CN113792819A - 一种基于多任务模型的节点可复用智能外呼方法及*** - Google Patents
一种基于多任务模型的节点可复用智能外呼方法及*** Download PDFInfo
- Publication number
- CN113792819A CN113792819A CN202111276483.4A CN202111276483A CN113792819A CN 113792819 A CN113792819 A CN 113792819A CN 202111276483 A CN202111276483 A CN 202111276483A CN 113792819 A CN113792819 A CN 113792819A
- Authority
- CN
- China
- Prior art keywords
- multitask
- matching model
- intention
- training
- flow tree
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 141
- 239000013598 vector Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect 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
- 238000009826 distribution Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了一种基于多任务模型的节点可复用智能外呼方法及***，方法包括：获得所述训练语料并作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括一个编码器和多个任务层；获得第一多任务意图匹配模型；通过所述训练集对所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼。解决了现有技术中规则死板准确度底难以复用且无法实时更新的技术问题。
Description
技术领域
本发明涉及智能外呼领域，具体涉及一种基于多任务模型的节点可复用智能外呼方法及***。
背景技术
近年来，人工智能迅猛发展，在大多数行业领域，人工智能已能够胜任部分工作。电话外呼***能进行自动拨打电话，发布通知的电话语音***，是计算机技术与语音技术的完美结合。伴随着运营成本的不断提高，电话端客服中心也在顺应着从“成本中心向利润中心转移”的大趋势。当企业端有很多服务对象需要进行业务沟通或通知时，如果用人工逐个拨打，不仅费时费力，并且效率也不高。使用电话外呼***，可以进行自动通知，在自动判断对方摘机后，向对方发送预先设计好的语音或文本通知。在判断对方挂机后，可以自动进行下一个对象的通知，非常的方便，快捷。智能外呼***很好的解决了这在服务端投入成本高且工作效率低的问题，企业可以根据业务需求预先设定所需语音外呼流程，***可以实现用户进行身份确认、业务咨询和业务处理等流程。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
基于规则的意图识别需要人工为每个话术节点配置规则，但这种方式过于死板并且识别准确度很低，如果客户的话术稍有变动就会识别错误，不能解决同一条文本在同一话术流程的不同节点下但含义不同的问题，并且难以复用，不能实时更新。
发明内容
针对现有方法中的缺陷，本申请实施例的目的是，通过提供一种基于多任务模型的节点可复用智能外呼方法及***，解决了现有技术中存在的基于规则的意图识别需要人工为每个话术节点配置规则，但这种方式过于死板并且识别准确度很低，如果客户的话术稍有变动就会识别错误，不能解决同一条文本在同一话术流程的不同节点下但含义不同的问题，并且难以复用，不能实时更新的技术问题，达到了通过多任务意图分类模型实现流程树的不同节点自由配置所需语料以及标签，使得不同节点下意图标签互相不影响，可以直接更新各个节点下所包含的原型语料完成对模型的更新和配置，提高了模型的复用性的技术效果。
鉴于上述问题，提出了本申请实施例提供一种基于多任务模型的节点可复用智能外呼方法及***。
一方面，本申请实施例提供了一种基于多任务模型的节点可复用智能外呼方法，其中，所述方法包括：使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼。
另一方面，本申请实施例还提供了一种基于多任务模型的节点可复用智能外呼***，其中，所述***包括：第一获得单元，所述第一获得单元用于获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；第二获得单元，所述第二获得单元用于根据第一外呼场景获得第一流程树；第三获得单元，所述第三获得单元用于根据第二外呼场景获得第二流程树；第一初始化单元，所述第一初始化单元用于初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；第四获得单元，所述第四获得单元用于通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；第五获得单元，所述第五获得单元用于通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；第一外呼单元，所述第一外呼单元用于根据所述第二多任务意图匹配模型进行智能外呼。
另一方面，本申请实施例还提供了一种基于多任务模型的节点可复用智能外呼***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少有如下技术效果或优点：
