CN115934901A - 智能对话的方法、装置、电子设备及存储介质 - Google Patents
智能对话的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115934901A CN115934901A CN202111388664.6A CN202111388664A CN115934901A CN 115934901 A CN115934901 A CN 115934901A CN 202111388664 A CN202111388664 A CN 202111388664A CN 115934901 A CN115934901 A CN 115934901A
- Authority
- CN
- China
- Prior art keywords
- conversation
- dialog
- behavior
- intelligent
- customer service
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000006854 communication Effects 0.000 claims abstract description 65
- 238000004891 communication Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000006399 behavior Effects 0.000 claims description 166
- 239000013598 vector Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 230000008451 emotion Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003997 social interaction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种智能对话的方法、装置、电子设备及存储介质,可应用至计算机和人工智能领域,上述方法包括:在对话参与方沟通的过程中,记录发生的对话内容;将上述对话内容输入至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息;以及根据上述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。上述对话行为提示有助于提升沟通效率的同时,还使得被提示的当前对象能够以精准、快速且恰当的方式与沟通对象进行交流,有助于提升沟通对象对当前对象的满意度;上述方法具有广泛的适用性和现实意义,可应用至客服场景或社交场景等。
Description
技术领域
本公开涉及计算机和人工智能技术领域,尤其涉及一种智能对话的方法、装置、电子设备及存储介质。
背景技术
在各种交流对话的场景中,人工智能技术有助于提升交流的效率。以消费购买场景为例,运营方为了满足用户的售前、售后咨询的需求,设置有对应的客服部门,并 且随着深度学习的不断发展,自然语言处理模型的语义分析效果有了很大的提高,以 这项技术为基础的智能客服***,可以在线解答用户的常见问题,或者指导人工客服 进行知识查询的辅助工作,提升了沟通效率。
目前大部分客服***采用深度学习模型对用户的问题进行语义分析,并通过对大量的历史数据(例如问题答案对)的学习,帮助产生出相匹配的答案。从设计构思和 功能上来看,大部分客服***被设置为通过深度学习来回答用户问题,与真实的人与 人的沟通还是具有差异,由此可能导致消费者对客服***的服务质量的满意度评价不 高;另外,客服***对于人工客服的辅助也仅限于提供回复时的参***,对于提升 人工客服的客服质量起到的作用也十分有限。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开的实施例提供了一种智能对话的方法、装置、电子设备及存储介质。
第一方面,本公开的实施例提供了一种智能对话的方法。上述方法包括:在对话参与方沟通的过程中,记录发生的对话内容;将上述对话内容输入至对话策略辅助模 型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息;以及根据上述对话 行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
根据本公开的实施例,上述对话策略辅助模型包括:编码层、上下文预测层和对话行为预测层。其中,上述将对话内容输入至对话策略辅助模型中进行处理,包括: 将上述对话内容输入至对话策略辅助模型中,由上述编码层对上述对话内容中的句子 进行编码,输出得到用于表征语义信息的句向量;根据上述对话内容的对话发生顺序, 将上述句向量依序输入至上述上下文预测层中,由上述上下文预测层对上述句向量进 行处理,产生每个句向量所对应的下一时刻对话的隐变量;以及将上述隐变量输入至 上述对话行为预测层,由上述对话行为预测层在预定义的多个对话行为中确定上述隐 变量对应的对话行为中的全局最优解,上述对话行为中的全局最优解作为对话行为推 荐信息进行输出。
根据本公开的实施例,上述由上述对话行为预测层在预定义的多个对话行为中确定上述隐变量对应的对话行为中的全局最优解,包括:将上述隐变量作为上述对话行 为预测层的隐状态,将预定义的多个对话行为作为上述对话行为预测层的观测状态, 由上述对话行为预测层根据隐状态与上述观测状态之间的发射概率和观测状态之间 的转移概率,基于条件随机场算法进行计算,确定上述对话行为中的全局最优解。
根据本公开的实施例,上述对话策略辅助模型还包括:解码层。上述将对话内容输入至对话策略辅助模型中进行处理,还包括:将上述隐变量输入至上述解码层,由 上述解码层进行解码得到下一时刻的推荐话术信息。
根据本公开的实施例,上述输出的信息还包括:下一时刻的推荐话术信息。其中,上述方法还包括:根据上述推荐话术信息,为上述对话参与方中的至少一方提供下一 时刻的话术提示。
根据本公开的实施例,上述方法还包括:根据上述对话行为提示和上述话术提示,进行自动回复。
根据本公开的实施例,上述编码层和上述解码层包括:双向长短期记忆模型 Bi-LSTM、去噪自编码器BART、统一预训练语言模型UniLM、或自回归语言模型GPT; 上述上下文预测层包括:双向长短期记忆模型Bi-LSTM;上述对话行为预测层包括: 条件随机场模型CRF。
