CN113360626A - 一种智能客服机器人的多场景混合问答推荐方法 - Google Patents

一种智能客服机器人的多场景混合问答推荐方法 Download PDF

Info

Publication number
CN113360626A
CN113360626A CN202110751237.3A CN202110751237A CN113360626A CN 113360626 A CN113360626 A CN 113360626A CN 202110751237 A CN202110751237 A CN 202110751237A CN 113360626 A CN113360626 A CN 113360626A
Authority
CN
China
Prior art keywords
trigger
corpus
answer
question
value
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
CN202110751237.3A
Other languages
English (en)
Other versions
CN113360626B (zh
Inventor
陈�光
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.)
Beijing Ronglian Qimo Technology Co ltd
Original Assignee
Beijing Ronglian Qimo 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 Beijing Ronglian Qimo Technology Co ltd filed Critical Beijing Ronglian Qimo Technology Co ltd
Priority to CN202110751237.3A priority Critical patent/CN113360626B/zh
Publication of CN113360626A publication Critical patent/CN113360626A/zh
Application granted granted Critical
Publication of CN113360626B publication Critical patent/CN113360626B/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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3343—Query execution using phonetics
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种智能客服机器人的多场景混合问答推荐方法，包括：预制知识库；预制任务流程库；获取用户通过访客端的聊天窗口输入的问题；从知识库中提取对应问题的第一触发语料；从任务流程库中提取对应问题的第二触发语料；基于第一触发语料和第二触发语料，确定问题的答案。本发明的智能客服机器人的多场景混合问答推荐方法，基于可信赖的NLP语义相似度，通过对相似度数据进行排序，采用多轮优先级高于单轮优先级的规则，利用各种阈值控制比较，得出机器人最终的推荐答案或推荐问题列表，充分地实现了对用户的精准意图或模糊意图的识别。

Description

一种智能客服机器人的多场景混合问答推荐方法
技术领域
本发明涉及人工智能技术领域，特别涉及一种智能客服机器人的多场景混合问答推荐方法。
背景技术
目前，智能客服机器人通过使用人工智能算法与用户进行交互对话，其使命是为了帮助客户解决问题，减轻人工客服工作量，提升用户满意度。当前业界主流的智能客服机器人(一般具备三大主要能力：问答型、任务型、闲聊型)均是利用NLP(自然语言处理)技术，将用户提出的问题与机器人中配置的语料(意图)进行匹配，计算其语义相似度，最终设定推荐规则返回给用户答案。但随着企业服务场景越来越复杂，对客服机器人的智能化程度要求也越来越高，从实践出发，以解决用户问题为核心，如何更好地给用户吐出最佳答案，如何平衡以任务为驱动的多轮对话和以知识库为核心的单轮对话优先级，都成为机器人问答推荐算法必须研究的重要课题。
发明内容
本发明目的之一在于提供了一种智能客服机器人的多场景混合问答推荐方法，以解决上述问题。
本发明实施例提供的一种智能客服机器人的多场景混合问答推荐方法，包括：
预制知识库；
预制任务流程库；
获取用户通过访客端的聊天窗口输入的问题；
从知识库中提取对应问题的第一触发语料；
从任务流程库中提取对应问题的第二触发语料；
基于第一触发语料和第二触发语料，确定问题的答案。
优选的，预制知识库包括：
