CN116578690B - 一种基于人工智能的保险客服服务方法与*** - Google Patents
一种基于人工智能的保险客服服务方法与*** Download PDFInfo
- Publication number
- CN116578690B CN116578690B CN202310857578.8A CN202310857578A CN116578690B CN 116578690 B CN116578690 B CN 116578690B CN 202310857578 A CN202310857578 A CN 202310857578A CN 116578690 B CN116578690 B CN 116578690B
- Authority
- CN
- China
- Prior art keywords
- customer service
- dialogue
- insurance customer
- word
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 269
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F16/3347—Query execution using vector based model
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Technology Law (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及客服服务的技术领域,揭露了一种基于人工智能的保险客服服务方法与***,所述方法包括:对用户问答数据依次进行向量化处理、基于文本编码模型的编码处理以及自注意力加权处理,得到用户问答数据的加权后编码向量序列;获取保险客服参考服务对话数据的加权后编码向量序列,构造保险客服对话模型并基于优化目标函数进行模型优化求解。本发明通过基于词的位置信息进行词向量表示,实现词向量的位置信息捕捉,并提高句中位置的自注意力权重,结合每句词向量序列的上文有效信息,对词向量序列进行编码表示以及自注意力加权处理,实现保险客服对话模型对用户问答信息的有效捕捉,并基于不同保险客服参考回答数据的出现概率进行客服服务。
Description
技术领域
本发明涉及客服服务技术领域,尤其涉及一种基于人工智能的保险客服服务方法与***。
背景技术
随着自然语言技术的快速发展,基于“编码-解码”结构的自动对话机器人日趋成熟。由于保险行业术语的严谨性,现有的对话机器人无法区分相近表达但是含义不同的词语表达方式,更趋于产生低信息量的对话内容,造成较差的用户体验。针对该问题,本发明提出一种基于人工智能的保险客服服务方法与***,通过参考规范指导下的文本生成任务要求自动生成的文本满足与参考规范的语义相关性和知识点匹配性,达到用户体验更优的保险客服服务效果。
发明内容
有鉴于此,本发明提供一种基于人工智能的保险客服服务方法,目的在于:1)基于保险客服参考服务对话数据中每个分词结果在句中的位置进行词向量表示,其中分词结果在句中的位置即为词向量表示权重,越靠近句中位置的词向量表示的权重越大,实现词向量的位置信息捕捉,并提高句中位置的自注意力权重,使得保险客服对话模型可以更为有效捕捉句中位置信息,并结合每句词向量序列的上文有效信息,对词向量序列进行编码表示以及自注意力加权处理,得到包含上文有效信息以及主要信息注意力加权后的编码向量序列,实现保险客服对话模型对用户问答信息的有效捕捉;2)通过以最小化优化目标函数为目标,求解得到使得保险客服对话模型所输出不同保险客服参考回答数据的概率分布与所采集保险客服参考服务对话数据中保险客服参考回答数据的概率分布相似的模型参数,并据此构建得到保险客服对话模型,根据用户的每句问答数据,自动选取该句对话主要信息在保险客服参考服务对话数据中所对应出现概率最高的保险客服参考服务对话进行输出,实现自动保险客服服务。
为实现上述目的,本发明提供的一种基于人工智能的保险客服服务方法,包括以下步骤:
S1:采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列;
S2:将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列;
S3:对编码向量序列进行自注意力加权处理得到加权后的编码向量序列;
S4:计算加权后的编码向量序列中每一个编码向量出现的概率;
S5:构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,所述保险客服对话模型为神经网络模型;
S6:基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理,包括:
采集N组保险客服参考服务对话数据,所述保险客服参考服务对话数据的形式为:
;
其中:
表示第n组保险客服参考服务对话数据,/>表示第n组保险客服参考服务对话数据中的用户问题数据,/>表示对/>的保险客服参考回答数据;在本发明实施例中,对话数据均为文本数据;
对参考服务对话数据中的每一个词进行向量化处理,其中对参考服务对话数据的向量化处理流程为:
S11:预构建保险常用词分词词表,对于参考服务对话数据中的任意一句文本,截取前e个文本字符与保险常用词分词词表中的常用词进行比对,若比对不成功,则截取前e-1个文本字符与保险常用词分词词表中的常用词进行比对,依此类推,直到比对成功或待比对文本字符仅剩一个文本字符,并将该字符从该句文本删除,若比对成功则记录用于比对的文本字符,并将用于比对的文本字符从该句文本中删除,并重复当前步骤,直到该句文本全部被拆分为词语形式,将所记录的所有文本字符作为分词结果;在本发明实施例中,以逗号、分号以及句号对参考服务对话数据进行文本句数划分;
其中的分词结果为:
;
;
其中:
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
S12:构建长度位数为E的状态寄存器,其中E为保险常用词分词词表中常用词的总数,并为每一个寄存器位与保险常用词分词词表中常用词建立对应关系,状态寄存器的每一位初始值为0;
S13:将每个分词结果与状态寄存器中的每个寄存器位所对应的常用词进行匹配,将匹配成功的寄存器位调整为1,得到分词结果的编码结果,其中分词结果的编码结果为/>;
S14:对分词结果的编码结果进行向量化表示,其中编码结果的向量化表示公式为:
;
其中:
表示/>的向量化表示结果;
S15:将参考服务对话数据的每句文本中的所有分词结果的向量化表示结果构成一组词向量序列,得到每组参考服务对话数据的对话词向量序列,其中的对话词向量序列为:
;
;
其中:
表示/>的对话词向量序列,/>表示/>的对话词向量序列;
表示/>中第/>句文本的词向量序列。
可选地,所述S2步骤中将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,包括:
将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列,其中基于文本编码模型的对话词向量的编码流程为:
S21:文本编码模型接收对话词向量;
S22:对对话词向量中的任意词向量序列进行编码处理,其中的编码处理公式为:
;
;
其中:
表示用于编码处理的的权重参数,/>表示用于编码处理的偏置参数;
表示激活函数,/>;在本发明实施例中,将设置为/>函数;
表示对话词向量中/>的编码向量;
表示从/>中提取到的有用特征信息,;
S23:构成对话词向量的编码向量序列:
;
其中:
表示对话词向量/>的编码向量序列。
可选地,所述S3步骤中对编码向量序列进行自注意力加权处理,包括:
生成任意编码向量的自注意力权重向量,其中编码向量序列的自注意力权重向量为:
;
其中:
表示编码向量序列/>的自注意力权重向量;
基于自注意力权重向量对编码向量序列/>进行自注意力加权处理,其中自注意力加权处理公式为:
;
其中:
表示/>的自注意力加权结果;
则加权后的编码向量序列为:
;
其中:
表示编码向量序列/>的自注意力加权结果。
可选地,所述S4步骤中计算每一个加权后编码向量序列出现的概率,包括:
计算N组保险客服参考服务对话数据中任意两组用户问题数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量序列;
计算N组保险客服参考服务对话数据中任意两组保险客服参考回答数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量;
计算得到任意加权后编码向量序列以及同一加权后编码向量序列出现的条件下,加权后编码向量序列/>以及同一加权后编码向量序列出现的概率:其中/>表示任意加权后编码向量序列/>以及/>的同一加权后编码向量序列的集合,/>表示加权后编码向量序列/>以及/>的同一加权后编码向量序列的集合。
可选地,所述S5步骤中构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,包括:
构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,其中保险客服对话模型包括输入层,概率计算层以及输出层,输入层用于接收用户问答数据的加权后编码向量序列,概率计算层中包括卷积层以及归一化层,用于计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的保险客服参考回答数据进行输出;
保险客服对话模型的优化目标函数为:
;
;
其中:
表示保险客服对话模型的优化目标函数,/>表示保险客服对话模型中概率计算层的卷积计算参数,即卷积层中的权重参数,/>表示卷积层;
表示将/>输入到基于/>的保险客服对话模型中,保险客服对话模型中概率计算层所计算得到的/>的出现概率之和,/>表示归一化处理;
表示概率计算层所计算得到的/>中加权后编码向量序列的出现概率之和;
以最小化优化目标函数为目标,求解得到使得保险客服对话模型所输出不同保险客服参考回答数据的概率分布与所采集保险客服参考服务对话数据中保险客服参考回答数据的概率分布相似的模型参数。
可选地,所述S6步骤中基于优化目标函数对保险客服对话模型进行优化求解,包括:
基于优化目标函数对保险客服对话模型进行优化求解,其中优化求解流程为:
S61:设置保险客服对话模型的待优化参数的当前优化次数为t,t的初始值为1,随机生成待优化参数/>,并计算当前优化目标函数的梯度为/>,则第t次迭代得到的待优化参数为/>,对应的优化目标函数梯度为/>;
S62:若,则输出/>作为优化得到的参数,并基于参数/>构建保险客服对话模型,/>为较小的正数,其中/>