根据本公开的实施例,上述在对话参与方沟通的过程中,记录发生的对话内容,包括:在目标对话场景下的对话参与方沟通的过程中,通过录音记录或在聊天界面记 录发生的对话内容。其中,上述目标对话场景包括以下对话场景中的至少一种:人与 人之间的对话场景,人与机器之间的对话场景,上述对话场景包括:客服咨询场景或 社交场景。
第二方面,本公开的实施例提供了一种智能对话的装置。上述装置包括:对话记录模块、处理模块和提示模块。上述对话记录模块用于在对话参与方沟通的过程中, 记录发生的对话内容。上述处理模块用于将上述对话内容输入至对话策略辅助模型中 进行处理,输出的信息包括:下一时刻的对话行为推荐信息。上述提示模块用于根据 上述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
根据本公开的实施例,上述装置包括智能客服***,上述智能客服***包括上述对话记录模块、上述处理模块和上述提示模块。其中,上述对话参与方中的一方为人 工客服或客服机器人;上述提示模块用于根据上述对话行为推荐信息,为上述人工客 服或上述客服机器人提供下一时刻的对话行为提示。
根据本公开的实施例,上述装置包括智能对话***,上述智能对话***包括上述对话记录模块、上述处理模块和上述提示模块。其中,上述对话参与方中的一方为使 用上述智能对话***的用户;上述提示模块用于根据上述对话行为推荐信息,为上述 用户提供下一时刻的对话行为提示。或者,其中,上述装置为智能机器人,上述对话 参与方中的一方为上述智能机器人;上述提示模块用于根据上述对话行为推荐信息, 为上述智能机器人提供下一时刻的对话行为提示;上述智能机器人根据上述对话行为 提示,与交流对象进行对话。
第三方面,本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相 互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程 序时,实现如上所述的智能对话的方法。
第四方面,本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的智能对 话的方法。
本公开实施例提供的上述技术方案至少具有如下优点的部分或全部:
(1)通过将发生的对话内容输入至对话策略辅助模型中进行处理,得到的输出 信息中包括下一时刻的对话行为推荐信息,并根据下一时刻的对话行为推荐信息,为 对话参与方中的至少一方提供下一时刻的对话行为提示,如此在被提示的当前对象进 行会话前可以参考上述对话行为提示开展对应的回复,上述对话行为提示有助于提升 沟通效率的同时,还使得被提示的当前对象能够以精准、快速且恰当的方式与沟通对 象进行交流,有助于提升沟通对象对当前对象的满意度;
(2)上述方法具有广泛的适用性和现实意义,可应用至客服场景或社交场景等,在社交的广义含义下,例如可以包括:搜寻救援任务中的交流沟通,有助于提升客服 的服务质量和服务过程的规范性、提升社***迎度、交友成功率、被救援对象的救援 成功率等。例如,当上述方法应用于客服场景或社交场景时,在A和B进行沟通时, 例如A为消费者,B为客服人员/客服机器人;或者A和B为两个进行社交/沟通/交友等 的人员;或者A为人,B为用于进行对话、搜救等的智能机器人等;上述各个实施场 景下,B使用的装置/***/设备或者B自身(在B为智能机器人的情况下)能够根据已 发生的对话内容确定下一时刻沟通采用的行为推荐信息包括以下行为信息中的一种: 打招呼、进行自我介绍、安抚对方情绪、反问探索、表示感谢、邀请评价、主动营销 等,并据此向B提供对话行为提示,B可以参考对话行为提示来进行下一时刻的对话, 由此能够提升A对B的沟通满意度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人 员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A和图1B分别示意性地示出了适用于本公开实施例的智能对话的方法的两种示例性***架构;
图2示意性地示出了根据本公开一实施例的智能对话的方法的流程图;
图3示意性地示出了根据本公开实施例的对话策略辅助模型的结构示意图;
图4示意性地示出了根据本公开实施例的操作S202的详细实施流程图;
图5示意性地示出了根据本公开实施例的操作S202的实施过程示意图;
图6示意性地示出了根据本公开实施例的操作S403的实施过程示意图;
图7示意性地示出了根据本公开另一实施例的智能对话的方法的流程图;
图8示意性地示出了根据本公开实施例的智能对话的装置的结构框图;以及
图9示意性地示出了本公开实施例提供的电子设备的结构框图。
具体实施方式
本公开的实施例提供了一种智能对话的方法、装置、电子设备及存储介质。上述方法包括:在对话参与方沟通的过程中,记录发生的对话内容;将上述对话内容输入 至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息; 以及根据上述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行 为提示。
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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 施例是本公开的一部分实施例,而不是全部的实施例。基于本公开中的实施例,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 公开保护的范围。
图1A和图1B分别示意性地示出了适用于本公开实施例的智能对话的方法和装置的两种示例性***架构。
参照图1A所示,适用于本公开实施例的智能对话的方法的一种示例性***架构110包括:用户端设备111和智能对话的装置112。该***架构110可以应用至客服场景。
上述用户端设备111上具有客服操作界面,用户101a(例如消费者)可以通过该 客服操作界面来咨询问题,例如进行售前或售后咨询等。上述用户端设备111上还可 以安装有各种通讯客户端应用,例如购物类应用、社交平台软件、即时通信工具、网 页浏览器应用、搜索类应用、邮箱客户端等(仅为示例)。
