CN113051388A - 一种智能问答方法、装置、电子设备及存储介质 - Google Patents
一种智能问答方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113051388A CN113051388A CN202110483737.3A CN202110483737A CN113051388A CN 113051388 A CN113051388 A CN 113051388A CN 202110483737 A CN202110483737 A CN 202110483737A CN 113051388 A CN113051388 A CN 113051388A
- Authority
- CN
- China
- Prior art keywords
- question
- customer
- channel
- conversation
- sample
- 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 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06F16/3331—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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/108—Remote banking, e.g. home banking
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智能问答方法、装置、电子设备及存储介质,获取客户在当前对话渠道输入的提问文本,并将提问文本按照预设文本处理规则进行处理得到标准问题,获取客户的客户信息,并从客户信息中提取出与当前对话渠道对应的目标通用客户特征,将标准问题和目标通用客户特征同时输入至预先生成的渠道问答模型,得到与当前对话渠道对应的个性化回答。由此可以看出,本发明基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高了用户体验。
Description
技术领域
本发明涉及智能问答技术领域,更具体的说,涉及一种智能问答方法、装置、电子设备及存储介质。
背景技术
随着计算机信息和互联网技术的飞速发展,服务逐步向网络化、智能化和个性化的方向发展,企业需要提供大量客服人员以满足客户的个性化咨询需求。以自然语言理解为主的人工智能技术构建的应答***,通过在线对话渠道与客户实现智能化人机交互,大大提高客服人员的工作效率,减少客服的重复劳动和人工客服成本。
目前银行采用智能问答的对话渠道有多种,比如,网银、手机银行、微银行等,不同对话渠道对应的客户群体通常会存在差别,而银行维护的问答知识库中的回答采用的是固定形式,无法针对不同对话渠道的客户群体提供个性化回答,因此客户体验不佳。
发明内容
有鉴于此,本发明公开一种智能问答方法、装置、电子设备及存储介质,以实现基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高用户体验。
一种智能问答方法,包括:
获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答,其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
可选的,所述获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题,具体包括:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
可选的,所述渠道问答模型的生成过程包括:
获取训练样本和样本结果,所述训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答;
利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型,所述初始渠道问答模型基于注意力机制生成。
可选的,所述标准问题样本的获取过程包括:
获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
对每个对话渠道下的提问文本集按照所述预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
可选的,不同对话渠道的所述通用客户特征样本的获取过程包括:
获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
一种智能问答装置,包括:
第一获取单元,用于获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
第二获取单元,用于获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
回答生成单元,用于将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答,其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
可选的,所述第一获取单元具体用于:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
可选的,还包括:
模型生成单元,用于生成所述渠道问答模型;
所述模型生成单元具体包括:
第一获取子单元,用于获取训练样本和样本结果,所述训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答;
训练子单元,用于利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型,所述初始渠道问答模型基于注意力机制生成。
可选的,所述模型生成单元还包括:
第二获取子单元,用于获取所述标准问题样本;
所述第二获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
对每个对话渠道下的提问文本集按照所述预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
可选的,所述模型生成单元还包括:
