CN117974271A - 事件概要生成、语义识别事件概要模型训练方法和装置 - Google Patents
事件概要生成、语义识别事件概要模型训练方法和装置 Download PDFInfo
- Publication number
- CN117974271A CN117974271A CN202410271184.9A CN202410271184A CN117974271A CN 117974271 A CN117974271 A CN 117974271A CN 202410271184 A CN202410271184 A CN 202410271184A CN 117974271 A CN117974271 A CN 117974271A
- Authority
- CN
- China
- Prior art keywords
- event summary
- event
- semantic
- information
- features
- 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 91
- 238000012549 training Methods 0.000 title claims abstract description 63
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种事件概要生成方法和装置、语义识别事件概要模型训练方法和装置。该事件概要生成方法的一具体实施方式包括:在客服与客户通话时,获取与通话相关的商品订单信息;基于商品订单信息,检测是否具有事件概要的推荐结果;响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果。该实施方式提高了事件概要生成的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及事件概要生成方法和装置、语义识别事件概要模型训练方法和装置、电子设备、计算机可读存储介质。
背景技术
电商领域客服智能事件概要推荐是指:客服听线过程中或结束后,依据客服与客户电话沟通的内容、事件概要日志、客户信息、商品信息、订单信息等,推荐引擎为本次听线推荐事件概要供听线客服选择。
而在实际场景中,由于事件概要种类繁多,客服需要花费较长时间选择出事件的事件概要,一般地,执行主体从商品订单信息中抽取一些和事件概率关系比较紧密的特征信息,利用大数据统计、统计学习或者深度学习方法,在客服接线过程中预测推荐出该听线的事件概要,但是这种推荐的准确率因为缺少特征交互,造成事件概要推荐的准确率低,在多并发场景下可能会导致响应效率低下。
发明内容
本公开的实施例提出了事件概要生成方法和装置、语义识别事件概要模型训练方法和装置、电子设备、计算机可读存储介质。
第一方面,本公开的实施例提供了一种事件概要生成方法,该方法包括:在客服与客户通话时,获取与通话相关的商品订单信息;基于商品订单信息,检测是否具有事件概要的推荐结果;响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
在一些实施例中,上述商品订单信息包括:客户信息、商家信息、商品信息以及订单信息;上述基于商品订单信息,检测是否具有事件概要的推荐结果包括:确定客户信息、商家信息、商品信息以及订单信息的特征;基于客户信息、商家信息、商品信息、订单信息中一致的特征以及预先设置的规则***,检测是否具有事件概要的推荐结果。
在一些实施例中,上述基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果包括:基于录音信息,得到文本语义特征;基于商品订单信息,提取商品订单特征;将文本语义特征、商品订单特征输入预先训练的语义识别事件概要模型,得到语义识别事件概要模型输出的预设种类中各类事件概要的概率;基于各类事件概要的概率,得到事件概要的推荐结果。
在一些实施例中,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:对预设种类事件概要中的所有事件概要的概率进行降序排序,得到前设定位概率,并将前设定位概率对应的事件概要作为推荐结果。
在一些实施例中,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:基于各类事件概要的历史数据,确定各类事件概要的阈值;基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求;响应于有事件概要满足其阈值的要求,将该类事件概要作为推荐结果。
第二方面,本公开的实施例提供了一种语义识别事件概要模型训练方法,该方法包括:获取样本集,样本集包括:至少一个样本,每个样本包括:样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征;获取语义识别事件概要网络,语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系;执行以下训练步骤:从样本集中选取样本;将该样本输入语义识别事件概要网络,得到语义识别事件概要网络输出的预设种类中各类事件概要的概率;响应于语义识别事件概要网络满足训练完成条件,得到对应语义识别事件概要网络对应的语义识别事件概要模型。
在一些实施例中,上述语义识别事件概要网络包括:文本语义特征网络和离散特征网络,其中,文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系;离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系。
第三方面,本公开的实施例提供了一种事件概要生成装置,该装置包括:信息获取单元,被配置成在客服与客户通话时,获取与通话相关的商品订单信息;检测单元,被配置成基于商品订单信息,检测是否具有事件概要的推荐结果;录音获取单元,被配置成响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;结果得到单元,被配置成基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