S63:计算得到迭代步长:
;
S64:若满足下述约束条件,则保留/>,否则令/>:
;
S65:对进行迭代优化:
;
令,返回步骤S62。
可选地,所述S6步骤中利用求解得到的保险客服对话模型进行保险客服对话,包括:
利用求解得到的保险客服对话模型进行保险客服对话,其中基于保险客服对话模型的对话流程为:
获取用户问答数据,并对用户问答数据依次进行向量化处理、基于文本编码模型的编码处理以及自注意力加权处理,得到用户问答数据的加权后编码向量序列;
将用户问答数据的加权后编码向量序列发送到保险客服对话模型;
保险客服对话模型的概率计算层计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的对应保险客服参考回答数据进行输出。
为了解决上述问题,本发明提供一种基于人工智能的保险客服服务***,所述***包括:
文本编码装置,用于采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列,将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列;
编码向量赋权模块,用于对编码向量序列进行自注意力加权处理得到加权后的编码向量序列,计算加权后的编码向量序列中每一个编码向量出现的概率;
保险客服对话模块,用于基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及处理器,执行所述存储器中存储的指令以实现上述所述的基于人工智能的保险客服服务方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于人工智能的保险客服服务方法。
相对于现有技术,本发明提出一种基于人工智能的保险客服服务方法,该技术具有以下优势:
首先,本方案提出一种文本数据编码方式,通过对分词结果的编码结果进行向量化表示,其中编码结果的向量化表示公式为:
;
其中:表示/>的向量化表示结果;将参考服务对话数据的每句文本中的所有分词结果的向量化表示结果构成一组词向量序列,得到每组参考服务对话数据的对话词向量序列,其中/>的对话词向量序列为:
;
;
其中:表示/>的对话词向量序列,/>表示/>的对话词向量序列;/>表示/>中第/>句文本的词向量序列。将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列,其中基于文本编码模型的对话词向量/>的编码流程为:文本编码模型接收对话词向量/>;对对话词向量中的任意词向量序列进行编码处理,其中/>的编码处理公式为:
;
;
其中:表示用于编码处理的的权重参数,/>表示用于编码处理的偏置参数;/>表示激活函数,/>;/>表示对话词向量中的编码向量;/>表示从/>中提取到的有用特征信息,。本方案基于保险客服参考服务对话数据中每个分词结果在句中的位置进行词向量表示,其中分词结果在句中的位置即为词向量表示权重,越靠近句中位置的词向量表示的权重越大,实现词向量的位置信息捕捉,并提高句中位置的自注意力权重,使得保险客服对话模型可以更为有效捕捉句中位置信息,并结合每句词向量序列的上文有效信息,对词向量序列进行编码表示以及自注意力加权处理,得到包含上文有效信息以及主要信息注意力加权后的编码向量序列,实现保险客服对话模型对用户问答信息的有效捕捉。
同时,本方案提出一种保险客服对话模型,基于上述编码向量的出现概率确定优化目标函数,其中保险客服对话模型包括输入层,概率计算层以及输出层,输入层用于接收用户问答数据的加权后编码向量序列,概率计算层中包括卷积层以及归一化层,用于计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的保险客服参考回答数据进行输出;保险客服对话模型的优化目标函数为:
;
;
其中:表示保险客服对话模型的优化目标函数,/>表示保险客服对话模型中概率计算层的卷积计算参数,即卷积层中的权重参数,/>表示卷积层;/>表示将/>输入到基于/>的保险客服对话模型中,保险客服对话模型中概率计算层所计算得到的/>的出现概率之和,/>表示归一化处理;/>表示概率计算层所计算得到的/>中加权后编码向量序列的出现概率之和。本方案通过以最小化优化目标函数为目标,求解得到使得保险客服对话模型所输出不同保险客服参考回答数据的概率分布与所采集保险客服参考服务对话数据中保险客服参考回答数据的概率分布相似的模型参数,并据此构建得到保险客服对话模型,根据用户的每句问答数据,自动选取该句对话主要信息在保险客服参考服务对话数据中所对应出现概率最高的保险客服参考服务对话进行输出,实现自动保险客服服务。
附图说明
图1为本发明一实施例提供的一种基于人工智能的保险客服服务方法的流程示意图;
图2为本发明一实施例提供的基于人工智能的保险客服服务***的功能模块图;
图3为本发明一实施例提供的实现基于人工智能的保险客服服务方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于人工智能的保险客服服务方法。所述基于人工智能的保险客服服务方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于人工智能的保险客服服务方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1:采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列。
