CN117688155A - 业务问题的回复方法、装置、存储介质以及电子设备 - Google Patents
业务问题的回复方法、装置、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN117688155A CN117688155A CN202311688856.8A CN202311688856A CN117688155A CN 117688155 A CN117688155 A CN 117688155A CN 202311688856 A CN202311688856 A CN 202311688856A CN 117688155 A CN117688155 A CN 117688155A
- Authority
- CN
- China
- Prior art keywords
- question
- service
- target
- answer
- preset
- 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 65
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种业务问题的回复方法、装置、存储介质以及电子设备。涉及人工智能领域。该方法包括:接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。通过本申请,解决了相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种业务问题的回复方法、装置、存储介质以及电子设备。
背景技术
随着在金融机构中办理业务的用户数量不断增多,办理的业务的种类也不断增多,当用户在业务相关问题上产生问题的时候,通常会向金融机构的客服人员进行咨询,从而解决问题。
但是,由于业务种类繁多,导致业务人员也无法全面了解每个业务中的每个业务问题,此时,为了更准确的答复用户提出的业务问题,通常将业务问题输入预设问答模型中,通过预设问答模型确定业务问题的答案。但是,由于当前使用的预设问答模型中涉及的业务范围过大,业务内容较多,并且在输入问题的时候,由于部分业务人员并非专业领域技术人员,导致输入的内容可能存在问题,或是内容存在歧义,进而导致通过预设问答模型得到的答案不准确,影响业务的办理结果。
针对相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种业务问题的回复方法、装置、存储介质以及电子设备,以解决相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。
根据本申请的一个方面,提供了一种业务问题的回复方法。该方法包括:接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。
可选地,识别业务问题中的关键词包括:对业务问题进行分词,得到M个目标词语,其中,M为正整数;在知识库中依次获取每个目标词语的同义词和同音词,并将同义词和同音词和对应的目标词语组合为词语集合,得到M个词语集合;在预设词典中依次搜索每个词语集合,得到M个搜索结果,其中,搜索结果中包括搜索结果为空,或搜索结果为目标预设词语,预设词典中包括多个目标预设词语,每个预设词语分别对应一种预设类型;将搜索结果为目标预设词语的词语集合中的目标词语确定为关键词;确定关键词所属的业务类型包括:在预设词典中获取目标预设词语所属的预设类型,并将预设类型确定为关键词所属的业务类型。
可选地,文本处理***在接收到业务问题后,对业务问题进行分句处理,得到N个语句,并依次将每个语句输入语义识别模型中进行语义分析,得到N个语义信息,判断每个语义信息是否符合第一预设要求,并删除不符合第一预设要求的语句,将剩余的语句作为目标问题,其中,N为正整数。
可选地,问答模型通过如下方式训练得到:获取多个历史问题,以及每个历史问题的答案,并将多个历史问题以及每个历史问题的答案作为第一样本对预设神经网络模型进行训练,得到问答模型。
可选地,将答复内容反馈至用户包括:判断目标问题是否符合第二预设要求,并在目标问题不符合第二预设要求的情况下,确定目标问题的问题类型,从数据库中获取问题类型对应的预设答案,将预设答案发送至用户,其中,第二预设要求用于确定是否允许将目标问题的目标答案发送至用户;或,判断答复内容是否为空,并在答复内容为空的情况下,确定目标问题的问题类型,并从数据库中获取目标问题对应的预设答案,并将预设答案发送至用户。