在一些实施例中,上述商品订单信息包括:客户信息、商家信息、商品信息以及订单信息;上述检测单元进一步被配置成:确定客户信息、商家信息、商品信息以及订单信息的特征;基于客户信息、商家信息、商品信息、订单信息中一致的特征以及预先设置的规则***,检测是否具有事件概要的推荐结果。
在一些实施例中,上述结果得到单元进一步被配置成:基于录音信息,得到文本语义特征;基于商品订单信息,提取商品订单特征;将文本语义特征、商品订单特征输入预先训练的语义识别事件概要模型,得到语义识别事件概要模型输出的预设种类中各类事件概要的概率;基于各类事件概要的概率,得到事件概要的推荐结果。
在一些实施例中,上述结果得到单元进一步被配置成:对预设种类事件概要中的所有事件概要的概率进行降序排序,得到前设定位概率,并将前设定位概率对应的事件概要作为推荐结果。
在一些实施例中,上述结果得到单元进一步被配置成:基于各类事件概要的历史数据,确定各类事件概要的阈值;基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求;响应于有事件概要满足其阈值的要求,将该类事件概要作为推荐结果。
第四方面,本公开的实施例提供了一种语义识别事件概要模型训练装置,该装置包括:样本获取单元,被配置成获取样本集,样本集包括:至少一个样本,每个样本包括:样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征;网络获取单元,被配置成获取语义识别事件概要网络,语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系;选取单元,被配置成从样本集中选取样本;输入单元,被配置成将该样本输入语义识别事件概要网络,得到语义识别事件概要网络输出的预设种类中各类事件概要的概率;模型得到单元,被配置成响应于语义识别事件概要网络满足训练完成条件,得到对应语义识别事件概要网络对应的语义识别事件概要模型。
在一些实施例中,上述语义识别事件概要网络包括:文本语义特征网络和离散特征网络,其中,文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系;离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系。
第五方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面或第二方面中任一实施例描述的方法。
第六方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面或第二方面中任一实施例描述的方法。
本公开的实施例提供的事件概要生成方法和装置,首先,在客服与客户通话时,获取与通话相关的商品订单信息;其次,基于商品订单信息,检测是否具有事件概要的推荐结果;再次,响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;最后,基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。由此,在通过商品订单信息无法检测到事件概要的推荐结果时,再基于通话的录音信息、概要日志以及商品订单信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,在商品订单信息无法得到推荐结果的基础上,引入语义识别事件概要模型进行事件概要的分析,起到了大量数据分流效果;而通过引入语义识别事件概要模型,打破了仅从客服和客户通话内容预测事件概要的壁垒,提高了事件概要预测的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的事件概要生成方法的一个实施例的流程图;
图3是根据本公开的事件概要生成方法的各步骤数据结构示意图;
图4是根据本公开的语义识别事件概要模型训练方法的一个实施例的流程图;
图5是根据本公开的事件概要生成装置的一个实施例的结构示意图;
图6是根据本公开的语义识别事件概要模型训练装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开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公开。
图1示出了可以应用本公开的事件概要生成方法或语义识别事件概要模型训练方法的示例性***架构100。
如图1所示,***架构100可以包括终端101、102,网络103、数据库服务器104和服务器105。网络103用以在终端101、102,数据库服务器104与服务器105之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端101、102通过网络103与服务器105进行交互,以接收或发送消息等。终端101、102上可以安装有各种客户端应用,例如模型训练类应用、图像识别应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。
这里的终端101、102可以是硬件,也可以是软件。当终端101、102为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本,每个样本均不相同,样本可以包括用户特征、***作对象特征、用户与***作对象之间的上下文特征。用户110也可以通过终端101、102,从数据库服务器104所存储的样本集中选取样本。
服务器105也可以是提供各种服务的服务器,例如对终端101、102上显示的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本,训练语义识别事件概要模型训练模型,并可以将训练得到的语义识别事件概要模型训练模型发送给终端101、102。这样,用户可以应用生成的语义识别事件概要模型训练模型预测事件概要。