在一实施例中,参照图1A中单向和双向的单箭头所示,上述智能对话的装置112包括智能客服***1121,该智能客服***1121包含客服机器人;此外,人工客服*** 与包含客服机器人的上述智能客服***为独立的两个***(图1A中未示意)。上述客 服机器人基于预设的逻辑来对客服操作界面中用户咨询的问题进行回复。
参照图1A中示例的对话场景a1所示,该对话场景a1发生于用户101a和客服机器人之间,用户101a可以通过用户端设备111上的客服操作界面来与客服机器人进行对话, 上述智能对话的装置112中的智能客服***1121通过执行本公开实施例提供的智能对 话的方法,为客服机器人提供下一时刻的对话行为提示。
在一实施例中,在对话场景a1中,上述智能客服***1121可以设置于用户端设备111内,对应客服机器人也是设置于用户端设备111中,此时智能对话的装置112就是 上述用户端设备111。或者,在另一实施例中,在对话场景a1中,智能对话的装置112 与用户端设备111是两个独立的主体,智能客服***1121与用户端设备111能够进行通 信连接,并且智能客服***1121为用户端设备111上的客服操作界面提供后台数据支 持和服务。
在另一实施例中,参照图1A中单向和双向的双箭头所示,上述智能对话的装置112包括智能客服***1121,该智能客服***1121包括人工客服***。
在一场景中,客服机器人基于预设的逻辑来对客服操作界面中用户咨询的问题进行回复,并在触发转人工条件的情况下,将用户101a转接至人工客服***,使得人工 客服102a通过与人工客服***或智能客服***1121进行交互,来与用户101a进行沟通。 在另一场景中,用户101a并未与客服机器人进行对话,而是直接发起转人工客服的请 求,在满足转人工的条件时,用户101a可以和人工客服102a进行对话,人工客服102a 可以参照人工客服***或智能客服***1121的提示进行客户服务。
参照图1A中示例的对话场景a2所示,该对话场景a2发生于用户101a和人工客服102a之间,用户101a可以通过用户端设备111来与人工客服102a进行对话,人工客服 102a与用户101a进行对话的过程中,上述智能对话的装置112中的智能客服***1121 通过执行本公开实施例提供的智能对话的方法,为人工客服102a提供下一时刻的对话 行为提示。
在对话场景a2中,智能对话的装置112与用户端设备111是两个独立的主体,智能客服***1121包括人工客服***,智能对话的装置112与用户端设备111能够进行通信 连接,智能客服***1121为用户端设备111上的客服操作界面提供后台数据支持和服 务,并且还为人工客服102a提供业务操作指导和辅助。
可以理解的是,在一些应用场景中,上述智能客服***1121也可以同时集成有客服机器人和人工客服***,参照图1A所示。
参照图1B中双向的单箭头所示,在一种实施场景中,适用于本公开实施例的智能对话的方法的示例性***架构120包括:智能对话的装置122。该***架构120可以应 用至社交场景。
在该实施场景中,上述智能对话的装置122为智能机器人,这里的智能机器人为广义的概念,只要具有对话能力和人工智能的特征,并能够针对对话数据进行分析、 处理以及输出的机器装置/设备等都可以视为智能机器人,例如包括但不限于是:智能 语音机器人、智能聊天机器人、智能音响、智能救援机器人等,当然,上述智能机器 人还可以进一步附带有其他的功能,诸如工业化制造、跳舞等,上述智能机器人包括 智能对话***1221。
参照图1B中示例的对话场景b1所示,该对话场景b1发生于用户101b和上述智能机器人之间,用户101b可以直接与上述智能机器人进行对话,上述智能机器人中的智能 对话***1221通过执行本公开实施例提供的智能对话的方法,为智能机器人提供下一 时刻的对话行为提示。
上述用户101b可以是具有与智能机器人进行对话的对话权限的人员,例如对话权限是针对所有人开放,则任何人都可以与上述智能机器人进行聊天/对话。
在另一种实施场景中,参照图1B中双向的双箭头所示,上述***架构120同时包括用户端设备121和智能对话的装置122。上述智能对话的装置122除了安装有上述智 能对话***1221之外,还安装有用于对话的社交软件/交友软件/通讯软件等。
参照图1B中示例的对话场景b2所示,该对话场景b2发生于用户101b和用户102b之间,用户101b和用户102b为上述社交软件/交友软件/通讯软件的使用者,用户101b 和用户102b可以是认识的人,也可以是陌生人,二者的对话场景可以是日常沟通、社 交、相亲、交友等。其中,至少一个用户使用的社交软件/交友软件/通讯软件或者装 置中具有智能对话辅助的功能,该功能通过智能对话***1221来实现。例如用户102b 使用的智能对话的装置122中,通过智能对话***1221执行本公开实施例提供的智能 对话的方法,为用户102b提供下一时刻的对话行为提示。
基于上述场景的描述可知,本公开实施例提供的智能对话的方法具有广泛的适用性和现实意义,可应用至客服场景或社交场景等,在社交的广义含义下,可以包括: 搜寻救援任务中的对话交流,有助于提升客服的服务质量和服务过程的规范性、提升 社***迎度、交友成功率、被救援对象的救援成功率等。
下面结合附图来对本公开的实施例进行详细说明。
本公开的第一个示例性实施例提供了一种智能对话的方法。
图2示意性地示出了根据本公开一实施例的智能对话的方法的流程图。
参照图2所示,本公开实施例提供的智能对话的方法,包括以下操作:S201、S202和S203。参照有关图1A和图1B的描述可知,操作S201~S203可以由安装有智能客服系 统1121的电子设备来执行,或者由安装有智能对话***1221的电子设备来执行。
在操作S201,在对话参与方沟通的过程中,记录发生的对话内容。
对话参与方是指进行对话的对象,例如M和N这两个对象在进行交谈,则对话参 与方为M和N。A、B和C这三个对象进行交谈,则对话参与方包括A、B和C。对话参 与方沟通的场景可以是人和人进行沟通的场景,也可以是人和机器进行信息交流的过 程。
沟通的方式可以是通过语音形式、文本形式等,相应的,对话内容也包括文本形式和/或语音形式。
沟通包括面对面的沟通,也包括远程的沟通。例如在远程沟通时,可以通过通讯电话、网络电话、或者即时通讯软件中的聊天界面、语音通话或视频通话等进行沟通。
在记录对话内容时,会在每个对象的谈话中记录上相应对象的标识,即,会明确哪个对象表达了什么信息。
在操作S202,将上述对话内容输入至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息。