可选地,语义识别模型通过如下方式训练得到:获取多个历史语句,以及每个历史语句的语义信息,并将多个历史语句以及每个历史语句的语义信息作为第二样本对预设神经网络模型进行训练,得到语义识别模型。
可选地,在得到目标问题的答复内容之后,该方法还包括:将业务问题以及答复内容发送至运维端,并接收运维端发送的反馈信息,在反馈信息表征答复内容错误的情况下,按照预设比例获取第一数量的第三样本和第二数量的第四样本,其中,第三样本为答案为空的第一历史问题,第四样本为答案不为空的第二历史问题;通过第一数量的第三样本和第二数量的第四样本对问答模型进行训练,得到更新后的问答模型。
根据本申请的另一方面,提供了一种业务问题的回复装置。该装置包括:接收单元,用于接收用户发送的业务问题,并识别业务问题中的关键词;确定单元,用于确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;输入单元,用于根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。
根据本发明的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种业务问题的回复方法。
根据本发明的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种业务问题的回复方法。
通过本申请,采用以下步骤:接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。解决了相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。通过在接收到业务问题后,根据关键词确定业务类型,从而根据业务类型将业务问题进行处理,得到处理后的业务问题,进而在业务问题存在异常的时候,能够及时的将异常部分进行去除,提高了业务问题的准确性,同时根据关键词确定业务类型,从而可以根据业务类型选取对应的问答模型,使用业务类型相关的问答模型对完成预处理的目标问题进行回答,进而达到了提高模型输出的答***率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的业务问题的回复方法的流程图;
图2是根据本申请实施例提供的关键字的确定方法的流程图;
图3是根据本申请实施例提供的业务问题的回复装置的示意图;
图4是根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所确定的业务问题的回复方法、装置、存储介质以及电子设备可用于人工智能领域,也可用于除人工智能领域之外的任意领域,本公开所确定的业务问题的回复方法、装置、存储介质以及电子设备的应用领域不做限定。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关规定和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。例如,本***和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
大语言模型:是一种使用大量文本数据训练出来的神经网络模型,用于预测和生成自然语言文本。这种模型能够理解和生成自然语言的语法、语义和上下文,具有强大的语言理解和生成能力。
根据本申请的实施例,提供了一种业务问题的回复方法。
图1是根据本申请实施例提供的业务问题的回复方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,接收用户发送的业务问题,并识别业务问题中的关键词。
具体的,用户发送的业务问题可以为:“执行金融业务A分别需要什么流程,每个流程需要什么文件”,在得到上述问题后,可以从问题中获取到关键词,并根据关键词确定业务类型,也即,该问题对应的具体业务的业务类型是什么,例如,上述问题的关键词可以为“金融业务A”。
需要说明的是,在一个业务问题中存在多个并列的问题的时候,需要根据问题之间的关联关系将问题中的多个句子进行分句,并在分句后,依次确定每个句子的关键词,从而确定每个子问题的业务类型,从而在业务类型不同的情况下,分别使用多个模型进行答案的生成。
例如,业务问题可以为“办理贷款业务A需要哪些文件,办理存款业务B需要哪些文件”,此时,在进行关键词提取的时候,可以提取到两个关键词,分别为“贷款业务A”和“存款业务B”,此时,在“贷款业务A”和“存款业务B”分别对应两个业务类型的情况下,需要将上述业务问题分为“办理贷款业务A需要哪些文件”和“办理存款业务B需要哪些文件”两个问题,并输入不同的问答模型中进行答案获取,从而保证模型在对专业业务内容进行回答时的准确性。