这里的数据库服务器104和服务器105同样可以是硬件,也可以是软件。当它们为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当它们为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的事件概要生成方法或语义识别事件概要模型训练方法一般由服务器105执行。相应地,事件概要生成装置或语义识别事件概要模型训练装置一般也设置于服务器105中。
需要指出的是,在服务器105可以实现数据库服务器104的相关功能的情况下,***架构100中可以不设置数据库服务器104。
应该理解,图1中的终端、网络、数据库服务器和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络、数据库服务器和服务器。
传统技术中,目前事件概要推荐主要通过如下1)-3)三种方法,各种方法具有相应的缺点:
1)基于规则的方法
在线客服听线时推荐引擎对大量历史数据中的该商品对应的事件概要选择率降序排序,将前三位事件概要推荐给在线客服。该方法的缺点为:新商品没有历史数据,导致没办法推荐;大量长尾商品历史数据量很少,导致推荐准确率很差;商品对应的事件概要种类很多,导致历史数据选择率前设定位的数据占比非常少,准确率上限低;不能利用客服与客户通话内容特征。
2)基于统计学习的方法
从大量历史数据中提取与事件概要相关的特征主要有配送信息、***信息、客户信息、商品信息、商家信息、订单信息等,构建事件概要分类器,分类器主要采用统计学习方法。该方法的缺点为:提取的特征在特征空间中的分布不够紧凑;统计学习方法构建的分类器需要人工提取交互特征;不能利用客服与客户通话内容特征。
3)基于深度学习的方法
使用ASR(Automatic Speech Recognition,自动语音识别技术)技术识别客服与客户对话内容,根据对话内容利用语义识别技术获取客户意图,再结合客户信息、商品信息、商家信息、订单信息等构建事件概要推荐引擎。该方法的缺点为:不能充分利用丰富的客服与客户通话内容信息。由通话内容预测的客户意图种类远远少于事件概要种类;客户表达的意图与商品、商家、客户、订单信息之间缺少交互;深度学习方法推理时间长。
针对现有技术中事件概要推荐准确率低、预测时间长的问题,本公开提供了一种事件概要生成方法,在通过商品订单信息无法得到有效地事件概要的推荐结果的基础上,采用预训练的语义识别事件概要模型,得到事件概要的推荐结果,提高了事件概要得到的准确性,如图2,请参见图2,其示出了本公开提供的事件概要生成方法的一个实施例的流程200,该事件概要生成方法可以包括以下步骤:
步骤201,在客服与客户通话时,获取与通话相关的商品订单信息。
本实施例中,客服可以是在线客服或者人工客服,客服与客户通话用于解决客户的问题,当客服与客户通话时,尤其是在线客服接线后,事件概要生成方法运行于其上的执行主体可以通过与终端(如图1中终端101、102)进行通信,得到终端发送的商品订单信息。
本实施例中,商品订单信息是与通话内容相关的商品、客户、商家、订单的信息,例如,客户信息包括:客户属性数据和客户行为数据,其中,客户属性数据包括客户年龄、性别等。客户行为数据包括:用户在历史时期中点击的商品的序列。商品信息包括:商品名称、商品类型、商品颜色、商品产地、商品与客户之间关系等。
步骤202,基于商品订单信息,检测是否具有事件概要的推荐结果。
本实施例中,可以通过多种方式检测是否具有事件概要的推荐结果,具体地,步骤202包括:获取与商品订单信息对应的历史数据;检测历史数据是否具有与商品订单信息的商品对应的事件概要;若有,对与商品订单信息的商品对应的事件概要进行排序,得到事件概要的推荐结果。
本实施例中,事件概要是对客服和客户通话内容进行总结之后,得到的内容概要,事件概要的推荐结果是从预设种类的事件概要中选取的与当前客服和客户通话最接近的事件概要,可以将事件概要的推荐结果发送给人工客服,人工客服可以从推荐结果中选取与当前通话最匹配的事件概要。可选地,当推荐结果与当前通话完全不匹配时,人工客服需要手动选择正确的事件概要。
可选地,上述事件概要生成方法还包括:响应于检测到具有事件概要的推荐结果,不再进行步骤203-步骤204。
步骤203,响应于检测到不具有事件概要的推荐结果,获取通话的录音信息。
在本实施例中,客服与客户通话时,可以通过录音设备对两者的通话进行录音,得到通话的录音信息。
步骤204,基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果。
在本实施例中,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
上述步骤204包括:基于录音信息,得到识别文本;基于识别文本,得到文本语义特征;基于商品订单信息,提取商品订单信息的特征;将识别特征和商品订单信息的特征输入语义识别事件概要模型,得到语义识别事件概要模型输出的事件概要;其中,语义识别事件概要模型输出的事件概要可以是预设种类中各类事件概要的概率,基于语义识别时间概要模型输出的所有事件概要的概率,对所有的事件概要概率的降序排序,从中选取前设定位(设定位可以基于生成需求确定,例如,设定位为前3位)的事件概要作为事件概要的推荐结果。
需要说明的是,本实施例事件概要生成方法可以用于测试预训练的语义识别事件概要模型。进而根据测试结果可以不断地优化语义识别事件概要模型。
语义识别事件概要模型的任务旨在基于商品订单信息、录音信息,得到事件概要的推荐结果,通过事件概要的推荐结果可以确定与当前通话对适配的事件概要,从而为执行主体生成事件概要提供了一种优选的实现方式,从而辅助提高了客服听线效率。
可选地,上述事件概要生成方法还包括:基于录音信息,得到概要日志;上述步骤204还包括:基于录音信息,得到识别文本;提取识别文本和概要日志的特征,得到识别文本的文本语义特征;基于商品订单信息,提取商品订单信息的特征;将文本语义特征和商品订单信息的特征输入语义识别事件概要模型,得到语义识别事件概要模型输出的事件概要。
如图3所示,上述场景是:客服听线过程中,依据与客户对话内容以及商品订单信息,编写概要日志,并在概要日志编写完成后,选择该听线事件的事件概要。但是实际场景中因为事件概要种类繁多,在线客服需要花费较长时间正确的选择出该事件的事件概要。本公开提供的事件概要生成方法主要目的是:提高在线客服听线的人效,每次听线推荐引擎推荐3个事件概要给人工客服,如果3个事件概要里有一个匹配本次听线内容,人工客服直接选择;如果3个事件概要都与本次听线内容不匹配,人工客服则需要手动选择正确的事件概要。