设置若干知识点，得到常用问题集合；
设置回复阈值以及差值阈值；
其中,常用问题集合中每个常用问题包括：
标准问题、相似问法、答案和关联问题；
标准问题和相似问法都对应设置有第一触发语料。
优选的，预制任务流程库包括：
设置若干任务流程，并为每个任务流程设置若干个第二触发语料；
设置任务回复阈值。
优选的，从知识库中提取对应问题的第一触发语料，包括：
对问题进行预处理，获取第三触发语料；
计算第三触发语料与第一触发语料的第一语义相似度；
取第一语义相似度在回复阈值以上的第一触发语料作为问题对应的第一触发语料。
优选的，从任务流程库中提取对应问题的第二触发语料；包括：
计算第三触发语料与第二触发语料的第二语音相似度；
取第二语音相似度在任务回复阈值之上的第二触发语料作为问题对应的第二触发语料。
优选的，基于第一触发语料和第二触发语料，确定问题的答案，包括：
将第一触发语料的第一相似度从大到小进行排序构建第一列表，第一列表为SQ＝{SQ1，SQ2，…，SQq}，其中，SQ1>SQ2，SQ2>SQ3，…，SQq-1>SQq,SQq大于回复阈值；
将第二触发语料的第二相似度从大到小进行排序构建第二列表，第二列表为SF＝{SF1，SF2，…，SFf}，其中，SF1>SF2，SF2>SF3，…，SFf-1>SFf,SFf大于任务回复阈值；
当SF1≥SQ1时，优先触发SF1对应的任务流程；
当SF1<SQ1时，依照第一列表，依次计算相邻两个第一相似度的差值，计算公式如下：
D(i-1)i＝SQi-1-SQi；
其中，D(i-1)i为第一列表中第i-1个第一相似度与第i个第一相似度的差值；SQi-1为第一列表中第i-1个第一相似度；SQi为第一列表中第i个第一相似度；
当D12大于差值阈值时，返回SQ1对应的知识点的答案；
当D12小于等于差值阈值时，将后续的相邻两个第一相似度的差值与差值阈值进行比较，当出现第一个大于差值阈值时，记为D(j-1)j；返回问题列表(SQ1，SQ2，…，SQj)；获取用户基于问题列表选择的问题后，返回对应的答案。
优选的，当SF1＝SQ1＝1时，直接触发SF1对应的任务流程；
当SF1<SQ1＝1时，则直接回复SQ1对应的知识点的答案；
当第一触发语料和第二触发语料都为空时，通过预设的互联网闲聊库进行兜底回复。
优选的，从知识库中提取对应问题的第一触发语料，包括：
对问题进行预处理，获取第三触发语料；
计算第三触发语料与第一触发语料的第一语义相似度；
取第一语义相似度在回复阈值以上的第一触发语料；
获取用户在输入问题之前预设的第一时间段内的第一输入记录和/或本次打开聊天窗口输入的第二输入记录；
对第一输入记录和/或第二输入记录进行提取，获取多个第四触发语料；
获取基于第一语义相似度提取的第一触发语料的关联问题；
获取关联问题的第五触发语料；
计算第五触发语料与第四触发语料的第三语义相似度；
基于第三语义相似度对第一语义相似度进行修正，修正公式如下：
Figure BDA0003146319930000041
其中，SQ′0为修正后的第一语义相似度；SQ0为修正前的第一语义相似度；SGh,k为第h条第四触发语料与第k条第五触发语料的第三语义相似度；m为第四触发语料的总条数；n为第五触发语料的总条数；
取修正后的第一语义相似度在回复阈值以上的第一触发语料作为问题对应的第一触发语料。
优选的，智能客户机器人的多场景混合问答推荐方法，还包括：
当第一触发语料和第二触发语料都为空时，接入大数据网络平台；
将问题发送至在线的多个数据节点；
接收数据节点反馈的对于问题的待选答案；
计算每个待选答案与其他待选答案两两之间的第四语义相似度；
获取预设的待选答案对应的节点与其他待选答案对应的节点之间预设的信任系数；
获取预设的待选答案对应的节点的权重系数和其他待选答案对应的节点的权重值；
基于信任系数、权重值与第四语音相似度，确定各个待选答案的有效值，有效值的计算公式如下：
Figure BDA0003146319930000042
其中，H为有效值；μj为待选答案对应的节点与第j个其他待选答案对应的节点之间预设的信任系数；SVj为待选答案与第j个其他待选答案之间的第四语义相似度；T0为待选答案对应的节点的权重值；Td为第d个其他待选答案对应的节点的权重值；τ1为预设的第一权重系数；τ2为预设的第二权重系数；ε1为预设的对应答案本身的影响的第一关系系数；ε2为预设的对应节点本身的影响的第二关系系数；
获取有效值最大的待选答案作为问题的答案，并输出给用户。
优选的，智能客户机器人的多场景混合问答推荐方法，还包括：
获取预设个数的用户对于问题的答案的评价；
基于预设的评价打分模板，确定评价的打分值；
基于打分值确定问题的答案的有效性，有效性计算公式如下：
Figure BDA0003146319930000051
其中，W为有效性；Pc为第c个用户的评价的打分值；
Figure BDA0003146319930000054
为预设的第c个用户的信用系数；