步骤S102,确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题。
具体的,由于业务问题中可能存在敏感词或无法进行回答的问题,例如当前仍无法确定答案的问题,或是预言问题,例如:“购买哪个理财产品一定可以盈利”这种过于绝对的问题,此类问题是无法获取到答案的,但是模型可能无法知道该问题不存在答案,此时,如果将该问题输入问答模型中,则模型会给出错误的答案,进而影响用户对是否办理业务的判断结果。此时,在业务问题中存在这种问题的时候,需要在业务问题中删除上述问题,并将剩余的问题确定为目标问题,并对目标问题进行后续解答操作。
需要说明的是,在将无法回答的问题删除后,如果不存在目标问题,也即全部业务问题均存在异常,此时,可以向用户显示提示信息,提示信息中可以告知用户问题敏感或问题无法回答等,使得用户可以选择结束业务问题的提问或是对业务问题进行修改。
步骤S103,根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。
需要说明的是,由于金融机构中的业务量十分巨大,可能会出现某两个相似词语运用在不同的金融场景和金融业务中,或是代表不同含义,因此,在获取到关键词后,需要根据关键词确定业务类型,从而可以根据业务类型确定需要使用的问答模型,完成对问题的准确回答。
具体的,在得到目标问题后,即可根据业务类型选取对应的问答模型,并使用问答模型对目标问题进行解答,并将模型输出的答复内容发送用户,从而完成对用户发起的业务问题进行答复的效果。
例如,用户输入的信息为“我想办理贷款业务,请问MPR是什么”,此时,使用常规问答模型的情况下,由于业务内容繁多,导致模型回答的内容为“MPR是指贷款利率的基准,全称是最低贷款利率(Minimum Lending Rate)。”,但是,正确答案应该为“MPR是指月贷款利率,全称是Monthly Percentage Rate。”,也即模型无法准确识别问题的内容,导致无法给出准确答案,因此,在当前状态下,可以获取关键词“贷款”“MPR”,并根据上述关键词确定该用户需要办理的业务为贷款类型,可以使用贷款类型对应的问答模型进行答复,使得模型可以将“MPR”识别为月贷款利率(Monthly Percentage Rate),进而保证了答***性。
例如,用户输入的信息为“咨询AAA产品的贷款利益”,在金融机构中存在名称为AAA的贷款产品和名称为AAA的理财产品的情况下,由于用户用词错误,输入的贷款利率输入为了贷款利益,此时模型可能将名称为AAA的理财产品的相关信息发送至用户,但是,在获取关键词后,确定用户想要进行贷款操作,则可以将其分类为贷款业务,则通过贷款相对应的问答模型生成答案,则可以准确得到名称为AAA的贷款产品发送至用户,从而保证了答***性。
本申请实施例提供的业务问题的回复方法,通过接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。解决了相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。通过在接收到业务问题后,根据关键词确定业务类型,从而根据业务类型将业务问题进行处理,得到处理后的业务问题,进而在业务问题存在异常的时候,能够及时的将异常部分进行去除,保证了模型在对问题进行回答的时候的准确性,同时根据关键词确定业务类型,从而可以根据业务类型选取对应的问答模型,使用业务类型相关的问答模型对完成预处理的目标问题进行回答,进而达到了提高模型输出的答***率的效果。
可选地,图2是根据本申请实施例提供的关键字的确定方法的流程图,如图2所示,在本申请实施例提供的业务问题的回复方法中,识别业务问题中的关键词包括:
步骤S201,对业务问题进行分词,得到M个目标词语,其中,M为正整数。
步骤S202,在知识库中依次获取每个目标词语的同义词和同音词,并将同义词和同音词和对应的目标词语组合为词语集合,得到M个词语集合。
步骤S203,在预设词典中依次搜索每个词语集合,得到M个搜索结果,其中,搜索结果中包括搜索结果为空,或搜索结果为目标预设词语,预设词典中包括多个目标预设词语,每个预设词语分别对应一种预设类型。
步骤S204,将搜索结果为目标预设词语的词语集合中的目标词语确定为关键词。