本公开的实施例提供的事件概要生成方法,首先,在客服与客户通话时,获取与通话相关的商品订单信息;其次,基于商品订单信息,检测是否具有事件概要的推荐结果;再次,响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;最后,基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。由此,在通过商品订单信息无法检测到事件概要的推荐结果时,再基于通话的录音信息、概要日志以及商品订单信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,在商品订单信息无法得到推荐结果的基础上,引入语义识别事件概要模型进行事件概要的分析,起到了大量数据分流效果;而通过引入语义识别事件概要模型,打破了仅从客服和客户通话内容预测事件概要的壁垒,提高了事件概要预测的准确率。
在本公开的一些可选实现方式中,上述商品订单信息包括:客户信息、商家信息、商品信息以及订单信息;基于商品订单信息,检测是否具有事件概要的推荐结果包括:确定客户信息、商家信息、商品信息以及订单信息的特征;基于客户信息、商家信息、商品信息、订单信息中一致的特征以及预先设置的规则***,检测是否具有事件概要的推荐结果。
本可选实现方式中,预先设置的规则***按照预定规则将多种具有一致的特征的信息(例如,客户信息中客户的年龄这一特征与商品信息中的适配年龄段特征相一致)与相应种类的事件概要相关联,当得到一种具有特征的信息时,按照该规则可以从规则***查询该特征,得到与该特征对应的事件概要,该得到的与特征对应的事件概要即为事件概要的推荐结果。
当按照一些规则无法从预先设置的规则***查询到相应的事件概要时,则不具有事件概要的推荐结果。
本可选实现方式中,规则***的构建过程如下:将客户信息、商家信息、商品信息、订单信息的特征中完全一致的特征作为一组,特征完全一致,由于每种特征选择的事件概要不一定一样,按照前设定位(如前3位)的样本量在整组里的占比大于阈值(阈值说明比较集中),加入规则***。小于阈值说明比较分散,客服意见不一致,属于噪声数据,无需加入规则***。
本实施例中,如图3所示,当客服听线接通时,立刻触发规则***推荐。如果规则***不能完成推荐,即无法得到事件概要的推荐结果,则等待客服编写完概要日志后触发语义识别事件概要模型,进行事件概要的推荐结果得到流程。语义识别事件概要模型将客户信息、商家信息、商品信息、订单信息四者生成的商品订单特征(图3中的离散特征)、对客服与客户通话内容(录音信息)进行语音识别之后的识别文本和概要日志两者生成的文本语义特征作为输入,输出推荐的事件概要,从而在保证准确率的前提下大幅提高事件概要推荐的响应速度和准确率。
本可选实现方式提供的事件概要生成方法,提供一种结合规则***的事件概要的推荐方案,从历史数据中按照客户、商家、商品、订单信息字段全部相同统计分组,再对每组的事件概要做统计,如果前设定位的样本占比大于等于本组样本总量的95%(可调阈值),则加入规则***,推荐引擎优先执行规则***。大量数据在高准确率的前提下分流到了规则***,从而提高推理时间。
本可选实现方式提供的检测事件概要的推荐结果的方法,基于商品订单信息中的一致特征从规则***,检测事件概要,为是否具有事件概要的推荐结果提供了一种可选实现方式,提高了事件概要的推荐结果得到的可靠性。
可选地,上述基于商品订单信息,检测是否具有事件概要的推荐结果包括:确定商品订单信息中与事件概要相关的特征,将该与事件概要相关的特征输入预训练的分类模型,得到该分类模型输出的预设种类中各类事件概要的概率,将分类模型输出的预设种类中各类事件概要的概率中前设定位的事件概要作为事件概要的推荐结果。
在本公开的一些可选实现方式中,上述基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果包括:基于录音信息,得到文本语义特征;基于商品订单信息,提取商品订单特征;将文本语义特征、商品订单特征输入预先训练的语义识别事件概要模型,得到语义识别事件概要模型输出的预设种类中各类事件概要的概率;基于各类事件概要的概率,得到事件概要的推荐结果。
本可选实现方式中,上述基于录音信息,得到文本语义特征包括:采用音频文本转化器对录音信息进行文本转换,得到识别文本;提取识别文本中的语义特征,得到文本语义特征。
本可选实现方式中,语义识别事件概要模型是一种对文本语义和商品订单特征进行综合分析,得到预设种类中各类事件概要的概率的模型,语义识别事件概要模型是一种将语义识别模型和事件概要推荐模型进行联合学习得到的模型。该语义识别事件概要模型打破了先从客服与客户通话内容预测客户意图,再利用通客户意图和客户、商家、商品、订单信息预测事件概要的壁垒,从而提高事件概要的准确率。
在本公开的一些可选实现方式中,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:对预设种类事件概要中的所有事件概要的概率进行降序排序,得到前设定位概率,并将前设定位概率对应的事件概要作为推荐结果。
本可选实现方式中,前设定位可以根据实际数据采集需求确定,例如,前设定位为前3位。
本可选实现方式提供的得到事件概要的推荐结果的方法,对预设种类事件概要的概率进行降序排序,选取前设定位概率,并将前设定位概率对应的事件概要作为推荐结果,提高了事件概要的推荐结果得到的准确性。
可选地,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:对预设种类事件概要中的所有事件概要的概率进行升序排序,得到后设定位概率,并将后设定位概率对应的事件概要作为推荐结果。
可选地,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:确定预设种类事件概要中具有相同概率的事件概要,将该具有相同概率的事件概要合并在一起作为一种事件概要,得到新的种类事件概要;将新的种类事件概要的概率进行升序或降序排序,选取后设定位概率或前设定位概率的事件概要作为推荐结果。