使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一种基于多任务模型的节点可复用智能外呼方法的流程示意图；
图2为本申请实施例通过最小化所述最大类内距离和所述最小类间距离的差对所述多任务意图匹配模型进行优化，获得第一多任务意图匹配模型；
图3为本申请实施例对与所述node5，node6对应的任务层T5，T6进行训练更新，获得第二多任务意图匹配模型；
图4为本申请实施例根据所述第一预测结果进行智能外呼；
图5为本申请实施例为每个子任务分配会使用到的训练数据以及对应的意图标签；
图6为本申请实施例一种提高智能营销效率的数据建模***示意图。
图7为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二提取单元12，第三获得单元13，第一初始化单元14，第四获得单元15，第五获得单元16，第一外呼单元17，电子设备50，处理器51，存储器52，输入装置53，输出装置54。
具体实施方式
本申请实施例通过提供一种提高智能营销效率的数据建模方法及***，解决了现有技术中存在的基于规则的意图识别需要人工为每个话术节点配置规则，但这种方式过于死板并且识别准确度很低，如果客户的话术稍有变动就会识别错误，不能解决同一条文本在同一话术流程的不同节点下但含义不同的问题，并且难以复用，不能实时更新的技术问题，达到了通过多任务意图分类模型实现流程树的不同节点自由配置所需语料以及标签，使得不同节点下意图标签互相不影响，可以直接更新各个节点下所包含的原型语料完成对模型的更新和配置，提高了模型的复用性的技术效果。
下面，将参考附图对本申请的示例实施例中的技术方案进行清楚、详细的描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
申请概述
近年来，人工智能迅猛发展，在大多数行业领域，人工智能已能够胜任部分工作。电话外呼***能进行自动拨打电话，发布通知的电话语音***，是计算机技术与语音技术的完美结合。伴随着运营成本的不断提高，电话端客服中心也在顺应着从“成本中心向利润中心转移”的大趋势。当企业端有很多服务对象需要进行业务沟通或通知时，如果用人工逐个拨打，不仅费时费力，并且效率也不高。使用电话外呼***，可以进行自动通知，在自动判断对方摘机后，向对方发送预先设计好的语音或文本通知。在判断对方挂机后，可以自动进行下一个对象的通知，非常的方便，快捷。智能外呼***很好的解决了这在服务端投入成本高且工作效率低的问题，企业可以根据业务需求预先设定所需语音外呼流程，***可以实现用户进行身份确认、业务咨询和业务处理等流程。但现有技术存在基于规则的意图识别需要人工为每个话术节点配置规则，但这种方式过于死板并且识别准确度很低，如果客户的话术稍有变动就会识别错误，不能解决同一条文本在同一话术流程的不同节点下但含义不同的问题，并且难以复用，不能实时更新的技术问题。
针对上述技术问题，本身请提供的技术方案总体思路如下：
本申请实施例通过提供一种基于多任务模型的节点可复用智能外呼方法及***，所述方法应用于基于多任务模型的节点可复用智能外呼***，其中，所述方法包括：使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼。
在介绍了本申请基本原理后，下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题同样适用。
实施例一
如图1所示，本申请实施例通过提供一种基于多任务模型的节点可复用智能外呼方法及***，其中，所述方法应用于一种基于多任务模型的节点可复用智能外呼***，所述方法包括：
步骤S100：使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；
具体而言，所述聚类分析又称群分析，它是研究、样品、指标或分类问题的一种统计分析方法，以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性，即，在获得所述全部的训练语料之前首先确定***所要应用的领域方向，在确定之后再获得所述全部的训练语料，接着对所获得的语料做分词处理，将长文本划分为若干个单词，其次，文本被切分为单词后，需要进一步转换成向量，现将所述训练语料包含的所有词汇构建成一个词条列表，列表中不含有重复的词条，再者对每个文本，构建一个向量，向量的维度与词条列表的维度相同，向量的值是词条列表中每个词条在该文本中出现的次数，然后根据与聚类中心的相似度将其分配至最相似的聚类，分配完成后获得每个类别中符合预定规则的所述训练语料，并将其作为训练集，获得的所述训练集是作为模型训练，进行话术节点设置、意图识别的基础数据，所述训练集的获得是构建所述基于多任务模型的节点可复用智能外呼***的基础。
步骤S200：根据第一外呼场景获得第一流程树；
步骤S300：根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；
具体而言，所述第一外呼场景指的是选择所述基于多任务模型的节点可复用智能外呼***的应用领域中的任一应用场景作为所述第一外呼场景，所述第二场景与第一场景相似，指的是选择所述基于多任务模型的节点可复用智能外呼***的应用领域中的不同于所述第一外呼场景的任一应用场景，根据第一外呼场景获得第一流程树是指根据所述第一外呼场景具体的业务办理流程制定相应的流程树，根据第二外呼场景获得第二流程树，所述第二流程树是指根据所述第二外呼场景具体的业务办理流程制定相应的流程树，其中，所述流程树包括叶子节点和非叶子节点，其中所述流程树包含的叶子结点为所述流程树的端点即对应业务场景的业务流程末端，非叶子节点即为该对应应用场景下业务流程中的子业务流程，也是所要构建的所述多任务模型的多任务训练的一个子任务，获得所述第一流程树和所述第二流程树是为了使得所述基于多任务模型的节点可复用智能外呼***在应用时流程更加合乎规范，非叶子节点对应的多个子任务是为了在处理对应业务场景下的各种可能会出现的业务模式，使得业务处理流程更加灵活。