确定关键词所属的业务类型包括:在预设词典中获取目标预设词语所属的预设类型,并将预设类型确定为关键词所属的业务类型。
具体的,在获取关键词的时候,首先需要对业务问题进行分词,得到多个目标词语,分词后的每个目标词语都可能为关键词,进一步的,在知识库中获取每个目标词语的同义词和同音词,从而得到多个词语集合,此处还可以进一步获取同音词,从而避免用户输入错字,或是未使用标准词汇进行问题描述,导致模型无法读取问题的含义,导致模型生成的答复内容出现异常。
进一步的,在获取到多个词语集合后,在预设词典中依次搜索每个词语集合,其中,对词语集合进行搜索的流程为在预设词典中依次确定词语集合中的每个词语是否在预设词典中,在某个词语存在于预设词典的情况下,将预设词典中该词语的预设类型确定为该词语所在的词语集合对应的目标词语的预设类型,同时将该目标词语确定为一个关键词,进而达到通过预设词语确定关键词的效果。
例如,业务问题为“购买哪个理财产品一定可以盈利”,此时,在进行分词后,可以得到“购买”、“哪个”、“理财产品”、“一定”、“可以”、“盈利”,在得到上述目标词语后,可以确定同义词和同音词,例如“购买”的同义词为“购置”、“选购”等,从而得到多个词语集合,并在预设词典中进行搜索,确定“理财产品”这个词语存储于预设词典中,此时,在预设词典中获取“理财产品”这个词对应的预设类型,可以为理财类,则将“理财产品”确定为关键词,并将关键词所属的业务类型确定为理财类,从而在后续确定模型的时候,可以选用理财类模型对问题进行分析和答复。
可选地,在本申请实施例提供的业务问题的回复方法中,文本处理***在接收到业务问题后,对业务问题进行分句处理,得到N个语句,并依次将每个语句输入语义识别模型中进行语义分析,得到N个语义信息,判断每个语义信息是否符合第一预设要求,并删除不符合第一预设要求的语句,将剩余的语句作为目标问题,其中,N为正整数。
具体的,文本处理***可以用于对业务问题进行筛选,在进行筛选的时候,首先进行分句处理,得到多个句子,并将多个句子输入到语义识别模型中,从而得到每个句子的语义信息,并根据第一预设要求确定每个句子的语义信息是否符合要求,从而确定问题中是否存在违规问题,在存在违规问题的情况下,删除不符合第一预设要求的句子,进而完成对句子的初步筛选的操作。
需要说明的是,在语义识别模型进行识别的时候,得到的语义可以包括语句是否违规,同时还可以确定语句是否为无法回答的问题,例如当前仍无法确定答案的问题,或是预言问题,例如:“购买哪个理财产品一定可以盈利”这种过于绝对的问题,此类问题是无法获取到答案的,此时,可以将该问题进行删除,从而保证回答的问题的有效性。
为了提高问答模型的准确率,可选地,在本申请实施例提供的业务问题的回复方法中,问答模型通过如下方式训练得到:获取多个历史问题,以及每个历史问题的答案,并将多个历史问题以及每个历史问题的答案作为第一样本对预设神经网络模型进行训练,得到问答模型。
具体的,在训练问答模型的时候,可以获取多个历史问题,以及每个问题的答案,从而对预设神经网络模型进行训练,在完成训练后,问答模型可以根据输入的问题确定对应的回复内容。
需要说明的是,由于每个问答模型所属的类型不同,因此在对问答模型进行训练的时候,首先需要确定每个问答模型的类型,并在获取历史问题的时候,需要获取与问答模型的类型相同的历史问题,从而保证通过历史问题进行训练得到的问答模型可以具有针对性的对接收到的问题进行回答,进而提高答案回复的准确性。
需要说明的是,问答模型在接收到目标问题的时候,首先对目标问题进行分词,在分词后,计算每个词语的向量,得到多个向量,并根据向量集合确定与目标问题最相近的问题,从而得到与目标问题相似度最高的问题,从而将该问题的答案确定为目标问题的答案。
对模型进行训练的过程可以如下所示:
步骤1、设置数据集,数据集中可包含可回答问题和不可回答问题两类,为了反应真实分布情况,数据集的构建一般建议可回答问题数量是不可回答数量的2-3倍。
步骤2、在数据集构建时,建议先明确模型的特性以及评估的目的,模型可以分为专业领域模型和通用模型两类,专业领域模型可细分到垂直场景。根据模型的特性和评估的目的构建数据集,比如对金融领域大模型在远程银行智能客服场景下的自我感知能力,数据集需要在这个业务场景范围内进行构建。
步骤3、针对不可回答问题的选择,可选择多个专家确认的方式,建议选择多个专家全部认定不可回答的问题进行构建数据集,并使用数据集进行模型训练,从而完成对每个类型下的模型的训练操作。