对话策略辅助模型的输入为已经发生的语音形式或者文本形式的对话内容,输出的信息包括:下一时刻的对话行为推荐信息。
例如,可以是在对话参与方沟通的过程中,在记录发生的对话内容的同时,将上述对话内容实时输入至对话策略辅助模型中。
上述对话行为推荐信息包括但不限于是以下行为信息中的一种或多种:打招呼、进行自我介绍、安抚对方情绪、反问探索、表示感谢、邀请评价、主动营销等。
当对话行为推荐信息为多种时,会提供各个行为推荐信息之间的相对优先级或相对重要程度。
在操作S203,根据上述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
上述对话策略辅助模型输出的信息中可以涵盖所有的对话参与方的行为推荐信息,在使用场景下,可以为对话参与方中的一方提供下一时刻的对话行为提示。例如 上述对话参与方中的一方可以是:使用安装有智能客服***1121的电子设备的客服人 员,或者是智能客服***1121中的客服机器人,或者是使用安装有智能对话***1221 的电子设备的用户,或者是安装有智能对话***1221的智能机器人。也可以为对话参 与方中的多方提供下一时刻的对话行为提示。例如为两个均使用图1B所示例的智能对 话的装置122的人员,这两个人员均为不善于进行社交的人员,希望借助上述智能客 服***1221提供的辅助功能来进行顺畅的沟通,以提升对方对自己的沟通满意度。
基于上述操作S201~S203,通过将发生的对话内容输入至对话策略辅助模型中进行处理,得到的输出信息中包括下一时刻的对话行为推荐信息,并根据下一时刻的对 话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示,如此在 被提示的当前对象进行会话前可以参考上述对话行为提示开展对应的回复,上述对话 行为提示有助于提升沟通效率的同时,还使得被提示的当前对象能够以精准、快速且 恰当的方式与沟通对象进行交流,有助于提升沟通对象对当前对象的满意度。
本公开实施例提供的智能对话的方法应用至客服场景时,相较于已有的智能客服***而言,已有的智能客服***仅仅是能够提供语义方面的辅助,即帮助给出用户问 题所对应的正确答案。但真实场景下的对话交流,不仅仅是被动的回答问题,还存在 有主动询问、情感安抚、感谢邀评等等多种多样的对话行为。因为本公开提供的构思 更加注重对话策略的全局决策,从对话文本上下文中预测产生出最优对话行为策略, 帮助人工客服/客服机器人采用最为合适的对话策略,即该回答就回答,该发问就发问, 该推荐就推荐,不仅使交互的形式更加自然,也能更好地进行商品推荐销售以及对客 户需求进行更好的满足等,有助于提升客服质量。
根据本公开的实施例,上述操作S201中,在对话参与方沟通的过程中,记录发生的对话内容,包括:在目标对话场景下的对话参与方沟通的过程中,通过录音记录或 在聊天界面记录发生的对话内容。
其中,上述目标对话场景包括以下对话场景中的至少一种:人与人之间的对话场景,人与机器之间的对话场景,上述对话场景包括:客服咨询场景或社交场景。
例如,当上述方法应用于客服场景或社交场景时,在A和B进行沟通时,例如A为 消费者,B为客服人员/客服机器人;或者A和B为两个进行社交/沟通/交友等的人员; 或者A为人,B为用于进行对话、搜救等的智能机器人等;上述各个实施场景中,B使 用的装置/***/设备或者B自身(在B为智能机器人的情况下)能够根据已发生的对话 内容确定下一时刻沟通采用的行为推荐信息包括以下行为信息中的一种或多种:打招 呼、进行自我介绍、安抚对方情绪、反问探索、进行回复、表示感谢、邀请评价、主 动营销等,并据此向B提供对话行为提示,B可以参考对话行为提示来进行下一时刻的 对话,由此能够提升A对B的沟通满意度。
需要说明的是,在社交的广义含义下,例如可以包括:搜寻救援任务中的交流沟通,上述智能对话的方法在客服和社交等场景下的实施,有助于提升客服的服务质量 和服务过程的规范性、提升社***迎度、交友成功率、被救援对象的救援成功率等。
图3示意性地示出了根据本公开实施例的对话策略辅助模型的结构示意图。
根据本公开的一种实施例,参照图3中实线框所示,对话策略辅助模型300包括:编码层301、上下文预测层302和对话行为预测层303。
根据本公开的另一种实施例,参照图3中实线框和虚线框所示,上述对话策略辅助模型300包括:编码层301、上下文预测层302、对话行为预测层303和解码层304。
图4示意性地示出了根据本公开实施例的操作S202的详细实施流程图。图5示意性地示出了根据本公开实施例的操作S202的实施过程示意图。图5中实线部分表示在对 话策略辅助模型包括编码层301、上下文预测层302和对话行为预测层303时对应的实 施场景,虚线部分表示当对话策略辅助模型进一步包括解码层304时,操作S202进一 步可以包括的实施过程示意图。
参照图4所示,在对话策略辅助模型300包括:编码层301、上下文预测层302和对话行为预测层303的实施例的基础上,上述操作S202中,将对话内容输入至对话策略 辅助模型中进行处理,包括以下操作:S401、S402和S403。
在操作S401,将上述对话内容输入至对话策略辅助模型中,由上述编码层对上述对话内容中的句子进行编码,输出得到用于表征语义信息的句向量。
参照图5中实线箭头所示,编码层301对上述操作S201中记录的发生的对话内容中的句子进行编码。
在一些实施例中,进行编码的具体过程可以包括:采用预处理网络层,将对话内容中的句子按照词素进行划分,然后将每个词素输入至编码层301中,输出得到对应 的句向量。这里的句子的含义是指:发言对象在每轮会话中产生的内容,可以是1个 句子或多个句子。
例如参照图5中实线箭头所示,以对话内容发生于A和B之间作为示例,记录的对话内容中具有对话发生顺序以及发言内容的产生对象,例如对话内容的记录形式包括:{10:25:13(时:分:秒的格式,对应为说话时间),A说:“句子1”;10:25:48,B 说:“句子2”;10:26:30,A说“句子3”}。
将句子1对应拆分为词素W1i,将句子2对应拆分为词素W2j,将句子3对应拆分为 词素W3k;其中,i,j,k分别取值为各个词素的序号1、2、3……,i,j,k的最大值为词素的 总个数。将各个词素W1i输入至编码层301中,得到句向量U1;将各个词素W2j输入至 编码层301中,得到句向量U2;将各个词素W3k输入至编码层301中,得到句向量U3。 上述句向量U1、U2和U3为表征各个句子语义的向量形式。例如,编码层301可以是双 向长短期记忆模型(Bi-LSTM)、去噪自编码器(BART)、统一预训练语言模型(UniLM)、 或自回归语言模型(GPT)等模型,来针对对话特征进行编码。