在本公开的一些可选实现方式中,上述基于各类事件概要的概率,得到事件概要的推荐结果包括:基于各类事件概要的历史数据,确定各类事件概要的阈值;基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求;响应于有事件概要满足其阈值的要求,将该类事件概要作为推荐结果。
本可选实现方式中,可以通过如式(1)所示的公式,检测各类事件概要是否满足阈值的要求,如式(1)中为各类事件概要的阈值。
其中,σ代表历史数据中的方差,μ代表历史数据的期望值,ε代表可控阈值,X为语义识别事件概要模型输出的概率,C为数据处理函数,例如,对数据求整,或者对数据进行四舍五入处理等。
本可选实现方式提供的得到事件概要的推荐结果的方法,基于事件概要的历史数据,确定各类事件概要的阈值;基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求,在有事件概要满足其阈值的要求时,将该事件概要作为推荐结果。由此,为事件概要的推荐结果的得到又提供了一种可靠的实现方式。
本公开提供的事件概要生成方法的一个具体实施流程如下:如图3所示,在线客服接线后,事件概要生成方法运行于其上的执行主体自动获取包括客户信息、商家信息、商品信息、订单信息的商品订单信息,触发规则***进行事件概要推荐流程,此时,规则***如果可以推荐直接返回推荐结果,如果不可以推荐则进入等待模式。
在客服开始接听客户来电时启动实时录音,并识别录音信息,在客服与客户通话中初步了解客户诉求,同时客服开始编写概要日志,当客服点击保存概要日志时判别为此次事件内容已经沟通完毕,触发通过预先训练的语义识别事件概要模型进行事件概要推荐流程。
事件概要生成方法运行于其上的执行主体收集客服与客户通话内容的识别文本、概要日志文本、客户信息、商品信息、商家信息、物流/***/工单/纠纷/赔付等订单信息。
通过语义识别事件概要模型在线预测输出每种事件概要的概率,并对概率值降序排序,选择出前三位事件概要作为事件概要推荐结果推荐给人工客服。
人工客服判断推荐结果是否包含正确的事件概要,包含则直接选择,不包含则人工查找选择正确的事件概要。
在电商领域中,通过本公开的事件概要生成方法,可以提高在线客服听线人效。并且本公开通过挖掘与事件概要高度相关的特征,结合语义识别事件概要模型,大幅度提升了事件概要推荐的准确率;利用规则***分流,大幅度提高了推荐引擎响应速度。在测试中发现,本公开提供的方法比基于规则的方法准确率提升了40个百分点,比基于统计学***均节省人效50人/日;响应速度平局提高了50ms/单。
如图4,示出了根据本公开的语义识别事件概要模型训练方法的一个实施例的流程400,该语义识别事件概要模型训练方法包括以下步骤:
步骤401,获取样本集。
本实施例中,样本集是为了训练语义识别事件概要模型而预先收集得到的样本集合,其中该样本集合中样本可以是从互联网中收集样本数据并对样本数据进行特征提取(例如通过特征提取器提取)而得到,样本集至少包括一个样本,每个样本包括样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征。
本实施例中,商品订单信息的特征可以是同一网站或者应用指定内容中商品的特征、客户的特征、商家特征以及订单特征,商品的特征包括:商品的颜色、商品的类型、商品的产地等;客户的特征包括:客户的姓名、客户的爱好等,商家特征包括:商家的地方、商家的名称、商家的产品等。
本实施例中,样本文本语音特征是描述商品的文本的具体特征,例如,商品口碑好、商品评价等信息。
本实施例中,语义识别事件概要模型训练方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取样本集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样,执行主体可以接收终端所收集的样本,并将这些样本存储在本地,从而生成样本集。
步骤402,获取预先构建的语义识别事件概要模型训练网络。
本实施例中,语义识别事件概要网络是一种联合了语义识别和事件概要推荐的网络。由于文本语义特征和商品订单信息的特征同时输入到语义识别事件概要网络,语义识别时间概要网络同时对文本语义和商品订单信息的特征进行分析,得到事件概要的预测结果,为此,通过语义识别事件概要网络打破了先从客服与客户通话内容预测客户意图,再利用通客户意图和商品订单信息预测事件概要的壁垒。
步骤403,从样本集中选取样本。
本实施例中,执行主体可以从步骤401中获取的样本集中选取样本,以及执行步骤404至步骤405的训练步骤。其中,样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本。
步骤404,将该样本输入语义识别事件概要网络,得到语义识别事件概要网络输出的预设种类中各类事件概要的概率。
本实施例中,语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
本实施例中,在将样本输入语义识别事件概要网络之后,可以计算语义识别事件概要模型训练网络的损失值。
本实施例中,在语义识别事件概要模型训练网络的训练过程中,一般需要进行多次迭代训练,才可以使语义识别事件概要模型训练网络的整体损失收敛,每次迭代训练均依次执行步骤403-步骤404,在计算出损失值之后,基于损失值(损失值反映了误差的大小)调整语义识别事件概要模型训练网络的参数,再进行下一迭代训练,继续执行步骤403-步骤404,直至满足训练完成条件为止。
本实施例中,为了有效地调整语义识别事件概要网络的参数,需要为语义识别事件概要网络设置损失函数,损失函数可以计算语义识别事件概要网络每次迭代的前向计算结果与真实值的误差,从而通过误差指导下一步的训练向正确的方向进行。
需要说明的是,在当前迭代次数的训练步骤中,如果语义识别事件概要网络已经满足训练完成条件,执行主体则不会再向语义识别事件概要网络输入样本,语义识别事件概要网络即为训练完成的语义识别事件概要模型。
步骤405,响应于语义识别事件概要网络满足训练完成条件,得到对应语义识别事件概要网络对应的语义识别事件概要模型。