步骤S400：初始化多任务意图匹配模型，所述多任务意图匹配模型包括Nn个任务层Tn，分别对应所述流程树中的每个所述子任务；
具体而言，所述多任务意图匹配模型指的是对于给定的多个业务场景，其中存在一部分任务或是所有任务具有相似性但是相似程度较低，多任务匹配模型的目标是通过对这多个业务场景中包含的知识来互相协助用以提升完成各个业务场景的性能，所述初始化多任务意图匹配模型是指在对多任务意图匹配模型进行训练之前首先根据所述第一外呼场景和所述第二外呼场景制定相应的所述多任务意图匹配模型，其中，所述多任务意图匹配模型中包含Nn个子任务数量，也就是包含Nn个任务层，所述多任务意图匹配模型是基于具体的应用场景设定的，经过所述训练集训练之后会更加智能化，可根据其所处理的业务内容进行对应操作处理。
步骤S500：通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；
具体而言，通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练指的是从已经经过处理的所述训练集中随机选取任意多个对象作为初始聚类中心，对于剩下未被选取到的对象进行计算，根据其与选中的对象的相似度，即与聚类中心的距离将其分配至最相似的聚类中，也就是将获得的所述训练集中的语料按照相似度进行分类，如果分配完成后发现有与现在所归类的距离类中心相比有更相似的聚类中心，则根据相似原则重新进行归类，直到分类结果达到相对最优为止，根据获得的对所述训练集的分类结果，再根据获得的分类结果对所述训练语料进行特征提取进而获得相应的特征向量，不同的特征向量对应不同的任务层，进行实现对不同文本的意图匹配，获得所述第一多任务意图匹配模型，所述第一多任务意图匹配模型可根据输入的语料得到相应的表达意图。
步骤S600：通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；
具体而言，通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，即为在所述第二流程树中随机选择一个非叶子节点作为本次训练的子任务，然后将该子任务所对应的数据集作为本次训练任务的输入数据，并从训练集中区分出多个类别的意图以及选择多条文本作为训练所需使用的数据，在将输入的训练文本经行预处理获得所述特征向量，再对各特征向量间的距离进行计算，根据各特征向量间的距离获得各个特征向量在其所在类中的距离的最大值和最小值，即最大类间距离和最小类间距离，通过计算出最大类间距离和最小类间距离的差值对模型进行优化，重新选择新的子任务节点和相应训练数据，直到得出理想差值，结束优化过程，获得所述第二多任务意图匹配模型，所述第一多任务意图模型和所述第二多任务意图模型之间可以通过训练多个相关任务，通过提取各个场景中任务之间的通用特征，再将通用特征传入不同的子任务场景中进行计算，完善了各个应用场景的流程处理和文本处理结果。
步骤S700：根据所述第二多任务意图匹配模型进行智能外呼。
具体而言，所述第二多任务意图匹配模型是在所述第一多任务意图匹配模型的基础上进行实现的，所述第二多任务意图匹配模型可以针对不同的业务场景即不同的任务节点配置所需语料，完成对应场景下的业务流程，每执行完一次业务也是对所述模型的一次更新，不用人为的进行定期更新，所以所述第二多任务意图匹配模型具有更高的复用性，可根据所述第二多任务意图匹配模型进行智能外呼。
进一步的，如图2所示，步骤S500还包括：
步骤S501：获得所述第一流程树中的第一子任务taski；
步骤S502：从所述第一子任务taski随机选择NC个意图类别，每个意图类别中选择NS条文本作为第一训练集；
步骤S503：将所述第一训练集中的所有训练文本输入所述多任务意图匹配模型中对应的任务层Ti，获得第一特征向量矩阵；
步骤S504：计算所述第一特征向量矩阵中每对特征向量间的欧式距离；
步骤S505：对于每个所述类别，计算最大的类内距离以及最小的类间距离；
步骤S506：获得每个所述类别的所述最大类内距离和所述最小类间距离的差；
步骤S507：通过最小化所述最大类内距离和所述最小类间距离的差对所述多任务意图匹配模型进行优化，获得第一多任务意图匹配模型。
具体而言，获得所述第一流程树中的第一子任务taski，即为从所述第一流程树中随机选择一个非叶子节点作为第一任务，即所述第一子任务taski，从所述第一子任务taski随机选择NC个意图类别指的是从taski下包括的数据中选择NC个数据作为对所述第一子任务taski的意图分类，每个意图类别中选择NS条意图标签作为第一训练集，即为针对每条被选中的NC个所述意图类别分别选择NS条意图标签作为训练数据，即选择NS条文本作为第一训练集，将所述第一训练集输入编码器，即获得NC×NS个长度为d的向量，再将所述第一训练集中的所有训练文本输入所述多任务意图匹配模型中对应的任务层Ti，指的是将获得的所述第一训练集中的所有训练文本输入所述第一子任务taski对应的所述任务层Ti，得到经过任务层Ti加权处理的NC×NS个长度为d的特征向量，获得第一特征向量矩阵，继而根据获得的所述第一特征向量矩阵计算各个特征向量之间的欧氏距离，即计算每一个特征向量和同一个所述意图类别下的其他想象之间的距离，对于每个所述类别中所计算出的各向量之间的欧氏距离，分别得出各个所述类别内的最大的类内距离以及最小的类间距离，然后根据获得的所述最大类内距离和所述最小类间间距离，获得每个所述类别中的所述最大类内距离和所述最小类间距离的差，将最小化所述最大类内距离和所述最小类间距离的差作为所述多任务意图匹配模型进行优化的方向进行优化，获得第一多任务意图匹配模型，所述第一多任务意图匹配模型是根据任一业务场景进行训练所得，适用于该场景下的业务处理。