所述S1步骤中采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理,包括:
采集N组保险客服参考服务对话数据,所述保险客服参考服务对话数据的形式为:
;
其中:
表示第n组保险客服参考服务对话数据,/>表示第n组保险客服参考服务对话数据中的用户问题数据,/>表示对/>的保险客服参考回答数据;
对参考服务对话数据中的每一个词进行向量化处理,其中对参考服务对话数据的向量化处理流程为:
S11:预构建保险常用词分词词表,对于参考服务对话数据中的任意一句文本,截取前e个文本字符与保险常用词分词词表中的常用词进行比对,若比对不成功,则截取前e-1个文本字符与保险常用词分词词表中的常用词进行比对,依此类推,直到比对成功或待比对文本字符仅剩一个文本字符,并将该字符从该句文本删除,若比对成功则记录用于比对的文本字符,并将用于比对的文本字符从该句文本中删除,并重复当前步骤,直到该句文本全部被拆分为词语形式,将所记录的所有文本字符作为分词结果;在本发明实施例中,以逗号、分号以及句号对参考服务对话数据进行文本句数划分;
其中的分词结果为:
;
;
其中:
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
S12:构建长度位数为E的状态寄存器,其中E为保险常用词分词词表中常用词的总数,并为每一个寄存器位与保险常用词分词词表中常用词建立对应关系,状态寄存器的每一位初始值为0;
S13:将每个分词结果与状态寄存器中的每个寄存器位所对应的常用词进行匹配,将匹配成功的寄存器位调整为1,得到分词结果的编码结果,其中分词结果的编码结果为/>;
S14:对分词结果的编码结果进行向量化表示,其中编码结果的向量化表示公式为:
;
其中:
表示/>的向量化表示结果;
S15:将参考服务对话数据的每句文本中的所有分词结果的向量化表示结果构成一组词向量序列,得到每组参考服务对话数据的对话词向量序列,其中的对话词向量序列为:
;
;
其中:
表示/>的对话词向量序列,/>表示/>的对话词向量序列;
表示/>中第/>句文本的词向量序列。
S2:将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列。
所述S2步骤中将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,包括:
将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列,其中基于文本编码模型的对话词向量的编码流程为:
S21:文本编码模型接收对话词向量;
S22:对对话词向量中的任意词向量序列进行编码处理,其中的编码处理公式为:
;
;
其中:
表示用于编码处理的的权重参数,/>表示用于编码处理的偏置参数;
表示激活函数,/>;在本发明实施例中,将设置为ReLU函数
表示对话词向量中/>的编码向量;
表示从/>中提取到的有用特征信息,;
S23:构成对话词向量的编码向量序列:/>
;
其中:
表示对话词向量/>的编码向量序列。
S3:对编码向量序列进行自注意力加权处理得到加权后的编码向量序列。
所述S3步骤中对编码向量序列进行自注意力加权处理,包括:
生成任意编码向量的自注意力权重向量,其中编码向量序列的自注意力权重向量为:
;
其中:
表示编码向量序列/>的自注意力权重向量;
基于自注意力权重向量对编码向量序列/>进行自注意力加权处理,其中自注意力加权处理公式为:
;
其中:
表示/>的自注意力加权结果;
则加权后的编码向量序列为:
;
其中:
表示编码向量序列/>的自注意力加权结果。
S4:计算加权后的编码向量序列中每一个编码向量出现的概率。
所述S4步骤中计算每一个加权后编码向量序列出现的概率,包括:
计算N组保险客服参考服务对话数据中任意两组用户问题数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量序列;
计算N组保险客服参考服务对话数据中任意两组保险客服参考回答数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量;
计算得到任意加权后编码向量序列以及同一加权后编码向量序列出现的条件下,加权后编码向量序列/>以及同一加权后编码向量序列出现的概率:,其中/>表示任意加权后编码向量序列/>以及/>的同一加权后编码向量序列的集合,/>表示加权后编码向量序列/>以及/>的同一加权后编码向量序列的集合。
S5:构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,所述保险客服对话模型为神经网络模型。
所述S5步骤中构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,包括:
构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,其中保险客服对话模型包括输入层,概率计算层以及输出层,输入层用于接收用户问答数据的加权后编码向量序列,概率计算层中包括卷积层以及归一化层,用于计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的保险客服参考回答数据进行输出;