当有效性大于预设的第一有效阈值时，确定答案为有效；当答案确定为有效后，对大数据网络平台上参与提供答案的节点进行权重值上调；上调公式如下：
Figure BDA0003146319930000052
其中，T′h为调整后第h个节点的权重值；Th为调整前第h个节点的权重值；ρh为第h个节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；θ为预设的调整幅度值；θ0为预设的调整补充值；
当通过上调公式计算的调整后的权重值大于预设的上限值时，以上限值作为调整后的权重值；
当有效性小于预设的第二有效阈值时，确定答案为无效；当答案确定为无效后，对大数据网络平台上参与提供答案的节点进行权重值下调；下调公式如下：
Figure BDA0003146319930000053
其中，t′s为调整后第s个节点的权重值；ts为调整前第s个节点的权重值；ρs为第s个节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；
当通过下调公式计算的调整后的权重值小于预设的下限值时，以下限值作为调整后的权重值。
本发明的有益效果如下：
一、基于可信赖的NLP语义相似度，通过对相似度数据进行排序，采用多轮优先级高于单轮优先级的规则，利用各种阈值控制比较，得出机器人最终的推荐答案或推荐问题列表，充分地实现了对用户的精准意图或模糊意图的识别；
二、通过开放对各种阈值的自定义设置，可让使用者根据不同业务属性灵活控制机器人的问答逻辑，大大提高了机器人问答的可用性和普适性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种智能客服机器人的多场景混合问答推荐方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种智能客服机器人的多场景混合问答推荐方法，如图1所示，包括：
步骤S1：预制知识库；
步骤S2：预制任务流程库；
步骤S3：获取用户通过访客端的聊天窗口输入的问题；
步骤S4：从知识库中提取对应问题的第一触发语料；
步骤S5：从任务流程库中提取对应问题的第二触发语料；
步骤S6：基于第一触发语料和第二触发语料，确定问题的答案。
上述技术方案的工作原理及有益效果为：
基于预制的知识库和任务流程库的相互配合，实现对用户提出的问题的最佳答案的确定，充分地实现了对用户的精准意图或模糊意图的识别。
为实现知识库的准确预制，在一个实施例中，预制知识库的操作包括：
设置若干知识点，得到常用问题集合；
设置回复阈值以及差值阈值；
其中,常用问题集合中每个常用问题包括：
标准问题、相似问法、答案和关联问题；
标准问题和相似问法都对应设置有第一触发语料。
为了实现任务流程库的预制，在一个实施例中，预制任务流程库包括：
设置若干任务流程，并为每个任务流程设置若干个第二触发语料；
设置任务回复阈值。
为了实现第一触发语料的获取，在一个实施例中，从知识库中提取对应问题的第一触发语料，包括：
对问题进行预处理，获取第三触发语料；
计算第三触发语料与第一触发语料的第一语义相似度；
取第一语义相似度在回复阈值以上的第一触发语料作为问题对应的第一触发语料。
上述技术方案的工作原理及有益效果为：
将问题进行NLP算法分词等预处理，并与知识库中的常用问题集合Q的所有触发语料进行两两计算，得到每个触发语料的语义相似度，取阈值之上的相似度数据，并进行从大到小进行排序，得到知识库的语义相似度列表，即第一列表。
在一个实施例中，从任务流程库中提取对应问题的第二触发语料；包括：
计算第三触发语料与第二触发语料的第二语音相似度；
取第二语音相似度在任务回复阈值之上的第二触发语料作为问题对应的第二触发语料。
在一个实施例中，基于第一触发语料和第二触发语料，确定问题的答案，包括：
将第一触发语料的第一相似度从大到小进行排序构建第一列表，第一列表为SQ＝{SQ1，SQ2，…，SQq}，其中，SQ1>SQ2，SQ2>SQ3，…，SQq-1>SQq,SQq大于回复阈值；
将第二触发语料的第二相似度从大到小进行排序构建第二列表，第二列表为SF＝{SF1，SF2，…，SFf}，其中，SF1>SF2，SF2>SF3，…，SFf-1>SFf,SFf大于任务回复阈值；
当SF1≥SQ1时，优先触发SF1对应的任务流程；
当SF1<SQ1时，依照第一列表，依次计算相邻两个第一相似度的差值，计算公式如下：
D(i-1)i＝SQi-1-SQi；
其中，D(i-1)i为第一列表中第i-1个第一相似度与第i个第一相似度的差值；SQi-1为第一列表中第i-1个第一相似度；SQi为第一列表中第i个第一相似度；
当D12大于差值阈值时，返回SQ1对应的知识点的答案；
当D12小于等于差值阈值时，将后续的相邻两个第一相似度的差值与差值阈值进行比较，当出现第一个大于差值阈值时，记为D(j-1)j；返回问题列表(SQ1，SQ2，…，SQj)；获取用户基于问题列表选择的问题后，返回对应的答案。