本实施例中,训练完成条件包括以下至少一项:语义识别事件概要络的训练迭代次数达到预定迭代阈值;语义识别事件概要网络的模型参数的变化率小于预定阈值,当语义识别事件概要网络的模型参数的变化率均小于预定阈值,确定语义识别事件概要网络满足训练完成条件。例如,训练迭代达到5千次。语义识别事件概要网络的模型参数的变化率小于0.05。本实施例中,设置训练完成条件可以加快模型收敛速度。
本实施例中,当模型参数变化不大且小于预定阈值时,确定语义识别事件概要网络的损失值收敛,语义识别事件概要模型训练完成。
在本公开的一些可选实现方式中,响应于语义识别事件概要网络不满足训练完成条件,调整语义识别事件概要网络的模型参数,使得语义识别事件概要网络的损失函数收敛,继续执行上述步骤403-步骤404。
本公开的实施例提供的语义识别事件概要模型训练方法,首先,获取样本集,样本集至少包括一个样本,样本包括:文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征;其次,获取预先构建的语义识别事件概要网络,语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系;再次,从样本集中选取样本;从次,将该样本输入语义识别事件概要网络,得到语义识别事件概要网络输出的预设种类中各类事件概要的概率;最后,响应于语义识别事件概要网络满足训练完成条件,将语义识别事件概要网络作为语义识别事件概要模型。由此,通过选取的样本,对语义识别事件概要网络进行训练,得到训练完成的语义识别事件概要模型,提高了语义识别事件概要模型得到的可靠性。
在本公开的一些可选实现方式中,上述语义识别事件概要网络包括:文本语义特征网络和离散特征网络,其中,文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系;离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系。
本可选实现方式中,在语义识别事件概要网络训练过程中,将文本语义特征网络和离散特征网络联合训练,语义识别事件概要网络的输出是每种事件概要的概率,将语义识别事件概要网络的输出与客服选择的事件概要计算损失。在大量历史数据上联合训练,保证了最优模型训练的可靠性。
本可选实现方式中,文本语义特征网络是一种对文本语义特征进行处理的神经网络。离散特征网络是一种对商品、订单进行处理的神经网络,文本语义特征网络和离散特征网络两个网络融合,使用同一个损失函数,即可联合训练语义识别事件概要网络。
本可选实现方式提供的语义识别事件概要网络,包括:文本语义特征网络和离散特征网络,其中,文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系。离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系,由此,在语义识别事件概要网络训练过程中,通过同一个损失函数可以同时训练文本语义特征网络和离散特征网络,可以使语义识别事件概要网络同时分析识别多种特征,并给出准确的事件概要的概率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了事件概要生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本公开的实施例提供了一种事件概要生成装置500,该装置500包括:信息获取单元501、检测单元502、录音获取单元503、结果得到单元504。其中,上述信息获取单元501,可以被配置成在客服与客户通话时,获取与通话相关的商品订单信息。上述检测单元502,可以被配置成基于商品订单信息,检测是否具有事件概要的推荐结果。上述录音获取单元503,可以被配置成响应于检测到不具有事件概要的推荐结果,获取通话的录音信息。上述结果得到单元504,可以被配置成基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
在本实施例中,事件概要生成装置500中,信息获取单元501、检测单元502、录音获取单元503、结果得到单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在一些实施例中,上述商品订单信息包括:客户信息、商家信息、商品信息以及订单信息;上述检测单元502进一步被配置成:确定客户信息、商家信息、商品信息以及订单信息的特征;基于客户信息、商家信息、商品信息、订单信息中一致的特征以及预先设置的规则***,检测是否具有事件概要的推荐结果。
在一些实施例中,上述结果得到单元504进一步被配置成:基于录音信息,得到文本语义特征;基于商品订单信息,提取商品订单特征;将文本语义特征、商品订单特征输入预先训练的语义识别事件概要模型,得到语义识别事件概要模型输出的预设种类中各类事件概要的概率;基于各类事件概要的概率,得到事件概要的推荐结果。
在一些实施例中,上述结果得到单元504进一步被配置成:对预设种类事件概要中的所有事件概要的概率进行降序排序,得到前设定位概率,并将前设定位概率对应的事件概要作为推荐结果。
在一些实施例中,上述结果得到单元504进一步被配置成:基于各类事件概要的历史数据,确定各类事件概要的阈值;基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求;响应于有事件概要满足其阈值的要求,将该类事件概要作为推荐结果。