第三获取子单元,用于获取不同对话渠道的所述通用客户特征样本;
所述第三获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
一种电子设备,所述电子设备包括存储器和处理器;
所述存储器用于存储至少一个指令;
所述处理器用于执行所述至少一个指令以实现如上述所述的智能问答方法。
一种存储介质,所述存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如上述所述的智能问答方法。
从上述的技术方案可知,本发明公开了一种智能问答方法、装置、电子设备及存储介质,获取客户在当前对话渠道输入的提问文本,并将提问文本按照预设文本处理规则进行处理得到标准问题,获取客户的客户信息,并从客户信息中提取出与当前对话渠道对应的目标通用客户特征,将标准问题和目标通用客户特征同时输入至预先生成的渠道问答模型,得到与当前对话渠道对应的个性化回答。由此可以看出,本发明基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种智能问答方法流程图;
图2为本发明实施例公开的一种标准问题样本的获取方法流程图;
图3为本发明实施例公开的一种不同对话渠道的通用客户特征样本的获取方法流程图;
图4为本发明实施例公开的一种智能问答装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种智能问答方法、装置、电子设备及存储介质,获取客户在当前对话渠道输入的提问文本,并将提问文本按照预设文本处理规则进行处理得到标准问题,获取客户的客户信息,并从客户信息中提取出与当前对话渠道对应的目标通用客户特征,将标准问题和目标通用客户特征同时输入至预先生成的渠道问答模型,得到与当前对话渠道对应的个性化回答。由此可以看出,本发明基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高了用户体验。
参见图1,本发明实施例公开的一种智能问答方法流程图,该方法包括:
步骤S101、获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
其中,当前对话渠道可以是网银、手机银行、微银行等等。
客户在当前对话渠道输入的提问文本可以是语音或是文字文本。可以理解,客户在当前对话渠道输入的提问文本一般偏口语化,为便于提高回答与提问文本匹配的准确性,本发明对客户输入的提问文本进行了标准化处理,得到标准问题。该标准问题具体可以为智能客服能够命中的标准问题。
预设文本处理规则包括但不限于:分词和去除停用词。
因此,步骤S101的实现过程具体可以包括:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
步骤S102、获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
其中,客户信息可以包括:客户基础信息和客户账户信息,客户基础信息可以包括:年龄、工作、学历、地区、婚姻状态等,客户账户信息可以包括:风险偏好类型、资产余额、负债,常用交易等。
需要说明的是,不同对话渠道的客户群体会存在差别,比如,手机银行的客户群体多为年轻客户,网银的客户群体多为中小企业。因此,不同对话渠道对应的通用客户特征会存在差别。
本实施例中,将当前对话渠道对应的通用客户特征确定为目标通用客户特征。
步骤S103、将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答。
其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
由于不同对话渠道对应的客户群体会存在差别,而不同客户群体对回答的需求通常不同,因此为提高客户体验,本发明针对不同的对话渠道的客户预先设置了不同的个性化回答。
综上可知,本发明公开了一种智能问答方法,获取客户在当前对话渠道输入的提问文本,并将提问文本按照预设文本处理规则进行处理得到标准问题,获取客户的客户信息,并从客户信息中提取出与当前对话渠道对应的目标通用客户特征,将标准问题和目标通用客户特征同时输入至预先生成的渠道问答模型,得到与当前对话渠道对应的个性化回答。由此可以看出,本发明基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高了用户体验。
为进一步优化上述实施例,本发明还公开了渠道问答模型的生成过程,具体如下:
获取训练样本和样本结果,利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型。
其中,训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答。
初始渠道问答模型基于注意力机制生成。
需要说明的是,注意力机制模仿了生物观察行为的内部过程,即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制。注意力机制可以快速提取稀疏数据的重要特征,因而被广泛用于自然语言处理任务,特别是机器翻译。
本实施例中,训练样本中的标准问题样本基于历史智能客服交互语料得到,本发明在获取不同对话渠道的通用客户特征样本的客户集的历史智能客服交互语料后,梳理出[智能客服命中的标准问题,回答]的问答对数据,并集合不同对话渠道的通用客户特征样本构建seq2seq+attention结构的渠道问答模型,以用于学习不同通用客户特征的回答。
为进一步优化上述实施例,参见图2,本发明实施例公开的一种标准问题样本的获取方法流程图,该方法包括:
步骤S201、获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
其中,每个对话渠道下历史智能客服交互语料中客户输入的提问文本集中包括:语音和文字文本。
步骤S202、对每个对话渠道下的提问文本集按照预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
预设文本处理规则包括但不限于分词和去除停用词。
其中,本发明在对提问文本集进行处理后,再使用智能客服领域的语言模型进行文本向量化,使用Bi-GRU作为编码器,得到源文本的向量表示,并引入注意力机制进行注意力分配,并将不同对话渠道的通用客户特征加入到注意力文本向量中,作为影响序列权重的一个因子,使用Bi-GRU作为解码器获得目标序列。