进一步的，步骤S507还包括：
步骤S5071：所述第一多任务意图匹配模型的优化函数为：
其中，
为所述多任务意图匹配模型优化目标差值；
步骤S5072：a为所述意图类别中选中的文本向量编号；
步骤S5073：p文本向量a对应的正样本文本向量编号；
步骤S5074：n为文本向量a对应的负样本文本向量编号；
步骤S5075：i为所述意图类别所属类别；
步骤S5077：D为向量间距离；
NC为意图类别的个数
NS为每个意图类别包含的样本数量
具体而言，所述第一多任务意图匹配模型的优化函数指的是根据所述第一子任务获得所述类别中的所述最大类内距离和所述最小类间距离，通过以缩短所述最大类内距离和所述最小类间距离为目标构建的函数，其中，
为所述多任务意图匹配模型优化目标差值，a和p，n分别为所述意图类别中选中的文本编号，即所述优化函数需要优化的目标参数是所述文本向量编号为a，p的文本向量之间的距离和a，n的文本向量之间的距离的差，i为所述意图类别所属类别，D为向量间距离，NC为意图类别的个数，NS为每个意图类别包含的样本数量
即所述第一多任务意图匹配模型的优化函数可以减小同属一个类别的样本之间距离，并增加属于不同类别的样本之间的距离。
进一步的，如图3所示，步骤S600还包括：
步骤S601：获得所述第一流程树的非叶子节点node1，node2，node3，node4；
步骤S602：获得所述第二流程树的非叶子节点node1，node2，node5，node6；
步骤S603：使用所述第一多任务意图匹配模型的编码器作为所述第二多任务意图匹配模型的编码器。对与所述node5，node6对应的任务层T5，T6进行训练更新，获得第二多任务意图匹配模型。
具体而言，获得所述第一流程树的非叶子节点node1，node2，node3，node4，获得所述第二流程树的非叶子节点node1，node2，node5，node6，其中所述第一流程树和所述第二流程树的非叶子节点node1和node2是相同的，并且所述第一多任务意图匹配模型是已经通过所述第一流程树通过所述训练集训练，即所述第一多任务意图匹配模型包含一个特征矩阵和4和任务层T1，T2，T3，T4，进而所述第二多任务意图匹配模型使用所述第一多任务意图匹配模型的编码器进行编码，获得与所述node5，node6对应的所述任务层T5，T6，并对所述任务层T5，T6进行训练更新获得第二多任务意图匹配模型，即所述第二多任务意图匹配模型的任务层包含T1，T2，T3，T4，T5，T6，模型涵盖更全面，涉及业务内容更细化。
进一步的，如图4所示，步骤S700还包括：
步骤S701：对于所述第一流程树和/或所述第二流程树中的每一个非叶子节点nodei；
步骤S702：将未识别语料和所述nodei输入多任务意图匹配模型，获得第一预测结果；
步骤S703：根据所述第一预测结果进行智能外呼。
具体而言，根据获得的所述第一流程树和/或所述第二流程树中的每一个非叶子节点nodei，即所获得的所述非叶子节点nodei可属于所述第一流程树和所述第二流程树中共有的一个子任务或是属于所述第一流程树或所述第二流程树中某一个子任务，然后根据获得的所述非叶子节点nodei和所述未识别的语料输入所述多任务意图匹配模型进行意图匹配，所述多任务意图匹配模型进行计算之后获得所述未识别语料的所属意图，即获得所述第一预测结果，所述多任务意图匹配模型进行根据获得的所述第一预测结果进行外呼，进行业务流程的跟进。
进一步的，如图5所示，步骤S701还包括：
步骤S7011：将所述nodei下的所有文本输入所述第二多任务意图匹配模型，得到第一特征向量；
步骤S7012：将所述未识别语料输入所述第二多任务意图识别模型得到第二特征向量；
步骤S7013：为所述非叶子节点下每个类别随机挑选若干条语料作为原型语料，所述原型语料包含文本text1，text2，…，textn以及对应的意图标签y1，y2，…，yn；
步骤S7014：计算所述第一特征向量和所述第二特征向量之间的欧式距离，将欧式距离最短的特征向量对应的标签yj作为所述未识别语料的标签，并返回所述标签。
具体而言，将所述nodei下的所有文本输入所述第二多任务意图匹配模型，得到第一特征向量，所述第一特征向量包含该任务节点下所有输入文本的所述特征向量，继而将所述未识别语料输入所述第二多任务意图识别模型得到第二特征向量，同时对所述非叶子节点所包含的所有所述语料进行挑选作为所述第二多任务意图识别模型的原型语料，所述原型语料包含文本text1，text2，…，textn以及对应的意图标签y1，y2，…，yn，根据获得的所述原型语料包含文本和所述原型语料对应的所述意图标签计算所述第一特征向量和所述第二特征向量之间的欧式距离，然后根据与计算出的所述欧氏距离最短的标签作为输入的所述未识别语料的标签，并将获得的所述未识别语料的标签返回所述第二多任务意图匹配模型中继续进行计算，通过将所述未识别语料的标签返回所述第二多任务意图匹配模型中继续进行计算可以得出所述未识别语料的所述意图标签，所述第二多任务意图匹配模型根据所述意图标签进行业务处理。
与现有技术相比，本发明具有如下的有益效果：
使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼，达到了通过多任务意图分类模型实现流程树的不同节点自由配置所需语料以及标签，使得不同节点下意图标签互相不影响，可以直接更新各个节点下所包含的原型语料完成对模型的更新和配置，提高了模型的复用性的技术效果。
实施例二