在一个实施例中，当SF1＝SQ1＝1时，直接触发SF1对应的任务流程；
当SF1<SQ1＝1时，则直接回复SQ1对应的知识点的答案；
当第一触发语料和第二触发语料都为空时，通过预设的互联网闲聊库进行兜底回复。
在一个实施例中，从知识库中提取对应问题的第一触发语料，包括：
对问题进行预处理，获取第三触发语料；
计算第三触发语料与第一触发语料的第一语义相似度；
取第一语义相似度在回复阈值以上的第一触发语料；
获取用户在输入问题之前预设的第一时间段内的第一输入记录和/或本次打开聊天窗口输入的第二输入记录；
对第一输入记录和/或第二输入记录进行提取，获取多个第四触发语料；
获取基于第一语义相似度提取的第一触发语料的关联问题；
获取关联问题的第五触发语料；
计算第五触发语料与第四触发语料的第三语义相似度；
基于第三语义相似度对第一语义相似度进行修正，修正公式如下：
Figure BDA0003146319930000091
其中，SQ′0为修正后的第一语义相似度；SQ0为修正前的第一语义相似度；SGh,k为第h条第四触发语料与第k条第五触发语料的第三语义相似度；m为第四触发语料的总条数；n为第五触发语料的总条数；
取修正后的第一语义相似度在回复阈值以上的第一触发语料作为问题对应的第一触发语料。
上述技术方案的工作原理及有益效果为：
在提取第一触发语料时，综合考虑标准问题、相似问法对应的第一触发语料的第一相似度，还需对其相关问题的第五触发语料进行考虑，以提高提取的准确度。相关问题的考虑主要从用户提出问题的前面问题可以看出，故通过遍历用户在输入问题之前预设的第一时间段内的第一输入记录和/或本次打开聊天窗口输入的第二输入记录；将输入记录进行分割提取出问题，并对问题进行语料提取，获取第四触发语料。
在一个实施例中，智能客户机器人的多场景混合问答推荐方法，还包括：
当第一触发语料和第二触发语料都为空时，接入大数据网络平台；
将问题发送至在线的多个数据节点；
接收数据节点反馈的对于问题的待选答案；
计算每个待选答案与其他待选答案两两之间的第四语义相似度；
获取预设的待选答案对应的节点与其他待选答案对应的节点之间预设的信任系数；
获取预设的待选答案对应的节点的权重系数和其他待选答案对应的节点的权重值；
基于信任系数、权重值与第四语音相似度，确定各个待选答案的有效值，有效值的计算公式如下：
Figure BDA0003146319930000101
其中，H为有效值；μj为待选答案对应的节点与第j个其他待选答案对应的节点之间预设的信任系数；SVj为待选答案与第j个其他待选答案之间的第四语义相似度；T0为待选答案对应的节点的权重值；Td为第d个其他待选答案对应的节点的权重值；τ1为预设的第一权重系数；τ2为预设的第二权重系数；ε1为预设的对应答案本身的影响的第一关系系数；ε2为预设的对应节点本身的影响的第二关系系数；
获取有效值最大的待选答案作为问题的答案，并输出给用户。
上述技术方案的工作原理及有益效果为：
如果仅仅进行兜底回复，这对用户的体验并不好。可以采用将问题发送至大数据网络平台上，借助大数据网络平台的强大功能，获取最佳答案。最佳答案主要通过大数据网络平台的各个数据节点的答案之间的比较生成，以保证答***性。此外，还可结合兜底回复，可以先进行兜底回复，在兜底回复后进行大数据网络平台求助，以提高用户的体验；例如：兜底回复可以为“您好，您问的问题较为专业，将由我们的专业人员进行解答”页面提示转接中，在转接过程中进行大数据网络平台的答案确定，确定好答案后提示转接完成，以提高用户的体验。
在一个实施例中，智能客户机器人的多场景混合问答推荐方法，还包括：
获取预设个数的用户对于问题的答案的评价；
基于预设的评价打分模板，确定评价的打分值；
基于打分值确定问题的答案的有效性，有效性计算公式如下：
Figure BDA0003146319930000111
其中，W为有效性；Pc为第c个用户的评价的打分值；
Figure BDA0003146319930000112
为预设的第c个用户的信用系数；
当有效性大于预设的第一有效阈值时，确定答案为有效；当答案确定为有效后，对大数据网络平台上参与提供答案的节点进行权重值上调；上调公式如下：
Figure BDA0003146319930000113
其中，T′h为调整后第h个节点的权重值；Th为调整前第h个节点的权重值；ρh为第h个节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；θ为预设的调整幅度值；θ0为预设的调整补充值；
当通过上调公式计算的调整后的权重值大于预设的上限值时，以上限值作为调整后的权重值；
当有效性小于预设的第二有效阈值时，确定答案为无效；当答案确定为无效后，对大数据网络平台上参与提供答案的节点进行权重值下调；下调公式如下：
Figure BDA0003146319930000114