示例性的,句子1为:“您好,我有问题咨询”;句子2为:“您好,我是编号× ×的客服,很高兴为您服务,您具体有什么需要咨询的呢”;句子3为:“等了好久 才转接到你们这个人工客服,效率太低了;对了,我想问这款吸尘器产品的具体功能 如何,对于新手方便操作吗”。
句子1拆分后的词素W1i分别为:W11~W15,对应分别为:您好、我、有、问题、 咨询。句子2拆分后的词素W1i分别为:W21~W2(14),(括号中的14表示一个序号整体, 实际上不影响理解的话,括号可以去除;后续相同的表示方式含义进行类推即可)对 应分别为:您好、我、是、编号××、的、客服、很高兴、为您服务、您、具体、有、 什么、需要、咨询。句子3拆分后的词素W1i分别为:W31~W3(23),等了、好久、才、 转接到、你们、这个、人工、客服、效率、太低、对了、我、想问、这款、吸尘器产 品、的、具体功能、如何、对于、新手、是否、方便、操作。
在操作S402,根据上述对话内容的对话发生顺序,将上述句向量依序输入至上述上下文预测层中,由上述上下文预测层对上述句向量进行处理,产生每个句向量所对 应的下一时刻对话的隐变量。
参照图5中实线箭头所示,根据上述对话内容的发生顺序,将句向量U1、U2和U3依序输入至上下文预测层302中,由上下文预测层302对上述句向量U1、U2和U3进行处 理,产生句向量U1所对应的下一时刻对话的隐变量V1,句向量U2所对应的下一时刻对 话的隐变量V2,句向量U3所对应的下一时刻对话的隐变量V3。
在操作S403,将上述隐变量输入至上述对话行为预测层,由上述对话行为预测层在预定义的多个对话行为中确定上述隐变量对应的对话行为中的全局最优解,上述对 话行为中的全局最优解作为对话行为推荐信息进行输出。
参照图5中实线箭头所示,将隐变量V1,V2和V3输入至对话行为预测层303,由对 话行为预测层303在预定义的多个对话行为中确定上述隐变量对应的对话行为中的全 局最优解,示例性的,隐变量V1对应的对话行为中的全局最优解分别为:行为A13, 隐变量V2对应的对话行为中的全局最优解分别为:行为A22,隐变量V3对应的对话行 为中的全局最优解分别为:行为A31。行为A13、行为A22和行为A31例如分别为:自我 介绍,进行回复,安抚对方情绪和反问探索。
A在第二轮说的话实际对应于两个语义下的句子,因此经过对话行为预测层处理后得到的行为A31包括安抚对方情绪和反问探索这两个对话行为。相应的,在操作S203 中,根据上述对话行为推荐信息,可以为B提供下一时刻的对话行为提示为:先安抚 对方情绪,然后进行反问探索。
示例性的,在已有的对话:A-B-A之后,B在第二轮回复A时,可以根据上述对话 行为提示来进行回复,例如回复内容为:“我非常能理解您现在的感受,由于人工客 服资源有限,对于您的等候时长过长我表示抱歉;请问,您这边房屋面积多大,吸尘 器主要打扫区域是哪里,请您提供这些信息,我给您进行相关推荐”。
在其他实施例中,在操作S401中进行编码时,可以采用预处理网络层,将对话内容按照发言对象、语义、停顿关系等进行句子语义划分,并将划分后的句子按照词素 进行划分,然后针对每个句子进行对应的编码操作,得到对应的句向量。之后通过执 行操作S402和S403时,每个句向量所对应的下一时刻对话的隐变量通过CRF模型处理 后,输出得到的下一时刻的对话行为推荐信息是单一的。
图6示意性地示出了根据本公开实施例的操作S403的实施过程示意图。
根据本公开的实施例,上述操作S403中,由上述对话行为预测层在预定义的多个对话行为中确定上述隐变量对应的对话行为中的全局最优解,包括:将上述隐变量作 为上述对话行为预测层的隐状态,将预定义的多个对话行为作为上述对话行为预测层 的观测状态,由上述对话行为预测层根据隐状态与上述观测状态之间的发射概率和观 测状态之间的转移概率,基于条件随机场(CRF)算法进行计算,确定上述对话行为 中的全局最优解。
参照图6所示,将上述隐变量V1,V2和V3作为上述对话行为预测层303的隐状态, 将预定义的多个对话行为作为上述对话行为预测层的观测状态,例如对话行为A11、 A12和A13为隐变量V1的观测状态,对话行为A21、A22和A23为隐变量V2的观测状态,对 话行为A31、A32和A33为隐变量V3的观测状态。在图6中采用虚线箭头来示意隐状态与 观测状态之间的发射概率对应的路径,采用实线箭头来示意观测状态之间的转移概率 对应的路径,在采用条件随机场算法计算时,通过概率逐次累乘求得全局最优解,这 里以全局最优解对应为:A13、A22和A33进行示例,在图6中以长虚线箭头来示意连接 至全局最优解的发射概率对应的路径,与其他短虚线箭头示意的路径进行区别;此外 在图6中还示意了全局最优解对应的最优路径,参照图6中五角星标示的路径所示。
在包含操作S401~S403的实施例中,先基于句子层次的模型进行处理,然后基于对话层次的模型进行处理,然后在对话层次的模型的基础之上,再利用CRF算法生成 相应的对话策略,从对话行为层面指导对话参与方中的至少一方,上述对话策略辅助 模型的模型层次条理清楚、且行为预测和应用效果很好。
根据本公开的实施例,在上述对话策略辅助模型300包括:编码层301、上下文预测层302、对话行为预测层303和解码层304的基础上,上述操作S202中,将对话内容 输入至对话策略辅助模型中进行处理,除了包括上述操作S401、S402和S403之外,还 包括操作S404。
在操作S404,将上述隐变量输入至上述解码层304,由上述解码层304进行解码得到下一时刻的推荐话术信息,参照图5中虚线箭头和虚线框所示。
例如,可以将隐变量V3输入至上述解码层304,由上述解码层304进行解码得到下一时刻的各个预测词素从而由上述预测词素得到推荐话术信息,其中,m 的取值为预测词素的序号1、2、3……,m的最大值为预测词素的总个数。例如推荐话 术信息为:“我理解您的感受,对此我方表示歉意;烦请您提供下吸尘器的使用环境 信息,以便我方根据这些信息进行相关推荐”。
图7示意性地示出了根据本公开另一实施例的智能对话的方法的流程图。
参照图7所示,在对话策略辅助模型300包括:编码层301、上下文预测层302、对 话行为预测层303和解码层304的基础上,对话策略辅助模型300输出的信息还包括: 下一时刻的推荐话术信息,为了区别示意,在图7中以操作S202a来示意输出的信息同 时包括:下一时刻的对话行为推荐信息和下一时刻的推荐话术信息的操作步骤。在上 述基础上,上述智能对话的方法除了包括上述操作S201~S203之外,还包括操作S701。