本公开的实施例提供的事件概要生成装置,首先,信息获取单元501在客服与客户通话时,获取与通话相关的商品订单信息;其次,检测单元502基于商品订单信息,检测是否具有事件概要的推荐结果;再次,录音获取单元503响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;最后,结果得到单元504基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。由此,在通过商品订单信息无法检测到事件概要的推荐结果时,再基于通话的录音信息、概要日志以及商品订单信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,在商品订单信息无法得到推荐结果的基础上,引入语义识别事件概要模型进行事件概要的分析,起到了大量数据分流效果;而通过引入语义识别事件概要模型,打破了仅从客服和客户通话内容预测事件概要的壁垒,提高了事件概要预测的准确率。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了语义识别事件概要模型训练装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本公开的实施例提供了一种语义识别事件概要模型训练装置600,该装置600包括:样本获取单元601、网络获取单元602、选取单元603、输入单元604、模型得到单元605。其中,上述样本获取单元601,可以被配置成获取样本集,样本集包括:至少一个样本,每个样本包括:样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征。上述网络获取单元602,可以被配置成获取语义识别事件概要网络,语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。上述选取单元603,可以被配置成从样本集中选取样本。上述输入单元604,可以被配置成将该样本输入语义识别事件概要网络,得到语义识别事件概要网络输出的预设种类中各类事件概要的概率。上述模型得到单元605,可以被配置成响应于语义识别事件概要网络满足训练完成条件,得到对应语义识别事件概要网络对应的语义识别事件概要模型。
本实施例中,语义识别事件概要模型采用语义识别事件概要模型训练装置训练得到。
在本实施例中,样本获取单元601、网络获取单元602、选取单元603、输入单元604、模型得到单元605的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401、步骤402、步骤403、步骤404、步骤405。
在一些实施例中,上述语义识别事件概要网络包括:文本语义特征网络和离散特征网络,其中,文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系;离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备700的结构示意图。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、等的输入装置706;包括例如液晶显示器(LCD,Liquid Crystal Display)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读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该服务器执行时,使得该服务器:在客服与客户通话时,获取与通话相关的商品订单信息;基于商品订单信息,检测是否具有事件概要的推荐结果;响应于检测到不具有事件概要的推荐结果,获取通话的录音信息;基于商品订单信息、录音信息和预先训练的语义识别事件概要模型,得到事件概要的推荐结果,语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开的各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括信息获取单元、检测单元单元、录音获取单元、结果得到单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,信息获取单元还可以被描述为“被配置成在客服与客户通话时,获取与通话相关的商品订单信息”的单元。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种事件概要生成方法,所述方法包括:
在客服与客户通话时,获取与所述通话相关的商品订单信息;
基于所述商品订单信息,检测是否具有事件概要的推荐结果;
响应于检测到不具有所述事件概要的推荐结果,获取所述通话的录音信息;
基于所述商品订单信息、所述录音信息和预先训练的语义识别事件概要模型,得到所述事件概要的推荐结果,所述语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
2.根据权利要求1所述的方法,其中,所述商品订单信息包括:客户信息、商家信息、商品信息以及订单信息;所述基于所述商品订单信息,检测是否具有事件概要的推荐结果包括:
确定所述客户信息、所述商家信息、所述商品信息以及所述订单信息的特征;
基于所述客户信息、所述商家信息、所述商品信息、所述订单信息中一致的特征以及预先设置的规则***,检测是否具有事件概要的推荐结果。
3.根据权利要求1所述的方法,其中,所述基于所述商品订单信息、所述录音信息和预先训练的语义识别事件概要模型,得到所述事件概要的推荐结果包括:
基于所述录音信息,得到文本语义特征;
基于所述商品订单信息,提取商品订单特征;
将所述文本语义特征、所述商品订单特征输入预先训练的语义识别事件概要模型,得到所述语义识别事件概要模型输出的预设种类中各类事件概要的概率;
基于各类事件概要的概率,得到所述事件概要的推荐结果。
4.根据权利要求3所述的方法,其中,所述基于各类事件概要的概率,得到所述事件概要的推荐结果包括:
对预设种类事件概要中的所有事件概要的概率进行降序排序,得到前设定位概率,并将所述前设定位概率对应的事件概要作为推荐结果。
5.根据权利要求3所述的方法,其中,所述基于各类事件概要的概率,得到所述事件概要的推荐结果包括:
基于各类事件概要的历史数据,确定各类事件概要的阈值;
基于各类事件概要的概率,检测各类事件概要是否满足各自阈值的要求;
响应于有事件概要满足其阈值的要求,将该类事件概要作为推荐结果。
6.一种语义识别事件概要模型训练方法,所述方法包括:
获取样本集,所述样本集包括:至少一个样本,每个样本包括:样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征;
获取语义识别事件概要网络,所述语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系;
执行以下训练步骤:
从所述样本集中选取样本;