其中，t′s为调整后第s个节点的权重值；ts为调整前第s个节点的权重值；ρs为第s个节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；
当通过下调公式计算的调整后的权重值小于预设的下限值时，以下限值作为调整后的权重值。
上述技术方案的工作原理及有益效果为：
基于答案的效果，对参与的节点进行权重值的调整，以保证下次答案确定的准确性。此外，通过调整补充值，实现上调幅度低于下调幅度，即节点给出答案不理想的结果更严重，提高了节点给出答案的慎重程度，有助于保证最后答***。基于预设的调整指数表，以保证当同一个节点在预设的第二时间段内无法得到多次大幅度的调整，以保证当该节点进行了多次大幅调整后出错时的影响，提高节点给出答案的稳定性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种智能客服机器人的多场景混合问答推荐方法，其特征在于，包括：
预制知识库；
预制任务流程库；
获取用户通过访客端的聊天窗口输入的问题；
从所述知识库中提取对应所述问题的第一触发语料；
从所述任务流程库中提取对应所述问题的第二触发语料；
基于所述第一触发语料和所述第二触发语料，确定所述问题的答案。
2.如权利要求1所述的智能客服机器人的多场景混合问答推荐方法，其特征在于，预制知识库包括：
设置若干知识点，得到常用问题集合；
设置回复阈值以及差值阈值；
其中，所述常用问题集合中每个常用问题包括：
标准问题、相似问法、答案和关联问题；
所述标准问题和所述相似问法都对应设置有所述第一触发语料。
3.如权利要求2所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，预制任务流程库包括：
设置若干任务流程，并为每个所述任务流程设置若干个所述第二触发语料；
设置任务回复阈值。
4.如权利要求3所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，所述从所述知识库中提取对应所述问题的第一触发语料，包括：
对所述问题进行预处理，获取第三触发语料；
计算所述第三触发语料与所述第一触发语料的第一语义相似度；
取所述第一语义相似度在所述回复阈值以上的所述第一触发语料作为所述问题对应的所述第一触发语料。
5.如权利要求4所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，所述从所述任务流程库中提取对应所述问题的第二触发语料；包括：
计算所述第三触发语料与所述第二触发语料的第二语音相似度；
取所述第二语音相似度在所述任务回复阈值之上的所述第二触发语料作为所述问题对应的所述第二触发语料。
6.如权利要求5所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，所述基于所述第一触发语料和所述第二触发语料，确定所述问题的答案，包括：
将所述第一触发语料的所述第一相似度从大到小进行排序构建第一列表，所述第一列表为SQ＝{SQ1，SQ2，...，SQq}，其中，SQ1＞SQ2，SQ2＞SQ3，…，SQq-1＞SQq，SQq大于所述回复阈值；
将所述第二触发语料的所述第二相似度从大到小进行排序构建第二列表，所述第二列表为SF＝{SF1，SF2，...，SFf}，其中，SF1＞SF2，SF2＞SF3，…，SFf-1＞SFf，SFf大于所述任务回复阈值；
当SF1≥SQ1时，优先触发SF1对应的任务流程；
当SF1＜SQ1时，依照所述第一列表，依次计算相邻两个所述第一相似度的差值，计算公式如下：
D(i-1)i＝SQi-1-SQi；
其中，D(i-1)i为所述第一列表中第i-1个所述第一相似度与第i个所述第一相似度的差值；SQi-1为所述第一列表中第i-1个所述第一相似度；SQi为所述第一列表中第i个所述第一相似度；
当D12大于所述差值阈值时，返回SQ1对应的知识点的答案；
当D12小于等于所述差值阈值时，将后续的相邻两个所述第一相似度的差值与所述差值阈值进行比较，当出现第一个大于所述差值阈值时，记为D(j-1)j；返回问题列表(SQ1，SQ2，...，SQj)；获取用户基于所述问题列表选择的问题后，返回对应的答案。
7.如权利要求6所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，当SF1＝SQ1＝1时，直接触发SF1对应的任务流程；
当SF1＜SQ1＝1时，则直接回复SQ1对应的知识点的答案；
当所述第一触发语料和所述第二触发语料都为空时，通过预设的互联网闲聊库进行兜底回复。
8.如权利要求2所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，所述从所述知识库中提取对应所述问题的第一触发语料，包括：
对所述问题进行预处理，获取第三触发语料；
计算所述第三触发语料与所述第一触发语料的第一语义相似度；