在操作S701,根据上述推荐话术信息,为上述对话参与方中的至少一方提供下一时刻的话术提示。
在一些实施例中,上述智能对话的方法还可以在上述操作S201~S203和S701的基础上,进一步包括:根据上述对话行为提示和上述话术提示,进行自动回复。这一操 作可以是在用户点选对话行为提示和话术提示的情况下触发,也可以是根据用户的预 先授权设置,自动触发执行。示例性的,上述自动回复的方式可以应用至客服机器人 与用户进行对话的场景,或者智能机器人与人进行对话的场景等。
在包含操作S201~S203和S701,其中操作S202包括操作S401~S404的实施例中,除了具有上述包含操作S401~S403的实施例的优点之外,由于能够在输出对话策略的 同时,输出对话话术的相关建议提示,应用至客服场景或社交场景时,不仅能够辅助 人工客服、客服机器人、智能机器人、有社交辅助需求的用户等使用者采用较为合适 的对话行为,还可以为这些使用者提供对话话术的参考,此外,对话行为提示和话术 提示可以转变为自动回复,在用户需要的情况下协助用户进行智能化回复,能够实现 全自动化的应答。
根据本公开的实施例,编码层301和解码层304包括但不限于是:双向长短期记忆模型(Bi-LSTM)、去噪自编码器(BART)、统一预训练语言模型(UniLM)、或 自回归语言模型(GPT);上下文预测层202包括但不限于是:双向长短期记忆模型 (Bi-LSTM);上述对话行为预测层203包括但不限于是:条件随机场(CRF)模型。
根据本公开的实施例,上述对话策略辅助模型的构建过程示例性如下:将对话场景下的训练语料作为机器学习模型的输入,该机器学习模型的输出为下一时刻的行为 预测信息,上述机器学习模型的结构与对话策略辅助模型的结构相同,只是机器学习 模型中的参数为初始参数,尚未进行优化。将训练语料中对应于下一时刻的对话的真 实行为作为上述行为预测信息的训练标签,由此对机器学习模型进行多次训练,通过 在训练过程中调整机器学习模型的参数,使得表征行为预测信息与训练标签之间的差 距的损失函数收敛,视为训练完成,训练好的机器学习模型即为对话策略辅助模型。
例如,以应用至客服场景作为示例,对话场景下的训练语料可以选用优质客服(即为对话过程中服务质量评分高的客服)与客户之间的对话内容作为训练语料,并对优 质客服实际发生的对话内容进行行为标注,标注后的行为作为训练时的标签。这里根 据实际需要,是以单一对象的行为标注进行示例,在其他实施例中,可以对多个对象 进行行为标注。
在一实施例中,训练时,输入的训练语料需要限制长度,例如限制对话轮次为3 轮(具体训练模型的机器的算力可以变化限制长度),那么如果在一个训练语料中(多 个训练语料的情况类似),优质客服与客户之间的对话内容有6轮,可以将第1轮对话 内容输入至机器学习模型中,输出得到第2轮对话中各个对象(用户和优质客服)的 行为预测结果,以第2轮对话中选中对象(例如为优质客服)的实际行为作为训练标 签,对上述机器学习模型进行训练;为了实现模型的泛化,可以进一步将第1轮和第2 轮对话内容输入至机器学习模型中,输出得到第三轮对话中各个对象的行为预测结果, 并以第3轮对话中选中对象(例如为优质客服)的实际行为作为训练标签,对上述机 器学习模型进行训练;类似的,可以将第1轮~第3轮对话内容输入至机器学习模型中, 输出得到第4轮对话中各个对象的行为预测结果,并以第4轮对话中选中对象(例如为 优质客服)的实际行为作为训练标签,对上述机器学习模型再进行训练,之后,可以 按照相同的方式,将第2~4轮、第3~5轮的对话内容作为训练语料进行输入。
类似的,应用至社交场景时,例如可以采用搜救成功案例中的对话内容作为训练语料,采用用户评价满意度高对应的聊天场景中的对话内容作为训练语料等等。
本公开的第二个示例性实施例提供了一种智能对话的装置。
图8示意性地示出了根据本公开实施例的智能对话的装置的结构框图。
参照图8所示,本公开实施例提供的智能对话的装置800包括:对话记录模块801、处理模块802和提示模块803。
上述对话记录模块801用于在对话参与方沟通的过程中,记录发生的对话内容。
上述处理模块802用于将上述对话内容输入至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息。
根据本公开的一种实施例,参照图3所示,上述对话策略辅助模型300包括:编码层301、上下文预测层302、对话行为预测层303。上述处理模块802包括用于实现上述 操作S401~S403的功能模块或子模块。
上述提示模块803用于根据上述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
根据本公开的另一种实施例,参照图3所示,上述对话策略辅助模型300包括:编码层301、上下文预测层302、对话行为预测层303和解码层304。相应的,上述处理模 块802除了包括用于实现上述操作S401~S403的功能模块或子模块之外,还可以包括用 于实现操作S404的功能模块或子模块,得到的输出的信息中除了包括:下一时刻的对 话行为推荐信息之外,还包括下一时刻的推荐话术信息。上述提示模块803还用于根 据上述推荐话术信息,为上述对话参与方中的至少一方提供下一时刻的话术提示。
根据本公开的实施例,上述装置800除了包括对话记录模块801、处理模块802和提示模块803之外,还可以进一步包括:自动回复模块。上述自动回复模块用于根据 上述对话行为提示和上述话术提示,进行自动回复。
根据本公开的一种实际场景,例如可以参照图1A所示,上述智能对话的装置800(可以对应于图1A中的智能对话的装置112)包括智能客服***1121,上述智能客服 ***1121包括上述对话记录模块801、上述处理模块802和上述提示模块803。其中, 上述对话参与方中的一方为人工客服或客服机器人;上述提示模块用于根据上述对话 行为推荐信息,为上述人工客服或上述客服机器人提供下一时刻的对话行为提示,参 照图1A中的对话场景a1和a2所示。