基于与前述实施例中一种基于智能营销场景的数据建模方法同样的发明构思，本发明还提供了一种基于多任务模型的节点可复用智能外呼***，如图6所示，所述***包括：
第一获得单元11，所述第一获得单元11用于获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；
第二获得单元12，所述第二获得单元12用于根据第一外呼场景获得第一流程树；
第三获得单元13，所述第三获得单元13用于根据第二外呼场景获得第二流程树；
第一初始化单元14，所述第一初始化单元14用于初始化多任务意图匹配模型，所述多任务意图匹配模型包括Nn个任务层Tn，分别对应所述流程树中的每个所述子任务；
第四获得单元15，所述第四获得单元15用于通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；
第五获得单元16，所述第五获得单元16用于通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；
第一外呼单元17，所述第一外呼单元17用于根据所述第二多任务意图匹配模型进行智能外呼。
进一步的，所述***还包括：
第六获得单元，所述第六获得单元用于获得所述第一流程树中的第一子任务taski；
第一选择单元，所述第一选择单元用于从所述第一子任务taski随机选择NC个意图类别，每个意图类别中选择NS条文本作为第一训练集；
第七获得单元，所述第七获得单元用于将所述第一训练集中的所有训练文本输入所述多任务意图匹配模型中对应的任务层Ti，获得第一特征向量矩阵；
第一计算单元，所述第一计算单元用于计算所述第一特征向量矩阵中每对特征向量间的欧式距离；
第二计算单元，所述第二计算单元用于对于每个所述类别，计算最大的类内距离以及最小的类间距离；
第八获得单元，所述第八获得单元用于获得每个所述类别的所述最大类内距离和所述最小类间距离的差；
第一优化单元，所述第一优化单元用于通过最小化所述最大类内距离和所述最小类间距离的差对所述多任务意图匹配模型进行优化，获得第一多任务意图匹配模型。
进一步的，所述***还包括：
第一函数单元，所述第一函数单元用于所述第一多任务意图匹配模型的优化函数为：
其中，
为所述多任务意图匹配模型优化目标差值；
第一编号单元，所述第一编号单元用于a为所述意图类别中选中的文本向量编号；
第二编号单元，所述第二编号单元用于p为所述意图类别中选中的文本向量编号；
第三编号单元，所述第三编号单元用于n为任务编号；
第一类别单元，所述第一类别单元用于c为所述意图类别所属类别；
第一意图单元，所述第一意图单元用于y为意图标签；
第一距离单元，所述第一距离单元用于D为向量间距离；
第二类别单元，所述第二类别单元用于classi为所述特征向量所属意图类别。
进一步的，所述***还包括：
第九获得单元，所述第九获得单元用于获得所述第一流程树的非叶子节点node1，node2，node3，node4；
第十获得单元，所述第十获得单元用于获得所述第二流程树的非叶子节点node1，node2，node5，node6；
第十一获得单元，所述第十一获得单元用于使用所述第一多任务意图匹配模型的编码器作为所述第二多任务意图匹配模型的编码器。对与所述node5，node6对应的任务层T5，T6进行训练更新，获得第二多任务意图匹配模型。
进一步的，所述***还包括：
第二选择单元，所述第二选择单元用于对于所述第一流程树和/或所述第二流程树中的每一个非叶子节点nodei；
第十二获得单元，所述第十二获得单元用于将未识别语料和所述nodei输入多任务意图匹配模型，获得第一预测结果；
第一预测单元，所述第一预测单元用于根据所述第一预测结果进行智能外呼。
进一步的，所述***还包括：
第一输入单元，所述第一输入单元用于将所述nodei下的所有文本输入所述第二多任务意图匹配模型，得到第一特征向量；
第二输入单元，所述第二输入单元用于将所述未识别语料输入所述第二多任务意图识别模型得到第二特征向量；
第三选择单元，所述第三选择单元用于为所述非叶子节点下每个类别随机挑选若干条语料作为原型语料。所述原型语料包含文本，text1，text2，…，textn以及对应的意图标签y1，y2，…，yn；
第三计算单元，所述第三计算单元用于计算所述第一特征向量和所述第二特征向量之间的欧式距离，将欧式距离最短的特征向量对应的标签yj作为所述未识别语料的标签，并返回所述标签。
前述图1实施例一中的一种基于多任务模型的节点可复用智能外呼方法的各种变化方式和具体实例同样适用于本实施例的一种基于多任务模型的节点可复用智能外呼***，通过前述对一种基于多任务模型的节点可复用智能外呼方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于多任务模型的节点可复用智能外呼***，所以为了说明书的简洁，在此不再详述。
实施例三
下面参考图7来描述本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于多任务模型的节点可复用智能外呼方法的发明构思，本发明还提供一种基于多任务模型的节点可复用智能外呼***，下面，参考图7来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身，或与其独立的单机设备，其上存储有计算机程序，该程序被处理器执行时实现前文所述方法的任一方法的步骤。
如图7所示，电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。
在一个示例中，电子设备50还可以包括：输入装置53和输出装置54，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