可选地,在本申请实施例提供的业务问题的回复方法中,将答复内容反馈至用户包括:判断目标问题是否符合第二预设要求,并在目标问题不符合第二预设要求的情况下,确定目标问题的问题类型,从数据库中获取问题类型对应的预设答案,将预设答案发送至用户,其中,第二预设要求用于确定是否允许将目标问题的目标答案发送至用户;或,判断答复内容是否为空,并在答复内容为空的情况下,确定目标问题的问题类型,并从数据库中获取目标问题对应的预设答案,并将预设答案发送至用户。
具体的,由于文本处理***在进行问题筛选的时候,可能存在遗漏,因此,在对目标问题进行回答的时候,还需要确定目标问题在该类型下是否为能进行回答的问题,例如,某个问题可能在A领域中可以回答,但是在B领域中无法进行回答,此时,这种问题无法在文本处理***中被筛选出,此时,需要在将答复内容反馈至用户的时候,再次根据第二预设要求确定目标问题能否被解答。
需要说明的是,第二预设要求可以设置在使用的问答模型中,通过问答模型对问题是否能够被回答进行分析,从而确定答复内容。
进一步的,在确定了不能回答的时候,由于无法回答该问题的原因可能有很多,例如问题违规、问题无解等,此时,需要确定问题的类型,并根据问题类型确定预设答案,并将预设答案发送至用户,例如,目标问题可以为“购买哪个理财产品一定可以盈利”,则该问题的类型可以为预言类,则对应的预设答案可以为“该问题无法被预知”。
进一步的,在答复内容为空的情况下,表征该问题无解,此时,可以告知用户无法获取答案,使得用户可以使用其他方式获取到对应的答复结果。也即,答复内容为空的内容和不符合第二预设要求的问题均为模型可以识别到该问题属于不存在答案的问题,也即使用两种方式确定目标问题能否被回答。
为了提高语义识别模型的准确率,可选地,在本申请实施例提供的业务问题的回复方法中,语义识别模型通过如下方式训练得到:获取多个历史语句,以及每个历史语句的语义信息,并将多个历史语句以及每个历史语句的语义信息作为第二样本对预设神经网络模型进行训练,得到语义识别模型。
具体的,在对语义识别模型进行训练的时候,可以将多个历史语句以及每个历史语句的语义信息作为训练集对神经网络模型进行训练,从而得到语义识别模型。
为了提高模型生成的答***率,可选地,在本申请实施例提供的业务问题的回复方法中,在得到目标问题的答复内容之后,该方法还包括:将业务问题以及答复内容发送至运维端,并接收运维端发送的反馈信息,在反馈信息表征答复内容错误的情况下,按照预设比例获取第一数量的第三样本和第二数量的第四样本,其中,第三样本为答案为空的第一历史问题,第四样本为答案不为空的第二历史问题;通过第一数量的第三样本和第二数量的第四样本对问答模型进行训练,得到更新后的问答模型。
具体的,由于问答模型可能由于训练不到位,或是其他原因,回答了某个不能进行回答的问题,此时,无论回答的内容是什么,均证明回答的内容存在错误,此时,为了提高模型的答复准确率,可以按照预设比例获取第一数量的第三样本和第二数量的第四样本,其中,第三样本为答案为空的第一历史问题,第四样本为答案不为空的第二历史问题,其中,答案为空的历史问题也即不存在答案的问题,使用上述问题以及对应的答案对问答模型进行进一步训练,从而提高问答模型的准确度。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种业务问题的回复装置,需要说明的是,本申请实施例的业务问题的回复装置可以用于执行本申请实施例所提供的用于业务问题的回复方法。以下对本申请实施例提供的业务问题的回复装置进行介绍。
图3是根据本申请实施例提供的业务问题的回复装置的示意图。如图3所示,该装置包括:接收单元31,确定单元32,输入单元33。
接收单元31,用于接收用户发送的业务问题,并识别业务问题中的关键词。
确定单元32,用于确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题。
输入单元33,用于根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。
本申请实施例提供的业务问题的回复装置,通过接收单元31,用于接收用户发送的业务问题,并识别业务问题中的关键词;确定单元32,用于确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;输入单元33,用于根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。解决了相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。通过在接收到业务问题后,根据关键词确定业务类型,从而根据业务类型将业务问题进行处理,得到处理后的业务问题,进而在业务问题存在异常的时候,能够及时的将异常部分进行去除,保证了模型在对问题进行回答的时候的准确性,同时根据关键词确定业务类型,从而可以根据业务类型选取对应的问答模型,使用业务类型相关的问答模型对完成预处理的目标问题进行回答,进而达到了提高模型输出的答***率的效果。