取所述第一语义相似度在所述回复阈值以上的所述第一触发语料；
获取用户在输入所述问题之前预设的第一时间段内的第一输入记录和/或本次打开所述聊天窗口输入的第二输入记录；
对所述第一输入记录和/或所述第二输入记录进行提取，获取多个所述第四触发语料；
获取基于所述第一语义相似度提取的所述第一触发语料的所述关联问题；
获取所述关联问题的第五触发语料；
计算所述第五触发语料与所述第四触发语料的第三语义相似度；
基于所述第三语义相似度对所述第一语义相似度进行修正，修正公式如下：
Figure FDA0003146319920000031
其中，SQ′0为修正后的所述第一语义相似度；SQ0为修正前的所述第一语义相似度；SGh，k为第h条所述第四触发语料与第k条所述第五触发语料的所述第三语义相似度；m为所述第四触发语料的总条数；n为所述第五触发语料的总条数；
取修正后的所述第一语义相似度在所述回复阈值以上的所述第一触发语料作为所述问题对应的所述第一触发语料。
9.如权利要求1所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，还包括：
当所述第一触发语料和所述第二触发语料都为空时，接入大数据网络平台；
将所述问题发送至在线的多个数据节点；
接收所述数据节点反馈的对于所述问题的待选答案；
计算每个所述待选答案与其他所述待选答案两两之间的第四语义相似度；
获取预设的所述待选答案对应的节点与其他所述待选答案对应的节点之间预设的信任系数；
获取预设的所述待选答案对应的节点的权重系数和其他所述待选答案对应的节点的权重值；
基于所述信任系数、所述权重值与所述第四语音相似度，确定各个所述待选答案的有效值，所述有效值的计算公式如下：
Figure FDA0003146319920000041
其中，H为所述有效值；μj为所述待选答案对应的节点与第j个其他所述待选答案对应的节点之间预设的信任系数；SVj为所述待选答案与第j个其他所述待选答案之间的第四语义相似度；T0为所述待选答案对应的节点的所述权重值；Td为第d个其他所述待选答案对应的节点的所述权重值；τ1为预设的第一权重系数；τ2为预设的第二权重系数；ε1为预设的对应答案本身的影响的第一关系系数；ε2为预设的对应节点本身的影响的第二关系系数；
获取所述有效值最大的所述待选答案作为所述问题的答案，并输出给所述用户。
10.如权利要求9所述的智能客户机器人的多场景混合问答推荐方法，其特征在于，还包括：
获取预设个数的所述用户对于所述问题的答案的评价；
基于预设的评价打分模板，确定所述评价的打分值；
基于所述打分值确定所述问题的答案的有效性，所述有效性计算公式如下：
Figure FDA0003146319920000042
其中，W为所述有效性；Pc为第c个所述用户的所述评价的所述打分值；
Figure FDA0003146319920000051
为预设的第c个所述用户的信用系数；
当所述有效性大于预设的第一有效阈值时，确定所述答案为有效；当所述答案确定为有效后，对所述大数据网络平台上参与提供所述答案的所述节点进行所述权重值上调；上调公式如下：
Figure FDA0003146319920000052
其中，T′h为调整后第h个所述节点的所述权重值；Th为调整前第h个所述节点的所述权重值；ρh为第h个所述节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；θ为预设的调整幅度值；θ0为预设的调整补充值；
当通过所述上调公式计算的所述调整后的所述权重值大于预设的上限值时，以所述上限值作为调整后的所述权重值；
当所述有效性小于预设的第二有效阈值时，确定所述答案为无效；当所述答案确定为无效后，对所述大数据网络平台上参与提供所述答案的所述节点进行所述权重值下调；下调公式如下：
Figure FDA0003146319920000053
其中，t′s为调整后第s个所述节点的所述权重值；ts为调整前第s个所述节点的所述权重值；ρs为第s个所述节点根据预设的第二时间段内调整历史从预设的调整指数表中确定的调整指数；
当通过所述下调公式计算的所述调整后的所述权重值小于预设的下限值时，以所述下限值作为调整后的所述权重值。
CN202110751237.3A 2021-07-02 2021-07-02 一种智能客服机器人的多场景混合问答推荐方法 Active CN113360626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110751237.3A CN113360626B (zh) 2021-07-02 2021-07-02 一种智能客服机器人的多场景混合问答推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110751237.3A CN113360626B (zh) 2021-07-02 2021-07-02 一种智能客服机器人的多场景混合问答推荐方法