根据本公开的另一种实施场景,例如可以参照图1B所示,上述智能对话的装置800(可以对应于图1B中的智能对话的装置122)包括智能对话***1221,上述智能对话 ***1221包括上述对话记录模块801、上述处理模块802和上述提示模块803。其中, 上述对话参与方中的一方为使用上述智能对话***的用户;上述提示模块用于根据上 述对话行为推荐信息,为上述用户提供下一时刻的对话行为提示,参照图1B中对话场 景b2所示。或者,其中,上述装置为智能机器人,上述对话参与方中的一方为上述智 能机器人;上述提示模块用于根据上述对话行为推荐信息,为上述智能机器人提供下 一时刻的对话行为提示;上述智能机器人根据上述对话行为提示,与交流对象进行对 话,参照图1B中对话场景b1所示。
上述对话记录模块801、处理模块802和提示模块803中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中 的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个 模块中实现。对话记录模块801、处理模块802和提示模块803中的至少一个可以至少 被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、 片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电 路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及 固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,对话记录 模块801、处理模块802和提示模块803中的至少一个可以至少被部分地实现为计算机 程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开的第三个示例性实施例提供了一种电子设备。
图9示意性地示出了本公开实施例提供的电子设备的结构框图。
参照图9所示,本公开实施例提供的电子设备900包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901、通信接口902和存储器903通过通信总 线904完成相互间的通信;存储器903,用于存放计算机程序;处理器901,用于执行 存储器上所存放的程序时,实现如上所述的智能对话的方法。
本公开的第四个示例性实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的智 能对话的方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或 者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁 盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。 在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可 以被指令执行***、装置或者器件使用或者与其结合使用。
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。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。 对这些实施例的多种修改对本领域的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公开的精神或范围的情况下,在其它实施例中实现。因此, 本公开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申请的原理和新 颖特点相一致的最宽的范围。
Claims (13)
1.一种智能对话的方法,其特征在于,包括:
在对话参与方沟通的过程中,记录发生的对话内容;
将所述对话内容输入至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息;以及
根据所述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
2.根据权利要求1所述的方法,其特征在于,所述对话策略辅助模型包括:编码层、上下文预测层和对话行为预测层;
其中,所述将对话内容输入至对话策略辅助模型中进行处理,包括:
将所述对话内容输入至对话策略辅助模型中,由所述编码层对所述对话内容中的句子进行编码,输出得到用于表征语义信息的句向量;
根据所述对话内容的对话发生顺序,将所述句向量依序输入至所述上下文预测层中,由所述上下文预测层对所述句向量进行处理,产生每个句向量所对应的下一时刻对话的隐变量;以及
将所述隐变量输入至所述对话行为预测层,由所述对话行为预测层在预定义的多个对话行为中确定所述隐变量对应的对话行为中的全局最优解,所述对话行为中的全局最优解作为对话行为推荐信息进行输出。
3.根据权利要求2所述的方法,其特征在于,所述由所述对话行为预测层在预定义的多个对话行为中确定所述隐变量对应的对话行为中的全局最优解,包括:
将所述隐变量作为所述对话行为预测层的隐状态,将预定义的多个对话行为作为所述对话行为预测层的观测状态,由所述对话行为预测层根据隐状态与所述观测状态之间的发射概率和观测状态之间的转移概率,基于条件随机场算法进行计算,确定所述对话行为中的全局最优解。
4.根据权利要求2所述的方法,其特征在于,所述对话策略辅助模型还包括:解码层;
所述将对话内容输入至对话策略辅助模型中进行处理,还包括:
将所述隐变量输入至所述解码层,由所述解码层进行解码得到下一时刻的推荐话术信息。
5.根据权利要求1或4所述的方法,其特征在于,所述输出的信息还包括:下一时刻的推荐话术信息;
其中,所述方法还包括:
根据所述推荐话术信息,为所述对话参与方中的至少一方提供下一时刻的话术提示。
6.根据权利要求5所述的方法,其特征在于,还包括:根据上述对话行为提示和上述话术提示,进行自动回复。
7.根据权利要求4所述的方法,其特征在于,所述编码层和所述解码层包括:双向长短期记忆模型、去噪自编码器、统一预训练语言模型、或自回归语言模型;所述上下文预测层包括:双向长短期记忆模型;所述对话行为预测层包括:条件随机场模型。
8.根据权利要求1所述的方法,其特征在于,所述在对话参与方沟通的过程中,记录发生的对话内容,包括:
在目标对话场景下的对话参与方沟通的过程中,通过录音记录或在聊天界面记录发生的对话内容;
其中,所述目标对话场景包括以下对话场景中的至少一种:人与人之间的对话场景,人与机器之间的对话场景,所述对话场景包括:客服咨询场景或社交场景。
9.一种智能对话的装置,其特征在于,包括:
对话记录模块,用于在对话参与方沟通的过程中,记录发生的对话内容;
处理模块,用于将所述对话内容输入至对话策略辅助模型中进行处理,输出的信息包括:下一时刻的对话行为推荐信息;以及
提示模块,用于根据所述对话行为推荐信息,为对话参与方中的至少一方提供下一时刻的对话行为提示。
10.根据权利要求9所述的装置,其特征在于,所述装置包括智能客服***,所述智能客服***包括所述对话记录模块、所述处理模块和所述提示模块;
其中,所述对话参与方中的一方为人工客服或客服机器人;所述提示模块用于根据所述对话行为推荐信息,为所述人工客服或所述客服机器人提供下一时刻的对话行为提示。
11.根据权利要求9所述的装置,其特征在于,所述装置包括智能对话***,所述智能对话***包括所述对话记录模块、所述处理模块和所述提示模块;
其中,所述对话参与方中的一方为使用所述智能对话***的用户;所述提示模块用于根据所述对话行为推荐信息,为所述用户提供下一时刻的对话行为提示;或者,
所述装置为智能机器人,所述对话参与方中的一方为所述智能机器人;所述提示模块用于根据所述对话行为推荐信息,为所述智能机器人提供下一时刻的对话行为提示;所述智能机器人根据所述对话行为提示,与交流对象进行对话。
12.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388664.6A CN115934901A (zh) | 2021-11-22 | 2021-11-22 | 智能对话的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111388664.6A CN115934901A (zh) | 2021-11-22 | 2021-11-22 | 智能对话的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115934901A true CN115934901A (zh) | 2023-04-07 |
Family
ID=86554489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111388664.6A Pending CN115934901A (zh) | 2021-11-22 | 2021-11-22 | 智能对话的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934901A (zh) |
-
2021
- 2021-11-22 CN CN202111388664.6A patent/CN115934901A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10262195B2 (en) | Predictive and responsive video analytics system and methods | |
CN111028827B (zh) | 基于情绪识别的交互处理方法、装置、设备和存储介质 | |
TWI698830B (zh) | 機器人客服轉人工客服的方法和裝置及其電腦設備與電腦可讀儲存媒體 | |
CN108595436B (zh) | 情感对话内容的生成方法和***、存储介质 | |
CN106133825A (zh) | 自动语音识别***中的广义短语 | |
KR101615848B1 (ko) | 유사상황 검색을 통한 대화 스티커 추천방법 및 컴퓨터 프로그램 | |
US10950223B2 (en) | System and method for analyzing partial utterances | |
CN110069612B (zh) | 一种回复生成方法及装置 | |
TW201919042A (zh) | 語音互動裝置及應用其之語音互動方法 | |
Wilks et al. | A prototype for a conversational companion for reminiscing about images | |
CN116049360A (zh) | 基于客户画像的智能语音对话场景话术干预方法及*** | |
CN111462726B (zh) | 一种外呼应答方法、装置、设备及介质 | |
Sabharwal et al. | Developing Cognitive Bots Using the IBM Watson Engine: Practical, Hands-on Guide to Developing Complex Cognitive Bots Using the IBM Watson Platform | |
CN110489519B (zh) | 基于会话预测模型的会话方法及相关产品 | |
US9667786B1 (en) | Distributed coordinated system and process which transforms data into useful information to help a user with resolving issues | |
CN110827040A (zh) | 一种消费者诉求解决方法和*** | |
CN114239607A (zh) | 一种对话答复方法及装置 | |
CN110931002B (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
CN112069830A (zh) | 一种智能会话方法及装置 | |
Mohammed et al. | Chatbot system architecture | |
Hung et al. | Context‐Centric Speech‐Based Human–Computer Interaction | |
CN116561284A (zh) | 智能应答方法、装置、电子设备及介质 | |
CN115934901A (zh) | 智能对话的方法、装置、电子设备及存储介质 | |
US11798538B1 (en) | Answer prediction in a speech processing system | |
CN110765242A (zh) | 一种客服信息的提供方法,装置及*** |
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 |