保险客服对话模型的优化目标函数为:
;
;
其中:
表示保险客服对话模型的优化目标函数,/>表示保险客服对话模型中概率计算层的卷积计算参数,即卷积层中的权重参数,/>表示卷积层;
表示将/>输入到基于/>的保险客服对话模型中,保险客服对话模型中概率计算层所计算得到的/>的出现概率之和,/>表示归一化处理;
表示概率计算层所计算得到的/>中加权后编码向量序列的出现概率之和。
以最小化优化目标函数为目标,求解得到使得保险客服对话模型所输出不同保险客服参考回答数据的概率分布与所采集保险客服参考服务对话数据中保险客服参考回答数据的概率分布相似的模型参数。
S6:基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话。
所述S6步骤中基于优化目标函数对保险客服对话模型进行优化求解,包括:
基于优化目标函数对保险客服对话模型进行优化求解,其中优化求解流程为:
S61:设置保险客服对话模型的待优化参数的当前优化次数为t,t的初始值为1,随机生成待优化参数/>,并计算当前优化目标函数的梯度为/>,则第t次迭代得到的待优化参数为/>,对应的优化目标函数梯度为/>;
S62:若,则输出/>作为优化得到的参数,并基于参数/>构建保险客服对话模型,/>为较小的正数,其中/>;/>
S63:计算得到迭代步长:
;
S64:若满足下述约束条件,则保留/>,否则令/>:
S65:对对进行迭代优化:
;
令,返回步骤S62。
所述S6步骤中利用求解得到的保险客服对话模型进行保险客服对话,包括:
利用求解得到的保险客服对话模型进行保险客服对话,其中基于保险客服对话模型的对话流程为:
获取用户问答数据,并对用户问答数据依次进行向量化处理、基于文本编码模型的编码处理以及自注意力加权处理,得到用户问答数据的加权后编码向量序列;
将用户问答数据的加权后编码向量序列发送到保险客服对话模型;
保险客服对话模型的概率计算层计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的对应保险客服参考回答数据进行输出。
实施例2
如图2所示,是本发明一实施例提供的基于人工智能的保险客服服务***的功能模块图,其可以实现实施例1中的基于人工智能的保险客服服务方法。
本发明所述基于人工智能的保险客服服务***100可以安装于电子设备中。根据实现的功能,所述基于人工智能的保险客服服务***可以包括文本编码装置101、编码向量赋权模块102及保险客服对话模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
文本编码装置101,用于采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列,将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列;
编码向量赋权模块102,用于对编码向量序列进行自注意力加权处理得到加权后的编码向量序列,计算加权后的编码向量序列中每一个编码向量出现的概率;
保险客服对话模块103,用于基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话。
详细地,本发明实施例中所述基于人工智能的保险客服服务***100中的所述各模块在使用时采用与上述的图1中所述的基于人工智能的保险客服服务方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3
如图3所示,是本发明一实施例提供的实现基于人工智能的保险客服服务方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现基于人工智能的保险客服服务的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于人工智能的保险客服服务方法,其特征在于,所述方法包括:
S1:采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列;
S2:将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列;
S3:对编码向量序列进行自注意力加权处理得到加权后的编码向量序列;
S4:计算加权后的编码向量序列中每一个编码向量出现的概率;
计算每一个加权后编码向量序列出现的概率,包括:
计算N组保险客服参考服务对话数据中任意两组用户问题数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量序列;
计算N组保险客服参考服务对话数据中任意两组保险客服参考回答数据所对应加权后编码向量序列的余弦相似度,若余弦相似度高于预设置的相似阈值,则将两组加权后编码向量序列作为同一加权后编码向量;
计算得到任意加权后编码向量序列以及同一加权后编码向量序列出现的条件下,加权后编码向量序列/>以及同一加权后编码向量序列出现的概率:,其中:/>表示编码向量序列/>的自注意力加权结果;/>表示编码向量序列/>的自注意力加权结果;/>表示任意加权后编码向量序列/>以及的同一加权后编码向量序列的集合,/>表示加权后编码向量序列/>以及/>的同一加权后编码向量序列的集合;