Publications (2)

Publication Number Publication Date
CN113360626A true CN113360626A (zh) 2021-09-07
CN113360626B CN113360626B (zh) 2022-02-11

Family

ID=77538002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110751237.3A Active CN113360626B (zh) 2021-07-02 2021-07-02 一种智能客服机器人的多场景混合问答推荐方法

Country Status (1)

Country Link
CN (1) CN113360626B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101373532A (zh) * 2008-07-10 2009-02-25 昆明理工大学 旅游领域faq中文问答***实现方法
KR20170112102A (ko) * 2016-03-30 2017-10-12 경기대학교 산학협력단 대규모 병렬 정성 시간 추론 장치 및 방법
CN110019149A (zh) * 2019-01-30 2019-07-16 阿里巴巴集团控股有限公司 一种客服知识库的建立方法、装置及设备
CN110532348A (zh) * 2019-09-04 2019-12-03 网易（杭州）网络有限公司 问答对数据的生成方法、装置及电子设备
CN110795542A (zh) * 2019-08-28 2020-02-14 腾讯科技（深圳）有限公司 对话方法及相关装置、设备
US20200059558A1 (en) * 2017-12-13 2020-02-20 Genesys Telecommunications Laboratories, Inc. Systems and methods for chatbot generation
CN111026855A (zh) * 2019-12-06 2020-04-17 易小博(武汉)科技有限公司 智能客服应答方法、***以及控制器和介质
CN111159363A (zh) * 2018-11-06 2020-05-15 航天信息股份有限公司 一种基于知识库的问题答案确定方法及装置
CN111625632A (zh) * 2020-04-17 2020-09-04 北京捷通华声科技股份有限公司 一种问答对推荐方法、装置、设备及存储介质
CN112527965A (zh) * 2020-12-18 2021-03-19 国家电网有限公司客户服务中心 基于专业库和闲聊库相结合的自动问答实现方法和装置
CN112632242A (zh) * 2020-12-17 2021-04-09 竹间智能科技（上海）有限公司 智能对话方法及装置、电子设备
CN112988997A (zh) * 2021-03-12 2021-06-18 中国平安财产保险股份有限公司 智能客服的应答方法、***、计算机设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101373532A (zh) * 2008-07-10 2009-02-25 昆明理工大学 旅游领域faq中文问答***实现方法
KR20170112102A (ko) * 2016-03-30 2017-10-12 경기대학교 산학협력단 대규모 병렬 정성 시간 추론 장치 및 방법
US20200059558A1 (en) * 2017-12-13 2020-02-20 Genesys Telecommunications Laboratories, Inc. Systems and methods for chatbot generation
CN111159363A (zh) * 2018-11-06 2020-05-15 航天信息股份有限公司 一种基于知识库的问题答案确定方法及装置
CN110019149A (zh) * 2019-01-30 2019-07-16 阿里巴巴集团控股有限公司 一种客服知识库的建立方法、装置及设备
CN110795542A (zh) * 2019-08-28 2020-02-14 腾讯科技（深圳）有限公司 对话方法及相关装置、设备
CN110532348A (zh) * 2019-09-04 2019-12-03 网易（杭州）网络有限公司 问答对数据的生成方法、装置及电子设备
CN111026855A (zh) * 2019-12-06 2020-04-17 易小博(武汉)科技有限公司 智能客服应答方法、***以及控制器和介质
