围替换成具体的时间点,可以让答案更直观地展现给用户。例如,将关键信息“3-7个工作日”替换为具体的日期,例如“1月1日”。在一些实施例中,对同时包括有多个时间信息的关键信息进行分段,可以避免用户将时间搞混。例如,将关键信息“处理日期1月1日,反馈日期1月2日”分段为“处理日期1月1日”和“反馈日期1月2日”,避免用户将处理日期和反馈日期搞混。在一些实施例中,对关键信息的优化处理可以由预设算法处理。
步骤350,输出目标反馈信息。具体的,步骤350可以由输出模块250执行。
在一些实施例中,目标反馈信息确定后,可以将其输出至终端,即将目标反馈信息展示在智能对话***的显示界面。在一些实施例中,目标反馈信息在终端展示的方式有多种,可以直接将其展示在显示界面上;也可以通过页面跳转的形式进行展示,例如,可以先输出预设反馈信息并以其作为跳转窗口,用户可以通过点击所述预设反馈信息进入显示目标反馈信息的相关页面。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,步骤330中,可以先对用户输入信息与预设反馈信息进行预处理,然后利用机器学习模型确定预设反馈信息的关键信息。又例如,步骤340中,对关键信息进行优化处理可以省略。再例如,步骤330中,可以使用同一个模型同时判断预设反馈信息中是否包含针对用户输入信息的答复内容,以及当包含针对用户输入信息的答复内容时确定预设反馈信息的关键信息。
图4是根据本申请一些实施例所示的至少根据所述输入信息确定预设反馈信息方法的示例性子流程图。
如图4所示,在步骤410(获取用户的输入信息)之后,***200可以执行步骤420:获取使用场景信息;以及步骤430:获取个人特征信息。在智能对话方法400中,***200可以基于用户的输入信息、使用场景信息和/或个人特征信息,确定预设反馈信息,在一定程度上能够提升预设反馈信息确定的准确率。
步骤410,获取输入信息。如图4所示,智能对话方法400中其他步骤(如步骤410)均与图3中智能对话方法300的对应步骤(如步骤310)相同,具体细节可参见图3及其相关描述,在此不再赘述。
步骤420,获取使用场景信息。
具体的,步骤420可以由场景信息获取模块执行。在一些实施例中,用户的使用场景信息可以用于反映用户当前所处的状态(例如用户的乘车状态或订支付情况等)、背景(例如用户的订单进行情况)。在一些实施例中,用户的使用场景信息可以包括用户查看的页面信息、用户关注的订单信息、用户关注的业务类型等中的一种或其任意组合。在一些实施例中,用户查看的页面信息可以包括用户查看页面的接口信息、路由信息、链接信息、标签信息等中的一种或其任意组合。在一些实施例中,用户查看的页面信息可以包括用户查看页面上的各种元素信息。例如,文字、图片、动画、声音、表格等。在一些实施例中,用户查看的页面信息可以包括用户查看页面所涉及的订单信息、业务类型、时间信息等中的一种或其任意组合。在一些实施例中,用户关注的订单信息可以包括订单编号、订单时间、订单类型、订单路程、订单时长、订单起终点等中的一种或其任意组合。在一些实施例中,用户关注的业务类型可以包括专车业务、快车业务、商务车业务、出租车业务等中的一种或其任意组合。
在一些实施例中,用户的使用场景信息可以基于用户的历史操作信息和/或当前操作信息来确定。用户的历史操作信息可以用于反映用户的历史操作行为。在一些实施例中,用户的历史操作信息可以包括用户的历史交互记录、历史动作信息等。在一些实施例中,用户的历史交互记录可以包括用户在交互界面中的历史问答记录、历史咨询记录、历史反馈记录、历史引导记录(如,***提醒或引导用户后续的操作)、历史交互话题(如各种业务的听单、分单、接驾、收费等)等一种或多种的任意组合。在一些实施例中,用户的历史动作信息可以包括用户在用户终端的历史浏览页面、用户的历史搜索记录、用户的历史输入行为、用户使用过的历史业务类型、用户的历史下单记录等中的一种或其任意组合。在一些实施例中,场景信息获取模块可以从用户终端130和/或数据库140中获取用户的历史操作信息。
在一些实施例中,用户的当前操作信息可以用于反映用户的当前操作行为。在一些实施例中,用户的当前操作信息可以包括用户当前正在浏览的页面、用户当前搜索记录、用户当前的订单信息等中的一种或其任意组合。在一些实施例中,场景信息获取模块可以通过识别用户的当前动作信息确定用户的当前操作信息。在一些实施例中,场景信息获取模块可以基于页面的接口信息、路由信息、链接、标签等识别用户的当前动作。
在一些实施例中,场景信息获取模块可以仅基于用户的历史操作信息确定用户的使用场景信息。在一些实施例中,场景信息获取模块可以仅基于用户的当前操作信息确定用户的使用场景信息。在一些实施例中,场景信息获取模块可以基于用户的历史操作信息以及当前操作信息确定用户的使用场景信息。
步骤430,获取个人特征信息。
具体的,步骤430可以由个人信息获取模块执行。在一些实施例中,用户的个人特征信息可以用于反映用户的个性化特征。在一些实施例中,用户的个人特征信息可以包括用户的性别、年龄、籍贯、职业、受教育程度、收入水平、消费***台的注册信息和用户使用该账号的交易信息。在一些实施例中,用户注册信息可以包括但不限于用户的性别、年龄、籍贯、职业、受教育程度等中的一种或其任意组合。在一些实施例中,用户的交易信息可以包括用户的订单信息、支付信息等。在一些实施例中,个人信息获取模块可以通过其他方式获取用户的个人特征信息。例如,大数据库、常用APP/平台、开源数据库等。
步骤440,至少根据所述输入信息确定预设反馈信息。
在一些实施例中,预设信息确定模块可以基于使用场景信息和用户输入信息确定反馈信息,也可以基于用户个人特征信息和输入信息确定预设反馈信息,还可以基于使用场景信息、用户个人特征信息以及输入信息共同确定预设反馈信息。
具体的,步骤440可以由预设信息确定模块220执行。在一些实施例中,预设信息确定模块220可以基于用户输入信息和使用场景信息确定预设反馈信息。具体的,预设信息确定模块220可以基于用户的使用场景信息确定用户当前所处的背景,再根据用户输入信息确定预设反馈信息。例如,用户输入信息为“订单异常”,用户使用场景信息为“订单XXXXX进行中”,则预设信息确定模块220可以确定用户当前订单XXXXX发生异常,则可以确定数据库中与“一键报警”或“取消订单”类似的预设反馈信息。
在一些实施例中,预设信息确定模块220可以基于用户的输入信息和个人特征信息确定预设反馈信息。例如,用户的输入信息是“订单异常”,用户的个人特征信息是“司机”,则可以确定数据库中与“取消订单”或“重新分配订单”类似的预设反馈信息。
在一些实施例中,预设信息确定模块220可以基于用户的输入信息、使用场景信息和个人特征信息确定预设反馈信息。例如,用户的输入信息为“订单无法完成”,用户的个人特征信息为“乘客”,用户的使用场景信息为“订单XXXXX正在进行中”,从而确定数据库中与“订单XXXXX未支付成功”类似的预设反馈信息。
图5是根据本申请一些实施例所示的获取机器学习模型方法的示例性流程图。具体的,机器学习模型可以由训练模块训练生成。
步骤510,获取样本语料。
在一些实施例中,样本语料可以包括一个或多个样本语料对。在一些实施例中,样本语料对可以包括多个历史输入信息、以及与所述多个历史输入信息对应的历史反馈信息等。在一些实施例中,用户的历史输入信息可以包括用户曾经向服务平台咨询和/或反馈的问题。在一些实施例中,历史反馈信息可以包括历史输入信息对应的历史人工客服反馈信息和/或预设反馈信息。在一些实施例中,历史人工客服反馈信息可以是人工客服针对用户的历史输入信息回复的答案。在一些实施例中,历史输入信息和该历史输入信息的历史反馈信息可以构成一个语料对。在一些实施例中,一个语料对可以包括一个历史输入信息和一组历史反馈信息。例如,一个历史输入信息对应一组人工反馈信息或预设反馈信息。在一些实施例中,一个语料对可以包括一个历史输入信息和多组历史反馈信息。例如,一个历史输入信息对应一组人工反馈信息以及一组预设反馈信息。在一些实施例中,样本语料可以从数据库140中获取。在一些实施例中,样本语料可以从开源数据库中获取。在一些替代性实施例中,样本语料还可以通过其他方式获取,本申请对此不做限制。
步骤520,标注与所述多个历史输入信息对应的历史反馈信息中的关键信息。
在一些实施例中,训练模块可以基于历史反馈信息与历史输入信息的相关性对样本语料进行标注。在一些实施例中,训练模块可以将样本语料中相关性较高的历史输入信息和历史反馈信息标注出来。例如,可以将历史人工反馈信息中与用户历史输入信息直接相关的重点答复内容标记出来。在一些实施例中,训练模块可以使用不同的标识对样本语料进行标注。例如,可以将历史输入信息与历史反馈信息相关性高的标识为“高”,否则标注为“低”。在一些实施例中,训练模块可以基于标注信息对样本语料进行过滤。例如,可以将样本语料中相关性较低的历史反馈信息剔除。
在一些实施例中,训练模块可以对样本语料中历史反馈信息的关键信息进行标注。关键信息与该历史反馈信息对应的历史输入信息直接相关。在一些实施例中,训练模块可以标注关键信息在预设反馈信息中的位置。例如,关键信息在预设反馈信息中的起始位置和结束位置。在一些实施例中,样本语料的标注可以通过计算机程序实现;也可以由人工执行。
在一些实施例中,训练模块可以将标注之后的样本语料按照一定比例随机划分为训练集以及测试集。在一些实施例中,划分比例可以是训练集80%、测试集20%,或是其他任意比例。训练集可以用于训练确定关键信息的机器学习模型;测试集可以用于对训练获得的所述机器学习模型进行测试。
步骤530,将所述样本语料作为输入数据,将标注的所述关键信息作为输出数据。在一些实施例中,训练模块可以将步骤510获取的样本语料作为初始模型的输入数据,将步骤520标注的对应关键信息作为初始模型的输出数据。
步骤540,对初始机器学习模型进行训练,获得训练好的机器学习模型。在一些实施例中,初始机器学习模型可以包括自然语言处理模型。在一些实施例中自然语言处理模型可以包括预训练模型、自然语言理解模型、自训练模型等一种或多种的任意组合。例如,预训练模型可以包括Word2vec模型、BERT模型等。再例如,自然语言理解模型可以包括但不限于膨胀门卷积神经网络(Dilate Gated Convolutional Neural Network,DGCNN)、循环神经网络语言模型(Recurrent Neural Network Language Model,RNNLM)、N元语言模型(N-gram)等。
在一些实施例中,训练模块可以利用初始机器学习模型的输入数据和输出数据对初始模型进行训练,以获得训练好的机器学习模型。
在一些实施例中,训练好的机器学习模型的输出可以是预设反馈信息的关键信息的内容信息,或者是关键信息在预设反馈信息中的起始位置和结束,又或者是预设反馈信息的关键信息的具体内容及其在预设反馈信息中的位置。
应当注意的是,上述有关流程500的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程500进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。例如,可以将标记好的样本语料分为训练集、验证集和测试集,当机器学习模型初步训练完成之后,可以使用验证集对模型进行验证。
本申请实施例可能带来的有益效果包括但不限于:(1)提升机器客服反馈信息的准确率,提升沟通效率;(2)智能客服输出简短的反馈信息,便于用户理解,节省沟通时间。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (12)
1.一种智能对话方法,其特征在于,所述方法包括:
获取输入信息;
至少根据所述输入信息确定预设反馈信息;
基于所述输入信息和所述预设反馈信息,利用预设算法确定所述预设反馈信息的关键信息,所述关键信息的数据量小于所述预设反馈信息的数据量,所述预设算法包括机器学习模型;
基于所述关键信息确定所述输入信息的目标反馈信息;以及,
输出所述目标反馈信息。
2.如权利要求1所述的智能对话方法,其特征在于,所述机器学习模型通过以下方式获得:
获取样本语料,所述样本语料包括多个历史输入信息,以及与所述多个历史输入信息对应的历史反馈信息;
标注与所述多个历史输入信息对应的历史反馈信息中的关键信息;
将所述样本语料作为输入数据,将标注的所述关键信息作为输出数据。
3.如权利要求2所述的智能对话方法,其特征在于,所述历史反馈信息包括以下中的至少一种:与所述多个历史输入信息对应的预设反馈信息、与所述多个历史输入信息对应的历史人工反馈信息。
4.如权利要求1所述的智能对话方法,其特征在于,所述基于所述关键信息确定所述输入信息的目标反馈信息还包括:
对所述关键信息进行优化处理,所述优化处理包括以下中的至少一种:分段、添加、替换;
基于优化处理后的关键信息确定所述目标反馈信息。
5.如权利要求1所述的智能对话方法,其特征在于,所述方法还包括:
获取使用场景信息;
所述至少根据所述输入信息确定预设反馈信息包括:
根据所述输入信息和所述使用场景信息,确定预设反馈信息。
6.如权利要求5所述的智能对话方法,其特征在于,所述使用场景信息包括以下至少一种:用户查看的页面信息、用户关注的订单信息和用户关注的业务类型。
7.如权利要求5所述的智能对话方法,其特征在于,所述获取使用场景信息包括:
获取历史操作信息;
获取当前操作信息;
基于所述历史操作信息和/或所述当前操作信息确定所述使用场景信息。
8.如权利要求1所述的智能对话方法,其特征在于,所述方法还包括:
获取个人特征信息;
所述至少根据所述输入信息确定预设反馈信息包括:
根据所述个人特征信息以及所述输入信息确定预设反馈信息。
9.如权利要求1所述的智能对话方法,其特征在于,所述方法还包括:
获取个人特征信息;
获取使用场景信息;
所述至少根据所述输入信息确定预设反馈信息包括:
根据所述输入信息、所述个人特征信息和所述使用场景信息,确定预设反馈信息。
10.一种智能对话***,其特征在于,包括:
输入信息获取模块,用于获取输入信息;
预设信息确定模块,用于至少根据所述输入信息确定预设反馈信息;
关键信息确定模块,用于基于所述输入信息和所述预设反馈信息,利用预设算法确定所述预设反馈信息的关键信息,所述关键信息的数据量小于所述预设反馈信息的数据量,所述预设算法包括机器学习模型;
目标信息确定模块,用于基于所述关键信息确定所述输入信息的目标反馈信息;
输出模块,用于输出所述目标反馈信息。
11.一种智能对话装置,包括处理器,其特征在于,所述处理器用于执行权利要求1~9中任一项所述的智能对话方法。
12.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~9任一项所述的智能对话方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618702.1A CN111881270B (zh) | 2020-07-01 | 2020-07-01 | 一种智能对话方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618702.1A CN111881270B (zh) | 2020-07-01 | 2020-07-01 | 一种智能对话方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881270A CN111881270A (zh) | 2020-11-03 |
CN111881270B true CN111881270B (zh) | 2024-06-18 |
Family
ID=73157383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618702.1A Active CN111881270B (zh) | 2020-07-01 | 2020-07-01 | 一种智能对话方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881270B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251091A (zh) * | 2020-12-25 | 2023-12-19 | 北京字节跳动网络技术有限公司 | 信息交互方法、装置、设备、存储介质及程序产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162602A (zh) * | 2019-05-31 | 2019-08-23 | 浙江核新同花顺网络信息股份有限公司 | 一种智能交互方法和*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9460085B2 (en) * | 2013-12-09 | 2016-10-04 | International Business Machines Corporation | Testing and training a question-answering system |
CN109948017B (zh) * | 2018-04-26 | 2021-03-30 | 华为技术有限公司 | 一种信息处理方法及装置 |
CN109241076A (zh) * | 2018-08-01 | 2019-01-18 | 上海依图网络科技有限公司 | 一种数据查询方法及装置 |
CN109284357B (zh) * | 2018-08-29 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 人机对话方法、装置、电子设备及计算机可读介质 |
CN110147821A (zh) * | 2019-04-15 | 2019-08-20 | 中国平安人寿保险股份有限公司 | 目标用户群体确定方法、装置、计算机设备及存储介质 |
CN110362667B (zh) * | 2019-07-12 | 2024-06-14 | 深圳前海微众银行股份有限公司 | 智能客服方法、装置、设备及可读存储介质 |
CN110837543A (zh) * | 2019-10-14 | 2020-02-25 | 深圳和而泰家居在线网络科技有限公司 | 一种对话交互方法、装置以及设备 |
-
2020
- 2020-07-01 CN CN202010618702.1A patent/CN111881270B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162602A (zh) * | 2019-05-31 | 2019-08-23 | 浙江核新同花顺网络信息股份有限公司 | 一种智能交互方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111881270A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868732B2 (en) | System for minimizing repetition in intelligent virtual assistant conversations | |
US20210232761A1 (en) | Methods and systems for improving machine learning performance | |
US20210357378A1 (en) | Multi-service business platform system having entity resolution systems and methods | |
US11762865B2 (en) | Automatically augmenting message exchange threads based on tone of message | |
CN106874467B (zh) | 用于提供搜索结果的方法和装置 | |
AU2020201883B2 (en) | Call center system having reduced communication latency | |
US10558335B2 (en) | Information providing system, information providing method, and non-transitory recording medium | |
US20140114986A1 (en) | Method and apparatus for implicit topic extraction used in an online consultation system | |
US10339222B2 (en) | Information providing system, information providing method, non-transitory recording medium, and data structure | |
US20110231353A1 (en) | Artificial intelligence application in human machine interface for advanced information processing and task managing | |
CN114787814A (zh) | 指代解析 | |
US10586237B2 (en) | Method, apparatus, and computer-readable media for customer interaction semantic annotation and analytics | |
CN111028007B (zh) | 用户画像信息提示方法、装置及*** | |
US12008317B2 (en) | Summarizing information from different sources based on personal learning styles | |
CN114969352B (zh) | 文本处理方法、***、存储介质及电子设备 | |
CN111881270B (zh) | 一种智能对话方法和*** | |
US11178282B1 (en) | Method and apparatus for providing active call guidance to an agent in a call center environment | |
CN113434653A (zh) | 处理查询语句的方法、装置、设备及存储介质 | |
US20230316186A1 (en) | Multi-service business platform system having entity resolution systems and methods | |
CN112749238A (zh) | 搜索排序方法、装置、电子设备以及计算机可读存储介质 | |
CN113722577B (zh) | 反馈信息的处理方法、装置、设备以及存储介质 | |
CN114490986A (zh) | 计算机实施的数据挖掘方法、装置、电子设备及存储介质 | |
CN109299240B (zh) | 聊天机器人知识展示方法及装置 | |
KR20220108451A (ko) | 플랫폼 기반 미술 교육 및 상담을 위한 서비스 및 방법 | |
CN111309990A (zh) | 一种语句应答方法及装置 |
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 |