本发明实施例提供的一种基于多任务模型的节点可复用智能外呼方法，其中，所述方法包括：使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；根据第一外呼场景获得第一流程树；根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；初始化多任务意图匹配模型，所述多任务意图匹配模型包括个任务层，分别对应所述流程树中的每个所述子任务；通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；根据所述第二多任务意图匹配模型进行智能外呼，达到了通过多任务意图分类模型实现流程树的不同节点自由配置所需语料以及标签，使得不同节点下意图标签互相不影响，可以直接更新各个节点下所包含的原型语料完成对模型的更新和配置，提高了模型的复用性的技术效果。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从计算机可读存储介质向另计算机可读存储介质传输，所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
另外，本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解，在本申请实施例中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
总之，以上所述仅为本申请技术方案的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于多任务模型的节点可复用智能外呼方法，其中，所述方法包括：
使用聚类算法对全部的训练语料进行聚类分析，获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；
根据第一外呼场景获得第一流程树；
根据第二外呼场景获得第二流程树，其中，分别将所述第一流程树和所述第二流程树的每个非叶子节点作为多任务训练的一个子任务；
初始化多任务意图匹配模型，所述多任务意图匹配模型包括Nn个任务层Tn，分别对应所述流程树中的每个所述子任务；
通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；
通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；
根据所述第二多任务意图匹配模型进行智能外呼。
2.如权利要求1所述的方法，其中，所述通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型，包括：
获得所述第一流程树中的第一子任务taski；
从所述第一子任务taski随机选择NC个意图类别，每个意图类别中选择NS条文本作为第一训练集；
将所述第一训练集中的所有训练文本输入所述多任务意图匹配模型中对应的任务层Ti，获得第一特征向量矩阵；
计算所述第一特征向量矩阵中每对特征向量间的欧式距离；
对于每个所述类别，计算最大的类内距离以及最小的类间距离；
获得每个所述类别的所述最大类内距离和所述最小类间距离的差；
通过最小化所述最大类内距离和所述最小类间距离的差对所述多任务意图匹配模型进行优化，获得第一多任务意图匹配模型。
3.如权利要求2所述的方法，其中，所述通过最小化所述最大类内距离和所述最小类间距离的差对所述多任务意图匹配模型进行优化，获得第一多任务意图匹配模型，包括：
所述第一多任务意图匹配模型的优化函数为：
其中，
为所述多任务意图匹配模型优化目标差值；
a为所述意图类别中选中的文本向量编号；
p文本向量a对应的正样本文本向量编号；
n为文本向量a对应的负样本文本向量编号；
i为所述意图类别所属类别；
D为向量间距离；
NC为意图类别的个数；
NS为每个意图类别包含的样本数量。
4.如权利要求1所述的方法，其中，所述通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型，包括：
获得所述第一流程树的非叶子节点node1，node2，node3，node4；
获得所述第二流程树的非叶子节点node1，node2，node5，node6；
使用所述第一多任务意图匹配模型的编码器作为所述第二多任务意图匹配模型的编码器，对与所述node5，node6对应的任务层T5，T6进行训练更新，获得第二多任务意图匹配模型。
5.如权利要求1所述的方法，其中，所述方法还包括：
对于所述第一流程树和/或所述第二流程树中的每一个非叶子节点nodei，
将未识别语料和所述nodei输入多任务意图匹配模型，获得第一预测结果；
根据所述第一预测结果进行智能外呼。
6.如权利要求5所述的方法，其中，所述方法还包括：
将所述nodei下的所有文本输入所述第二多任务意图匹配模型，得到第一特征向量；
将所述未识别语料输入所述第二多任务意图识别模型得到第二特征向量；
为所述非叶子节点下每个类别随机挑选若干条语料作为原型语料，所述原型语料包含文本，text1，text2，…，textn以及对应的意图标签y1，y2，…，yn；
计算所述第一特征向量和所述第二特征向量之间的欧式距离，将欧式距离最短的特征向量对应的标签yj作为所述未识别语料的标签，并返回所述标签；
如果所述流程树的所述非叶子节点的数量为Nn，那么所述子任务的数量为Nn，为每个子任务分配会使用到的训练数据，训练数据包含文本，text1，text2，…，textn以及对应的意图标签y1，y2，…，yn。
7.一种基于多任务模型的节点可复用智能外呼***，其中，所述***包括：
第一获得单元，所述第一获得单元用于获得每个类别中符合预定规则的所述训练语料，并将其作为训练集；
第二获得单元，所述第二获得单元用于根据第一外呼场景获得第一流程树；
第三获得单元，所述第三获得单元用于根据第二外呼场景获得第二流程树；