CN111625632A (zh) * 2020-04-17 2020-09-04 北京捷通华声科技股份有限公司 一种问答对推荐方法、装置、设备及存储介质
CN112632242A (zh) * 2020-12-17 2021-04-09 竹间智能科技（上海）有限公司 智能对话方法及装置、电子设备
CN112527965A (zh) * 2020-12-18 2021-03-19 国家电网有限公司客户服务中心 基于专业库和闲聊库相结合的自动问答实现方法和装置
CN112988997A (zh) * 2021-03-12 2021-06-18 中国平安财产保险股份有限公司 智能客服的应答方法、***、计算机设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MACEDO R D 等: "An Intelligent Robotic Engine Using Digital Repository of the DSpace Platform", 《THE SIXTH INTERNATIONAL CONFERENCE ON INFORMATION, PROCESS, AND KNOWLEDGE MANAGEMENT》 *
YINIZHILIANLOVE: "ACL | 自然语言处理（NLP）之多轮对话建模优化（Utterance ReWriter)", 《HTTPS://BLOG.CSDN.NET/YINIZHILIANLOVE/ARTICLE/DETAILS/98400767》 *
廖美红: "大数据知识图谱的电商领域问答***设计", 《商场现代化》 *
高旭杨: "基于语句相似度计算的FAQ问答***设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113360626B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
US11631147B2 (en) Social recommendation method based on multi-feature heterogeneous graph neural networks
Peng et al. Composite task-completion dialogue policy learning via hierarchical deep reinforcement learning
CN108804689B (zh) 面向问答平台的融合用户隐连接关系的标签推荐方法
CN110020426B (zh) 将用户咨询分配到客服业务组的方法及装置
CN108351986A (zh) 学习***、学习装置、学习方法、学习程序、训练数据生成装置、训练数据生成方法、训练数据生成程序、终端装置以及阈值变更装置
CN108021934B (zh) 多要素识别的方法及装置
CN109783617A (zh) 用于答复问题的模型训练方法、装置、设备及存储介质
CN109063035A (zh) 一种面向出行领域的人机多轮对话方法
CN110321291A (zh) 测试案例智能提取***及方法
Chen et al. Agent-aware dropout dqn for safe and efficient on-line dialogue policy learning
CN105868179A (zh) 一种智能问答方法及装置
CN113420058B (zh) 一种基于结合用户历史行为的对话式学术会议推荐方法
CN110019688A (zh) 对机器人进行训练的方法
CN116757652B (zh) 一种基于大语言模型的在线招聘推荐***及方法
CN111626616A (zh) 一种众包任务推荐方法
CN111309887A (zh) 一种训练文本关键内容提取模型的方法和***
CN110008332A (zh) 通过强化学习提取主干词的方法及装置
CN106776701A (zh) 用于物品推荐的问题确定方法和装置
CN110689359A (zh) 对模型进行动态更新的方法及装置
CN108595609A (zh) 基于人物ip的机器人回复生成方法、***、介质及设备
CA3064116A1 (en) Systems and methods for performing automated interactive conversation with a user
CN110263232A (zh) 一种基于广度学习和深度学习的混合推荐方法
CN110059167A (zh) 自然智能的自然表达处理方法、回应方法、设备及***
CN113360626B (zh) 一种智能客服机器人的多场景混合问答推荐方法
CN109190116A (zh) 语义解析方法、***、电子设备及存储介质

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