将该样本输入所述语义识别事件概要网络,得到所述语义识别事件概要网络输出的预设种类中各类事件概要的概率;
响应于所述语义识别事件概要网络满足训练完成条件,得到对应所述语义识别事件概要网络对应的语义识别事件概要模型。
7.根据权利要求6所述的方法,所述语义识别事件概要网络包括:文本语义特征网络和离散特征网络,其中,所述文本语义特征网络用于表征文本语义特征与预设种类中各类事件概要之间的对应关系;所述离散特征网络用于表征商品订单信息的特征与预设种类中各类事件概要之间的对应关系。
8.一种事件概要生成装置,所述装置包括:
信息获取单元,被配置成在客服与客户通话时,获取与所述通话相关的商品订单信息;
检测单元,被配置成基于所述商品订单信息,检测是否具有事件概要的推荐结果;
录音获取单元,被配置成响应于检测到不具有所述事件概要的推荐结果,获取所述通话的录音信息;
结果得到单元,被配置成基于所述商品订单信息、所述录音信息和预先训练的语义识别事件概要模型,得到所述事件概要的推荐结果,所述语义识别事件概要模型用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系。
9.一种语义识别事件概要模型训练装置,所述装置包括:
样本获取单元,被配置成获取样本集,所述样本集包括:至少一个样本,每个样本包括:样本文本语义特征、以及与样本文本语义特征对应的商品订单信息的特征;
网络获取单元,被配置成获取语义识别事件概要网络,所述语义识别事件概要网络用于表征文本语义特征、商品订单信息的特征两者与预设种类中各类事件概要之间的对应关系;
选取单元,被配置成从所述样本集中选取样本;
输入单元,被配置成将该样本输入所述语义识别事件概要网络,得到所述语义识别事件概要网络输出的预设种类中各类事件概要的概率;
模型得到单元,被配置成响应于所述语义识别事件概要网络满足训练完成条件,得到对应所述语义识别事件概要网络对应的语义识别事件概要模型。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410271184.9A CN117974271A (zh) | 2024-03-11 | 2024-03-11 | 事件概要生成、语义识别事件概要模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410271184.9A CN117974271A (zh) | 2024-03-11 | 2024-03-11 | 事件概要生成、语义识别事件概要模型训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974271A true CN117974271A (zh) | 2024-05-03 |
Family
ID=90858005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410271184.9A Pending CN117974271A (zh) | 2024-03-11 | 2024-03-11 | 事件概要生成、语义识别事件概要模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974271A (zh) |
-
2024
- 2024-03-11 CN CN202410271184.9A patent/CN117974271A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN109460514B (zh) | 用于推送信息的方法和装置 | |
US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
TW201812689A (zh) | 惡意地址/惡意訂單的識別系統、方法及裝置 | |
CN113159355A (zh) | 数据预测方法、装置、物流货量预测方法、介质、设备 | |
US11790183B2 (en) | Systems and methods for generating dynamic conversational responses based on historical and dynamically updated information | |
WO2019072098A1 (zh) | 一种识别核心产品词的方法和*** | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN114417174A (zh) | 内容推荐方法、装置、设备及计算机存储介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112116397A (zh) | 用户行为特征实时处理方法、装置、存储介质及电子设备 | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
CN113495991A (zh) | 一种推荐方法和装置 | |
CN113890948B (zh) | 基于语音外呼机器人对话数据的资源分配方法及相关设备 | |
CN117974271A (zh) | 事件概要生成、语义识别事件概要模型训练方法和装置 | |
CN113051381B (zh) | 信息质检方法、装置、计算机***和计算机可读存储介质 | |
CN115525192A (zh) | 面向用户的报价计费方法、装置、计算机设备及存储介质 | |
CN113723974A (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN113112326A (zh) | 一种用户识别方法、向用户展示数据的方法和相关装置 | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN113743973A (zh) | 分析市场热点趋势的方法和装置 | |
CN116629639B (zh) | 评估信息确定方法、装置、介质与电子设备 |
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 |