S5:构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,所述保险客服对话模型为神经网络模型;
S6:基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话;
所述S5步骤中构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,包括:
构造保险客服对话模型,并基于上述编码向量的出现概率确定优化目标函数,其中保险客服对话模型包括输入层,概率计算层以及输出层,输入层用于接收用户问答数据的加权后编码向量序列,概率计算层中包括卷积层以及归一化层,用于计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的保险客服参考回答数据进行输出;
保险客服对话模型的优化目标函数为:
;
;
其中:
表示保险客服对话模型的优化目标函数,/>表示保险客服对话模型中概率计算层的卷积计算参数,即卷积层中的权重参数,/>表示卷积层;
表示将/>输入到基于/>的保险客服对话模型中,保险客服对话模型中概率计算层所计算得到的/>的出现概率之和,/>表示归一化处理;
表示概率计算层所计算得到的/>中加权后编码向量序列的出现概率之和。
2.如权利要求1所述的一种基于人工智能的保险客服服务方法,其特征在于,所述S1步骤中采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理,包括:
采集N组保险客服参考服务对话数据,所述保险客服参考服务对话数据的形式为:
;
其中:
表示第n组保险客服参考服务对话数据,/>表示第n组保险客服参考服务对话数据中的用户问题数据,/>表示对/>的保险客服参考回答数据;
对参考服务对话数据中的每一个词进行向量化处理,其中对参考服务对话数据的向量化处理流程为:
S11:预构建保险常用词分词词表,对于参考服务对话数据中的任意一句文本,截取前e个文本字符与保险常用词分词词表中的常用词进行比对,若比对不成功,则截取前e-1个文本字符与保险常用词分词词表中的常用词进行比对,依此类推,直到比对成功或待比对文本字符仅剩一个文本字符,并将该字符从该句文本删除,若比对成功则记录用于比对的文本字符,并将用于比对的文本字符从该句文本中删除,并重复当前步骤,直到该句文本全部被拆分为词语形式,将所记录的所有文本字符作为分词结果;
其中的分词结果为:
;
;
其中:
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
表示分词得到的/>中第/>句文本中的第/>个词,/>表示/>中的文本句数,/>表示/>中第/>句文本的分词词数;
S12:构建长度位数为E的状态寄存器,其中E为保险常用词分词词表中常用词的总数,并为每一个寄存器位与保险常用词分词词表中常用词建立对应关系,状态寄存器的每一位初始值为0;
S13:将每个分词结果与状态寄存器中的每个寄存器位所对应的常用词进行匹配,将匹配成功的寄存器位调整为1,得到分词结果的编码结果,其中分词结果的编码结果为/>;
S14:对分词结果的编码结果进行向量化表示,其中编码结果的向量化表示公式为:
;
其中:
表示/>的向量化表示结果;
S15:将参考服务对话数据的每句文本中的所有分词结果的向量化表示结果构成一组词向量序列,得到每组参考服务对话数据的对话词向量序列,其中的对话词向量序列为:
;
;
其中:
表示/>的对话词向量序列,/>表示/>的对话词向量序列;
表示/>中第/>句文本的词向量序列。
3.如权利要求2所述的一种基于人工智能的保险客服服务方法,其特征在于,所述S2步骤中将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,包括:
将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列,其中基于文本编码模型的对话词向量的编码流程为:
S21:文本编码模型接收对话词向量;
S22:对对话词向量中的任意词向量序列进行编码处理,其中的编码处理公式为:
;
;
其中:
表示用于编码处理的的权重参数,/>表示用于编码处理的偏置参数;
表示激活函数,/>;
表示对话词向量中/>的编码向量;
表示从/>中提取到的有用特征信息;
S23:构成对话词向量的编码向量序列:
;
其中:
表示对话词向量/>的编码向量序列。
4.如权利要求3所述的一种基于人工智能的保险客服服务方法,其特征在于,所述S3步骤中对编码向量序列进行自注意力加权处理,包括:
生成任意编码向量的自注意力权重向量,其中编码向量序列的自注意力权重向量为:
;
其中:
表示编码向量序列/>的自注意力权重向量;
基于自注意力权重向量对编码向量序列/>进行自注意力加权处理,其中自注意力加权处理公式为:
;
其中:
表示/>的自注意力加权结果;
则加权后的编码向量序列为:
;
其中:
表示编码向量序列/>的自注意力加权结果。
5.如权利要求1所述的一种基于人工智能的保险客服服务方法,其特征在于,所述S6步骤中基于优化目标函数对保险客服对话模型进行优化求解,包括:
基于优化目标函数对保险客服对话模型进行优化求解,其中优化求解流程为:
S61:设置保险客服对话模型的待优化参数的当前优化次数为t,t的初始值为1,随机生成待优化参数/>,并计算当前优化目标函数的梯度为/>,则第t次迭代得到的待优化参数为/>,对应的优化目标函数梯度为/>;
S62:若,则输出/>作为优化得到的参数,并基于参数/>构建保险客服对话模型,/>为较小的正数,其中/>;
S63:计算得到迭代步长:
S64:若满足下述约束条件,则保留/>,否则令/>:
;
S65:对进行迭代优化:
;
令,返回步骤S62。
6.如权利要求5所述的一种基于人工智能的保险客服服务方法,其特征在于,所述S6步骤中利用求解得到的保险客服对话模型进行保险客服对话,包括:
利用求解得到的保险客服对话模型进行保险客服对话,其中基于保险客服对话模型的对话流程为:
获取用户问答数据,并对用户问答数据依次进行向量化处理、基于文本编码模型的编码处理以及自注意力加权处理,得到用户问答数据的加权后编码向量序列;
将用户问答数据的加权后编码向量序列发送到保险客服对话模型;
保险客服对话模型的概率计算层计算得到不同保险客服参考回答数据所对应加权后编码向量序列的出现概率,输出层选取出现概率最高的对应保险客服参考回答数据进行输出。
7.一种基于人工智能的保险客服服务***,其特征在于,所述***包括:
文本编码装置,用于采集保险客服参考服务对话数据,并对参考服务对话数据中的每一个词进行向量化处理形成对话词向量序列,将对话词向量序列输入到文本编码模型,得到每一个对话词向量对应的编码向量,并形成编码向量序列;
编码向量赋权模块,用于对编码向量序列进行自注意力加权处理得到加权后的编码向量序列,计算加权后的编码向量序列中每一个编码向量出现的概率;
保险客服对话模块,用于基于优化目标函数对保险客服对话模型进行优化求解,利用求解得到的保险客服对话模型进行保险客服对话,以实现一种如权利要求1-6任一项所述的基于人工智能的保险客服服务方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857578.8A CN116578690B (zh) | 2023-07-13 | 2023-07-13 | 一种基于人工智能的保险客服服务方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857578.8A CN116578690B (zh) | 2023-07-13 | 2023-07-13 | 一种基于人工智能的保险客服服务方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116578690A CN116578690A (zh) | 2023-08-11 |
CN116578690B true CN116578690B (zh) | 2023-09-22 |
Family
ID=87539999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857578.8A Active CN116578690B (zh) | 2023-07-13 | 2023-07-13 | 一种基于人工智能的保险客服服务方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578690B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674271A (zh) * | 2019-08-27 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种问答处理方法及装置 |
CN112749262A (zh) * | 2020-07-24 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的问答处理方法、装置、电子设备及存储介质 |
US11132988B1 (en) * | 2020-10-22 | 2021-09-28 | PolyAI Limited | Dialogue system, a dialogue method, and a method of training |
WO2021218029A1 (zh) * | 2020-04-26 | 2021-11-04 | 平安科技(深圳)有限公司 | 基于人工智能的面试方法、装置、计算机设备及存储介质 |
CN113704424A (zh) * | 2021-08-27 | 2021-11-26 | 广东电力信息科技有限公司 | 一种基于指针网络的自然语言任务生成方法 |
WO2022036616A1 (zh) * | 2020-08-20 | 2022-02-24 | 中山大学 | 一种基于低标注资源生成可推理问题的方法和装置 |
CN114386426A (zh) * | 2021-11-25 | 2022-04-22 | 北京容联易通信息技术有限公司 | 一种基于多元语义融合的金牌话术推荐方法及装置 |
CN114936274A (zh) * | 2022-05-11 | 2022-08-23 | 平安科技(深圳)有限公司 | 模型训练方法、对话生成方法和装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002515A (zh) * | 2018-07-04 | 2018-12-14 | 网宿科技股份有限公司 | 一种智能应答的方法和装置 |
US11288324B2 (en) * | 2020-01-22 | 2022-03-29 | Adobe Inc. | Chart question answering |
-
2023
- 2023-07-13 CN CN202310857578.8A patent/CN116578690B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674271A (zh) * | 2019-08-27 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 一种问答处理方法及装置 |
WO2021218029A1 (zh) * | 2020-04-26 | 2021-11-04 | 平安科技(深圳)有限公司 | 基于人工智能的面试方法、装置、计算机设备及存储介质 |
CN112749262A (zh) * | 2020-07-24 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 基于人工智能的问答处理方法、装置、电子设备及存储介质 |
WO2022036616A1 (zh) * | 2020-08-20 | 2022-02-24 | 中山大学 | 一种基于低标注资源生成可推理问题的方法和装置 |
US11132988B1 (en) * | 2020-10-22 | 2021-09-28 | PolyAI Limited | Dialogue system, a dialogue method, and a method of training |
CN113704424A (zh) * | 2021-08-27 | 2021-11-26 | 广东电力信息科技有限公司 | 一种基于指针网络的自然语言任务生成方法 |
CN114386426A (zh) * | 2021-11-25 | 2022-04-22 | 北京容联易通信息技术有限公司 | 一种基于多元语义融合的金牌话术推荐方法及装置 |
CN114936274A (zh) * | 2022-05-11 | 2022-08-23 | 平安科技(深圳)有限公司 | 模型训练方法、对话生成方法和装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
A diversity-promoting objective function for neural conversation models;Li Jiwei等;arXiv preprint arXiv:1510.03055;全文 * |
T-Reader:一种基于自注意力机制的多任务深度阅读理解模型;郑玉昆;李丹;范臻;刘奕群;张敏;马少平;;中文信息学报(11);全文 * |
一种基于多粒度循环神经网络与词注意力的多轮对话回答选择方法;小型微型计算机***;第42卷(第12期);第2553-2560页 * |
基于深度学***;赵卫东;;计算机应用研究(S1);全文 * |
智能对话***研究综述;贾熹滨;李让;胡长建;陈军成;;北京工业大学学报(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116578690A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113722483B (zh) | 话题分类方法、装置、设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN114461777B (zh) | 智能问答方法、装置、设备及存储介质 | |
JP2022169743A (ja) | 情報抽出方法、装置、電子機器及び記憶媒体 | |
CN115221276A (zh) | 基于clip的中文图文检索模型训练方法、装置、设备及介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN114358023A (zh) | 智能问答召回方法、装置、计算机设备及存储介质 | |
CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN116578690B (zh) | 一种基于人工智能的保险客服服务方法与*** | |
CN116702761A (zh) | 文本纠错方法、装置、设备及存储介质 | |
CN116701635A (zh) | 培训视频文本二分类方法、装置、设备及存储介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN111414452B (zh) | 搜索词匹配方法、装置、电子设备及可读存储介质 | |
CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN115238683B (zh) | 循环自注意力的停用词识别方法、装置、设备及介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN113656703B (zh) | 基于新上线课程的智能推荐方法、装置、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 |