可选地,在本申请实施例提供的业务问题的回复装置中,接收单元31包括:分词模块,用于对业务问题进行分词,得到M个目标词语,其中,M为正整数;组合模块,用于在知识库中依次获取每个目标词语的同义词和同音词,并将同义词和同音词和对应的目标词语组合为词语集合,得到M个词语集合;搜索模块,用于在预设词典中依次搜索每个词语集合,得到M个搜索结果,其中,搜索结果中包括搜索结果为空,或搜索结果为目标预设词语,预设词典中包括多个目标预设词语,每个预设词语分别对应一种预设类型;第一确定模块,用于将搜索结果为目标预设词语的词语集合中的目标词语确定为关键词;确定单元32包括:第二确定模块,用于在预设词典中获取目标预设词语所属的预设类型,并将预设类型确定为关键词所属的业务类型。
可选地,在本申请实施例提供的业务问题的回复装置中,文本处理***在接收到业务问题后,对业务问题进行分句处理,得到N个语句,并依次将每个语句输入语义识别模型中进行语义分析,得到N个语义信息,判断每个语义信息是否符合第一预设要求,并删除不符合第一预设要求的语句,将剩余的语句作为目标问题,其中,N为正整数。
可选地,在本申请实施例提供的业务问题的回复装置中,问答模型通过如下方式训练得到:第一训练单元,用于获取多个历史问题,以及每个历史问题的答案,并将多个历史问题以及每个历史问题的答案作为第一样本对预设神经网络模型进行训练,得到问答模型。
可选地,在本申请实施例提供的业务问题的回复装置中,输入单元33包括:第一判断模块,用于判断目标问题是否符合第二预设要求,并在目标问题不符合第二预设要求的情况下,确定目标问题的问题类型,从数据库中获取问题类型对应的预设答案,将预设答案发送至用户,其中,第二预设要求用于确定是否允许将目标问题的目标答案发送至用户;或,第二判断模块,用于判断答复内容是否为空,并在答复内容为空的情况下,确定目标问题的问题类型,并从数据库中获取目标问题对应的预设答案,并将预设答案发送至用户。
可选地,在本申请实施例提供的业务问题的回复装置中,语义识别模型通过如下方式训练得到:第二训练单元,用于获取多个历史语句,以及每个历史语句的语义信息,并将多个历史语句以及每个历史语句的语义信息作为第二样本对预设神经网络模型进行训练,得到语义识别模型。
可选地,在本申请实施例提供的业务问题的回复装置中,在得到目标问题的答复内容之后,该方法还包括:第一发送单元,用于将业务问题以及答复内容发送至运维端,并接收运维端发送的反馈信息,在反馈信息表征答复内容错误的情况下,按照预设比例获取第一数量的第三样本和第二数量的第四样本,其中,第三样本为答案为空的第一历史问题,第四样本为答案不为空的第二历史问题;第三训练单元,用于通过第一数量的第三样本和第二数量的第四样本对问答模型进行训练,得到更新后的问答模型。
上述业务问题的回复装置包括处理器和存储器,上述接收单元31,确定单元32,输入单元33等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决了相关技术中在输入的业务问题不准确,并且预设问答模型涉及的业务范围过大的情况下,模型根据输入内容生成的回复内容的准确率低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述业务问题的回复方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述业务问题的回复方法。
图4是根据本申请实施例提供的一种电子设备的示意图,如图4所示,本发明实施例提供了一种电子设备,电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:接收用户发送的业务问题,并识别业务问题中的关键词;确定关键词所属的业务类型,并将业务问题和业务类型输入文本处理***中,得到目标问题,其中,文本处理***用于对业务问题进行预处理,目标问题为进行预处理后的业务问题;根据业务类型选取问答模型,并将目标问题输入问答模型中,得到目标问题的答复内容,并将答复内容反馈至用户,其中,问答模型用于确定业务问题的答复内容。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种业务问题的回复方法,其特征在于,包括:
接收用户发送的业务问题,并识别所述业务问题中的关键词;
确定所述关键词所属的业务类型,并将所述业务问题和所述业务类型输入文本处理***中,得到目标问题,其中,所述文本处理***用于对所述业务问题进行预处理,所述目标问题为进行预处理后的业务问题;
根据所述业务类型选取问答模型,并将所述目标问题输入问答模型中,得到所述目标问题的答复内容,并将所述答复内容反馈至所述用户,其中,所述问答模型用于确定所述业务问题的答复内容。
2.根据权利要求1所述的方法,其特征在于,识别所述业务问题中的关键词包括:
对所述业务问题进行分词,得到M个目标词语,其中,M为正整数;
在知识库中依次获取每个目标词语的同义词和同音词,并将所述同义词、所述同音词和对应的目标词语组合为词语集合,得到M个词语集合;
在预设词典中依次搜索每个词语集合,得到M个搜索结果,其中,所述搜索结果中包括搜索结果为空,或搜索结果为目标预设词语,所述预设词典中包括多个目标预设词语,每个预设词语分别对应一种预设类型;
将所述搜索结果为所述目标预设词语的词语集合中的目标词语确定为所述关键词;
确定所述关键词所属的业务类型包括:
在所述预设词典中获取所述目标预设词语所属的预设类型,并将所述预设类型确定为所述关键词所属的业务类型。
3.根据权利要求1所述的方法,其特征在于,所述文本处理***在接收到所述业务问题后,对所述业务问题进行分句处理,得到N个语句,并依次将每个语句输入语义识别模型中进行语义分析,得到N个语义信息,判断每个语义信息是否符合第一预设要求,并删除不符合所述第一预设要求的语句,将剩余的语句作为所述目标问题,其中,N为正整数。
4.根据权利要求1所述的方法,其特征在于,所述问答模型通过如下方式训练得到:
获取多个历史问题,以及每个历史问题的答案,并将所述多个历史问题以及每个历史问题的答案作为第一样本对预设神经网络模型进行训练,得到所述问答模型。
5.根据权利要求1所述的方法,其特征在于,将所述答复内容反馈至所述用户包括:
判断所述目标问题是否符合第二预设要求,并在所述目标问题不符合所述第二预设要求的情况下,确定所述目标问题的问题类型,从数据库中获取所述问题类型对应的预设答案,将所述预设答案发送至所述用户,其中,所述第二预设要求用于确定是否允许将所述目标问题的目标答案发送至所述用户;或,
判断所述答复内容是否为空,并在所述答复内容为空的情况下,确定所述目标问题的问题类型,并从所述数据库中获取所述目标问题对应的预设答案,并将所述预设答案发送至所述用户。
6.根据权利要求3所述的方法,其特征在于,所述语义识别模型通过如下方式训练得到:
获取多个历史语句,以及每个历史语句的语义信息,并将所述多个历史语句以及每个历史语句的语义信息作为第二样本对预设神经网络模型进行训练,得到所述语义识别模型。
7.根据权利要求1所述的方法,其特征在于,在得到所述目标问题的答复内容之后,所述方法还包括:
将所述业务问题以及所述答复内容发送至运维端,并接收运维端发送的反馈信息,在所述反馈信息表征所述答复内容错误的情况下,按照预设比例获取第一数量的第三样本和第二数量的第四样本,其中,所述第三样本为答案为空的第一历史问题,所述第四样本为答案不为空的第二历史问题;
通过所述第一数量的第三样本和所述第二数量的第四样本对所述问答模型进行训练,得到更新后的问答模型。
8.一种业务问题的回复装置,其特征在于,包括:
接收单元,用于接收用户发送的业务问题,并识别所述业务问题中的关键词;
确定单元,用于确定所述关键词所属的业务类型,并将所述业务问题和所述业务类型输入文本处理***中,得到目标问题,其中,所述文本处理***用于对所述业务问题进行预处理,所述目标问题为进行预处理后的业务问题;
输入单元,用于根据所述业务类型选取问答模型,并将所述目标问题输入问答模型中,得到所述目标问题的答复内容,并将所述答复内容反馈至所述用户,其中,所述问答模型用于确定所述业务问题的答复内容。