第一初始化单元，所述第一初始化单元用于初始化多任务意图匹配模型，所述多任务意图匹配模型包括Nn个任务层Tn，分别对应所述流程树中的每个所述子任务；
第四获得单元，所述第四获得单元用于通过所述训练集中使用所述第一流程树的语料对初始化后的所述多任务意图匹配模型进行训练，获得第一多任务意图匹配模型；
第五获得单元，所述第五获得单元用于通过所述训练集中使用所述第二流程树的语料对初始化后的所述第一多任务意图匹配模型中与所述第一流程树的所述子任务不同的任务层进行训练更新，获得第二多任务意图匹配模型；
第一外呼单元，所述第一外呼单元用于根据所述第二多任务意图匹配模型进行智能外呼。
8.一种基于多任务模型的节点可复用智能外呼***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111276483.4A CN113792819B (zh) | 2021-10-29 | 2021-10-29 | 一种基于多任务模型的节点可复用智能外呼方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111276483.4A CN113792819B (zh) | 2021-10-29 | 2021-10-29 | 一种基于多任务模型的节点可复用智能外呼方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113792819A true CN113792819A (zh) | 2021-12-14 |
| CN113792819B CN113792819B (zh) | 2024-05-14 |
Family
ID=78878376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111276483.4A Active CN113792819B (zh) | 2021-10-29 | 2021-10-29 | 一种基于多任务模型的节点可复用智能外呼方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792819B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180124241A1 (en) * | 2016-10-28 | 2018-05-03 | Microsoft Technology Licensing, Llc | Caller assistance system |
| CN110233946A (zh) * | 2019-06-17 | 2019-09-13 | 三角兽（北京）科技有限公司 | 执行外呼业务方法、电子设备及计算机可读存储介质 |
| US20190286906A1 (en) * | 2018-03-13 | 2019-09-19 | International Business Machines Corporation | Automated intent to action mapping in augmented reality environments |
| CN110276074A (zh) * | 2019-06-20 | 2019-09-24 | 出门问问信息科技有限公司 | 自然语言处理的分布式训练方法、装置、设备及存储介质 |
| CN111696576A (zh) * | 2020-05-21 | 2020-09-22 | 升智信息科技(南京)有限公司 | 一种智能语音机器人话术测试*** |
| CN112185358A (zh) * | 2020-08-24 | 2021-01-05 | 维知科技张家口有限责任公司 | 意图识别方法、模型的训练方法及其装置、设备、介质 |
| CN113094481A (zh) * | 2021-03-03 | 2021-07-09 | 北京智齿博创科技有限公司 | 意图识别方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-10-29 CN CN202111276483.4A patent/CN113792819B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180124241A1 (en) * | 2016-10-28 | 2018-05-03 | Microsoft Technology Licensing, Llc | Caller assistance system |
| US20190286906A1 (en) * | 2018-03-13 | 2019-09-19 | International Business Machines Corporation | Automated intent to action mapping in augmented reality environments |
| CN110233946A (zh) * | 2019-06-17 | 2019-09-13 | 三角兽（北京）科技有限公司 | 执行外呼业务方法、电子设备及计算机可读存储介质 |
| CN110276074A (zh) * | 2019-06-20 | 2019-09-24 | 出门问问信息科技有限公司 | 自然语言处理的分布式训练方法、装置、设备及存储介质 |
| CN111696576A (zh) * | 2020-05-21 | 2020-09-22 | 升智信息科技(南京)有限公司 | 一种智能语音机器人话术测试*** |
| CN112185358A (zh) * | 2020-08-24 | 2021-01-05 | 维知科技张家口有限责任公司 | 意图识别方法、模型的训练方法及其装置、设备、介质 |