为进一步优化上述实施例,参见图3,本发明实施例公开的一种不同对话渠道的通用客户特征样本的获取方法流程图,该方法包括:
步骤S301、获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
每个对话渠道的客户信息集可以包括:客户基础信息和客户账户信息,客户基础信息可以包括:年龄、工作、学历、地区、婚姻状态等,客户账户信息可以包括:风险偏好类型、资产余额、负债,常用交易等。
步骤S302、对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
其中,正太分布法具体可以为:3Sigma法,数据分布在(μ-3σ,μ+3σ)中的概率为0.9973)。
步骤S303、将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
需要特别说明的是,在实际应用中,可以结合客户对优化后的个性化回答的反馈情况,将提升客户体验的回答放入至对渠道问答模型进行训练时的训练集,并不定期的优化渠道问答模型,以使渠道问答模型能够输出符合不同对话渠道通用客户特征的回答。
与上述方法实施例相对应,本发明还公开了一种智能问答装置。
参见图4,本发明实施例公开的一种智能问答装置的结构示意图,该装置包括:
第一获取单元401,用于获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
其中,当前对话渠道可以是网银、手机银行、微银行等等。
客户在当前对话渠道输入的提问文本可以是语音或是文字文本。可以理解,客户在当前对话渠道输入的提问文本一般偏口语化,为便于提高回答与提问文本匹配的准确性,本发明对客户输入的提问文本进行了标准化处理,得到标准问题。该标准问题具体可以为智能客服能够命中的标准问题。
预设文本处理规则包括但不限于:分词和去除停用词。
因此,第一获取单元401具体可以用于:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
第二获取单元402,用于获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
其中,客户信息可以包括:客户基础信息和客户账户信息,客户基础信息可以包括:年龄、工作、学历、地区、婚姻状态等,客户账户信息可以包括:风险偏好类型、资产余额、负债,常用交易等。
需要说明的是,不同对话渠道的客户群体会存在差别,比如,手机银行的客户群体多为年轻客户,网银的客户群体多为中小企业。因此,不同对话渠道对应的通用客户特征会存在差别。
本实施例中,将当前对话渠道对应的通用客户特征确定为目标通用客户特征。
回答生成单元403,用于将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答,其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
由于不同对话渠道对应的客户群体会存在差别,而不同客户群体对回答的需求通常不同,因此为提高客户体验,本发明针对不同的对话渠道的客户预先设置了不同的个性化回答。
综上可知,本发明公开了一种智能问答装置,获取客户在当前对话渠道输入的提问文本,并将提问文本按照预设文本处理规则进行处理得到标准问题,获取客户的客户信息,并从客户信息中提取出与当前对话渠道对应的目标通用客户特征,将标准问题和目标通用客户特征同时输入至预先生成的渠道问答模型,得到与当前对话渠道对应的个性化回答。由此可以看出,本发明基于不同对话渠道的通用客户特征,可以针对客户在不同对话渠道输入的提问文本,提供与输入提问文本的对话渠道对应的个性化回答,从而大大提高了用户体验。
为进一步优化上述实施例,本发明还公开了渠道问答模型的生成过程。
因此,智能问答装置还可以包括:
模型生成单元,用于生成所述渠道问答模型。
在实际应用中,模型生成单元具体包括:
第一获取子单元,用于获取训练样本和样本结果,所述训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答;
训练子单元,用于利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型,所述初始渠道问答模型基于注意力机制生成。
需要说明的是,注意力机制模仿了生物观察行为的内部过程,即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制。注意力机制可以快速提取稀疏数据的重要特征,因而被广泛用于自然语言处理任务,特别是机器翻译。
为进一步优化上述实施例,模型生成单元还可以包括:
第二获取子单元,用于获取所述标准问题样本;
所述第二获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
对每个对话渠道下的提问文本集按照所述预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
为进一步优化上述实施例,模型生成单元还可以包括:
第三获取子单元,用于获取不同对话渠道的所述通用客户特征样本;
所述第三获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
需要特别说明的是,在实际应用中,可以结合客户对优化后的个性化回答的反馈情况,将提升客户体验的回答放入至对渠道问答模型进行训练时的训练集,并不定期的优化渠道问答模型,以使渠道问答模型能够输出符合不同对话渠道通用客户特征的回答。
与上述实施例相对应,本发明还公开了一种电子设备。
电子设备包括存储器和处理器;
所述存储器用于存储至少一个指令;
所述处理器用于执行所述至少一个指令以实现上述的智能问答方法。
与上述实施例相对应,本发明还公开了一种存储介质。
存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现上述的智能问答方法。
需要特别说明的是,电子设备和存储介质实现智能问答的过程可参见方法实施例对应部分,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种智能问答方法,其特征在于,包括:
获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答,其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
2.根据权利要求1所述的智能问答方法,其特征在于,所述获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题,具体包括:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
3.根据权利要求1所述的智能问答方法,其特征在于,所述渠道问答模型的生成过程包括:
获取训练样本和样本结果,所述训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答;
利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型,所述初始渠道问答模型基于注意力机制生成。
4.根据权利要求3所述的智能问答方法,其特征在于,所述标准问题样本的获取过程包括:
获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
对每个对话渠道下的提问文本集按照所述预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
5.根据权利要求3所述的智能问答方法,其特征在于,不同对话渠道的所述通用客户特征样本的获取过程包括:
获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
6.一种智能问答装置,其特征在于,包括:
第一获取单元,用于获取客户在当前对话渠道输入的提问文本,并将所述提问文本按照预设文本处理规则进行处理,得到标准问题;
第二获取单元,用于获取所述客户的客户信息,并从所述客户信息中提取出与所述当前对话渠道对应的目标通用客户特征;
回答生成单元,用于将所述标准问题和所述目标通用客户特征同时输入至预先生成的渠道问答模型,得到与所述当前对话渠道对应的个性化回答,其中,所述渠道问答模型以标准问题和不同对话渠道的通用客户特征为训练样本,以不同对话渠道针对相同标准问题的个性化回答为样本标签训练得到。
7.根据权利要求6所述的智能问答装置,其特征在于,所述第一获取单元具体用于:
获取所述提问文本;
对所述提问文本进行分词和去除停用词处理,将所述提问文本转换为标准问题。
8.根据权利要求6所述的智能问答装置,其特征在于,还包括:
模型生成单元,用于生成所述渠道问答模型;
所述模型生成单元具体包括:
第一获取子单元,用于获取训练样本和样本结果,所述训练样本包括:标准问题样本和不同对话渠道的通用客户特征样本,所述样本结果包括:针对不同的对话渠道预先标注的个性化回答;
训练子单元,用于利用所述训练样本和所述样本结果对初始渠道问答模型进行迭代训练,生成所述渠道问答模型,所述初始渠道问答模型基于注意力机制生成。
9.根据权利要求8所述的智能问答装置,其特征在于,所述模型生成单元还包括:
第二获取子单元,用于获取所述标准问题样本;
所述第二获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料中客户输入的提问文本集;
对每个对话渠道下的提问文本集按照所述预设文本处理规则进行处理,得到每个对话渠道下的标准问题样本。
10.根据权利要求8所述的智能问答装置,其特征在于,所述模型生成单元还包括:
第三获取子单元,用于获取不同对话渠道的所述通用客户特征样本;
所述第三获取子单元具体用于:
获取不同对话渠道下历史智能客服交互语料对应的客户信息集;
对每个对话渠道下的客户信息集采用正太分布法进行通用客户特征的筛选,去除不合群客户信息,得到每个对话渠道的目标客户信息集;
将每个对话渠道的所述目标客户信息集的中心点确定为相应对话渠道的通用客户特征样本。
11.一种电子设备,其特征在于,所述电子设备包括存储器和处理器;
所述存储器用于存储至少一个指令;
所述处理器用于执行所述至少一个指令以实现如权利要求1~5任意一项所述的智能问答方法。
12.一种存储介质,其特征在于,所述存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1~5任意一项所述的智能问答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483737.3A CN113051388B (zh) | 2021-04-30 | 2021-04-30 | 一种智能问答方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483737.3A CN113051388B (zh) | 2021-04-30 | 2021-04-30 | 一种智能问答方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051388A true CN113051388A (zh) | 2021-06-29 |
CN113051388B CN113051388B (zh) | 2024-02-02 |
Family
ID=76517980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110483737.3A Active CN113051388B (zh) | 2021-04-30 | 2021-04-30 | 一种智能问答方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051388B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378583A (zh) * | 2021-07-15 | 2021-09-10 | 北京小米移动软件有限公司 | 对话回复方法及装置、对话模型训练方法及装置、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169115A1 (en) * | 2015-12-09 | 2017-06-15 | Industrial Technology Research Institute | Internet question answering system and method, and computer readable recording media |
CN108920530A (zh) * | 2018-06-08 | 2018-11-30 | 泰康保险集团股份有限公司 | 一种信息处理方法、装置、存储介质及电子设备 |
CN110020426A (zh) * | 2019-01-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 将用户咨询分配到客服业务组的方法及装置 |
CN111737491A (zh) * | 2020-06-19 | 2020-10-02 | 中国建设银行股份有限公司 | 一种交互过程的控制方法、装置、存储介质及设备 |
CN112667796A (zh) * | 2021-01-05 | 2021-04-16 | 网易(杭州)网络有限公司 | 一种对话回复方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-04-30 CN CN202110483737.3A patent/CN113051388B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169115A1 (en) * | 2015-12-09 | 2017-06-15 | Industrial Technology Research Institute | Internet question answering system and method, and computer readable recording media |
CN108920530A (zh) * | 2018-06-08 | 2018-11-30 | 泰康保险集团股份有限公司 | 一种信息处理方法、装置、存储介质及电子设备 |
CN110020426A (zh) * | 2019-01-21 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 将用户咨询分配到客服业务组的方法及装置 |
CN111737491A (zh) * | 2020-06-19 | 2020-10-02 | 中国建设银行股份有限公司 | 一种交互过程的控制方法、装置、存储介质及设备 |
CN112667796A (zh) * | 2021-01-05 | 2021-04-16 | 网易(杭州)网络有限公司 | 一种对话回复方法、装置、电子设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378583A (zh) * | 2021-07-15 | 2021-09-10 | 北京小米移动软件有限公司 | 对话回复方法及装置、对话模型训练方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113051388B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11128579B2 (en) | Systems and processes for operating and training a text-based chatbot | |
US9753914B2 (en) | Natural expression processing method, processing and response method, device, and system | |
US20220222489A1 (en) | Generation of training data for machine learning based models for named entity recognition for natural language processing | |
CN110019742B (zh) | 用于处理信息的方法和装置 | |
CN110347802B (zh) | 一种文本分析方法及装置 | |
CN109635080A (zh) | 应答策略生成方法及装置 | |
CN111930914A (zh) | 问题生成方法和装置、电子设备以及计算机可读存储介质 | |
Alhassan et al. | A novel framework for Arabic dialect chatbot using machine learning | |
CN111858854A (zh) | 一种基于历史对话信息的问答匹配方法及相关装置 | |
CN117520523B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111680501B (zh) | 基于深度学习的问询信息识别方法、装置及存储介质 | |
CN113051388B (zh) | 一种智能问答方法、装置、电子设备及存储介质 | |
CN117786046A (zh) | 案例分析方法、装置、设备及计算机可读存储介质 | |
CN117216229A (zh) | 一种生成客服答案的方法及装置 | |
Kaviya et al. | Artificial intelligence based farmer assistant chatbot | |
CN116795970A (zh) | 一种对话生成方法及其在情感陪护中的应用 | |
Sawant et al. | Analytical and Sentiment based text generative chatbot | |
CN115292492A (zh) | 意图分类模型的训练方法、装置、设备及存储介质 | |
CN111538814B (zh) | 一种语义理解中协议支持自定义标准化的方法 | |
Ayyagari et al. | Dynamic Chatbot for Parking Service | |
CN112992128B (zh) | 一种智能语音机器人的训练方法、装置和*** | |
CN111460106A (zh) | 一种信息交互方法、装置及设备 | |
CN113672711B (zh) | 一种服务型机器人意图识别装置及其训练、识别方法 | |
WO2022034922A1 (ja) | アンケート調査のためのシステム、プログラム、および方法 | |
Leoni et al. | Talking in Italian About AI with a Chatbot: A Prototype of a Question-Answering Agent |
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 |