9.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,其中,所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至7中任意一项所述的业务问题的回复方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的业务问题的回复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688856.8A CN117688155A (zh) | 2023-12-08 | 2023-12-08 | 业务问题的回复方法、装置、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688856.8A CN117688155A (zh) | 2023-12-08 | 2023-12-08 | 业务问题的回复方法、装置、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117688155A true CN117688155A (zh) | 2024-03-12 |
Family
ID=90133061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311688856.8A Pending CN117688155A (zh) | 2023-12-08 | 2023-12-08 | 业务问题的回复方法、装置、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688155A (zh) |
-
2023
- 2023-12-08 CN CN202311688856.8A patent/CN117688155A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222167B (zh) | 一种获取目标标准信息的方法和*** | |
CN109543007A (zh) | 提问数据生成方法、装置、计算机设备和存储介质 | |
CN110597966A (zh) | 自动问答方法及装置 | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
CN116010574A (zh) | 智能对话处理的方法、云服务器及可读存储介质 | |
US11423219B2 (en) | Generation and population of new application document utilizing historical application documents | |
CN117409419A (zh) | 图像检测方法、设备及存储介质 | |
CN117609444B (zh) | 一种基于大模型的搜索问答方法 | |
CN116680368B (zh) | 一种基于贝叶斯分类器的水利知识问答方法、设备及介质 | |
CN117033744A (zh) | 数据查询方法、装置、存储介质以及电子设备 | |
CN116738293A (zh) | 一种业务评价处理方法、装置及电子设备 | |
CN116028626A (zh) | 文本匹配方法、装置、存储介质以及电子设备 | |
CN117688155A (zh) | 业务问题的回复方法、装置、存储介质以及电子设备 | |
CN114254622A (zh) | 一种意图识别方法和装置 | |
CN110858214B (zh) | 推荐模型训练、及进一步审计程序推荐方法、装置及设备 | |
CN118115257A (zh) | 金融业务的处理方法和装置、存储介质及电子设备 | |
CN116384390A (zh) | 文本标注方法、装置、处理器及电子设备 | |
CN110969011B (zh) | 文本情感分析方法、装置、存储介质及处理器 | |
CN118378299A (zh) | 文档脱敏方法、装置、计算机程序产品及电子设备 | |
CN117455618A (zh) | 对象的处理方法和装置及电子设备 | |
CN117132329A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
CN116934493A (zh) | 金融产品的推荐方法、装置、存储介质及电子设备 | |
CN116860756A (zh) | 业务办理文件的生成方法、装置、存储介质以及电子设备 | |
CN116756290A (zh) | 数据查询方法、装置、存储介质及电子设备 | |
CN117709359A (zh) | 保险知识问答对的获取方法、装置、设备和存储介质 |
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 |