| CN113094481A (zh) * | 2021-03-03 | 2021-07-09 | 北京智齿博创科技有限公司 | 意图识别方法、装置、电子设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| LISONG CHEN等: "Joint Multiple Intent Detection and Slot Filling Via Self-Distillation", ARXIV:2108.08042V1, 18 August 2021 (2021-08-18) * |
| 张庆恒: "智能机器外呼***的设计与实现", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 08, 15 August 2019 (2019-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113792819B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11551004B2 (en) | Intent discovery with a prototype classifier | |
| US10747957B2 (en) | Processing communications using a prototype classifier | |
| CN109271521B (zh) | 一种文本分类方法及装置 | |
| TWI752455B (zh) | 圖像分類模型訓練方法、影像處理方法、資料分類模型訓練方法、資料處理方法、電腦設備、儲存媒介 | |
| Paramesh et al. | Automated IT service desk systems using machine learning techniques | |
| US20200210776A1 (en) | Question answering method, terminal, and non-transitory computer readable storage medium | |
| CN109214407B (zh) | 事件检测模型、方法、装置、计算设备及存储介质 | |
| CN109299263B (zh) | 文本分类方法、电子设备 | |
| Arnold | An active-set evolution strategy for optimization with known constraints | |
| CN112732882A (zh) | 用户意图识别方法、装置、设备及计算机可读存储介质 | |
| CN115357699A (zh) | 文本抽取方法、装置、设备及存储介质 | |
| US20060179017A1 (en) | Preparing data for machine learning | |
| CN115329075A (zh) | 基于分布式机器学习的文本分类方法 | |
| CN115600605A (zh) | 一种中文实体关系联合抽取方法、***、设备及存储介质 | |
| CN110765276A (zh) | 知识图谱中的实体对齐方法及装置 | |
| US12001174B2 (en) | Determination of task automation using an artificial intelligence model | |
| CN113792819A (zh) | 一种基于多任务模型的节点可复用智能外呼方法及*** | |
| CN111813941A (zh) | 结合rpa和ai的文本分类方法、装置、设备及介质 | |
| WO2020095655A1 (ja) | 選定装置および選定方法 | |
| CN111612164A (zh) | 非迭代式大数据半监督学习方法、***、存储介质及终端 | |
| US20220292393A1 (en) | Utilizing machine learning models to generate initiative plans | |
| CN115146653A (zh) | 对话剧本构建方法、装置、设备及存储介质 | |
| CN114372148A (zh) | 一种基于知识图谱技术的数据处理方法及终端设备 | |
| CN104166850A (zh) | 一种语音识别应用***的解决敏感词未知性的方法 | |
| CN112329440A (zh) | 一种基于两阶段筛选和分类的关系抽取方法和装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100000 floors 1-3, block a, global creative Plaza, No. 10, Furong street, Chaoyang District, Beijing Applicant after: Bairong Zhixin (Beijing) Technology Co.,Ltd. Address before: 100000 floors 1-3, block a, global creative Plaza, No. 10, Furong street, Chaoyang District, Beijing Applicant before: Bairong Zhixin (Beijing) credit investigation Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |