TW201804339A - 自動回覆方法和裝置 - Google Patents
自動回覆方法和裝置 Download PDFInfo
- Publication number
- TW201804339A TW201804339A TW106124443A TW106124443A TW201804339A TW 201804339 A TW201804339 A TW 201804339A TW 106124443 A TW106124443 A TW 106124443A TW 106124443 A TW106124443 A TW 106124443A TW 201804339 A TW201804339 A TW 201804339A
- Authority
- TW
- Taiwan
- Prior art keywords
- reply
- chat
- category
- message
- time
- Prior art date
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
- H04L51/046—Interoperability with other network applications or services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/216—Handling conversation history, e.g. grouping of messages in sessions or threads
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Information Transfer Between Computers (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本發明公開了一種自動回覆方法,該方法包括:接收聊天對象發送的聊天消息,確定收到所述聊天消息的時間點為起始時間;基於預先訓練得到的分類器,獲取所述聊天消息命中的類別;根據預先配置的回覆間隔和所述起始時間,配置回覆時間;在到達所述回覆時間時,調用所述類別對應的回覆消息進行聊天消息的回覆。本發明還公開了一種自動回覆裝置。本發明實現了對聊天應用軟體自動回覆速度的控制,以貼近人工回覆的速度,增強了類比人工回覆的真實度,提升了聊天應用軟體的擬人化程度。
Description
本發明係有關一種網路技術領域,尤其是關於一種自動回覆方法和裝置。
目前,越來越多的聊天應用軟體,例如微軟小冰、小黃雞等,能夠自動與使用者進行對話或聊天。但是,在聊天時,用戶能夠清楚的感覺到與其進行對話的並非真實的人類,缺乏真實感,也大大降低了聊天的趣味性。
例如,聊天機器人能夠模仿人類進行聊天或對話,在聊天機器人與使用者對話時,由於聊天機器人的回覆的內容是預先錄製的,因此在收到使用者輸入的聊天消息後,根據使用者的聊天消息查找對應的回覆語句進行回覆即可,回覆速度比普通的人工回覆要快很多。
對於使用者而言,輸入聊天消息後,通常在極短的時間內即可以收到聊天機器人的自動回覆,而人工回覆的速度則慢許多。在對話過程中,使用者可以輕易的判斷出當前進行回覆的是人工還是機器人。
因此,目前的聊天應用軟體擬人化程度較低,還無法給用戶帶來較為真實的聊天感。
本發明的主要目的在於提供一種自動回覆方法和裝置,旨在解決聊天應用軟體自動回覆的擬人化程度低的技術問題。
為實現上述目的,本發明提供一種自動回覆方法,所述自動回覆方法包括以下步驟:接收聊天對象發送的聊天消息,確定收到此聊天消息的時間點為起始時間;基於預先訓練得到的分類器,獲取此聊天消息命中的類別;根據預先配置的回覆間隔和所述起始時間來配置回覆時間;在到達所述回覆時間時,調用所述類別對應的回覆消息進行聊天消息的回覆。
在一個實施例中,在根據預先配置的回覆間隔和起始時間,配置回覆時間的步驟之前,還包括:根據所述類別對應的回覆消息之字數以及預設的打字速率,計算得到回覆間隔。
在一個實施例中,在根據預先配置的回覆間隔和起始時間,配置回覆時間的步驟之前,還包括:根據預先配置的聊天記錄,查詢預設時間段內所述類別被命中的次數;若此類別在預設時間段內被命中的次數小於一預設值,則轉入執行此步驟:根據預先配置的回覆間隔和所述起始時間,配置回覆時間。
在一個實施例中,本發明之自動回覆方法還包括:若未成功獲取所述聊天消息命中的類別,則不進行聊天消息的回覆。
在一個實施例中,本發明之自動回覆方法還包括:使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到所述分類器。
此外,為實現上述目的,本發明還提供一種自動回覆裝置,其係包括:一接收模組,用於接收聊天對象發送的聊天消息,確定收到所述聊天消息的時間點為起始時間;一分類模組,用於基於預先訓練得到的分類器,獲取所述聊天消息命中的類別;一配置模組,用於根據預先配置的回覆間隔和所述起始時間,配置回覆時間;以及一回覆模組,用於在到達所述回覆時間時,調用所述類別對應的回覆消息進行聊天消息的回覆。
在一個實施例中,本發明之自動回覆裝置還包括:一計算模組,用於根據所述類別對應的回覆消息之字數以及預設的打字速率,計算得到回覆間隔。
在一個實施例中,本發明之自動回覆裝置還包括:一查詢模組,用於根據預先配置的聊天記錄,查詢預設時間段內所述類別被命中的次數;前述之配置模組更可在所述類別在預設時間段內被命中的次數小於預設值時,根據預先配置的回覆間隔和所述起始時間,配置回覆時間。
在一個實施例中,本發明之自動回覆裝置還包括:一拒覆模組,用於若未成功獲取所述聊天消息命中的類別,則不進行聊天消息的回覆。
在一個實施例中,本發明之自動回覆裝置還包括:一訓練模組,用於使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到所述分類器。
本發明提出的一種自動回覆方法和裝置,其係通過回覆間隔的設置,實現了對聊天應用軟體自動回覆速度的控制,以貼近人工回覆的速度,增強了類比人工回覆的真實度,提升了聊天應用軟體的擬人化程度。
應當理解,此處所描述的具體實施例僅僅用以解釋本發明,並不用於限定本發明。
參照第1圖,本發明自動回覆方法第一實施例提供一種自動回覆方法,所述自動回覆方法包括:
步驟S10、接收聊天對象發送的聊天消息,確定收到所述聊天消息的時間點為起始時間。
本實施例通過控制自動回覆的速率,使得聊天應用軟體的自動回覆更加貼近人工回覆,增強聊天場景的真實感,提升用戶體驗。
本實施例中,以聊天應用軟體為聊天機器人進行舉例說明。聊天機器人是能夠類比人類進行聊天或是對話的應用程式。本發明並不限定於聊天機器人,還可以應用於其他需要進行自動回覆的應用軟體,例如,通過微信、QQ等社交軟體與聊天對象進行聊天,自動回覆聊天對象的聊天消息,或是類比淘寶客服與消費者聊天,提供客戶服務。
具體而言,作為一種實施方式,聊天機器人與聊天對象建立聊天會話的條件,例如聊天機器人與聊天對象成為社交軟體的好友,則聊天機器人可以主動觸發進入自動回覆模式,也可以在收到聊天對象發送的觸發資訊時,進入自動回覆模式。
例如,可以配置觸發資訊為“你好”、“Hi”等,則聊天機器人在收到觸發資訊後,控制進入自動回覆模式。
在自動回覆模式下,聊天機器人接收聊天對象發送的聊天消息。聊天對象可以是人類或是其他的聊天機器人,本實施例以聊天對象為人類進行舉例說明。
聊天對象發送的聊天消息可以是語音或文字資訊等類型。若聊天對象發送的聊天消息為文字資訊,則可以直接通過分類器獲取對應的類別;若聊天對象發送的聊天消息為語音,則需要通過語音辨識轉換為文字資訊後,再使用文字資訊進行分類。
同時,聊天機器人記錄收到此條聊天消息的時間點,並確定此時間點為本次對話的起始時間點。
步驟S20、基於預先訓練得到的分類器,獲取所述聊天消息命中的類別。
在獲取聊天消息後,聊天機器人使用預先訓練得到的分類器,獲取聊天消息命中的類別。
具體而言,分類器中預先配置有多個給定的類別,不同的類別對應不同的回覆消息,分類器能夠將未知類別的聊天消息映射到給定類別中的一個,從而得到回覆的消息。其中,不同的類別可以使用數位標號等方式進行標識。
作為一種實施方式,在獲取文字類型的聊天消息後,將聊天消息的文本資訊進行分詞,以得到各片語。
然後,將文本資訊的分詞投入預先訓練好的分類器,根據文本資訊分詞的特徵查找命中的類別。
需要說明的是,命中的類別也是當前聊天消息的分類,是基於聊天消息的特徵映射得到的,不同的聊天消息由於語義相同可能命中同一個類別,但是同樣的聊天消息僅能命中同一個類別。
例如,聊天消息“你需要購買什麼樣的產品”和“你想要買什麼樣的產品”,在進行分詞,並投入分類器後,可能命中同一個對應回覆消息內容是具體產品的類別。
步驟S30、根據預先配置的回覆間隔和所述起始時間,配置回覆時間。
在獲取本次聊天消息命中的類別後,聊天機器人根據預設的回覆間隔,控制本次聊天消息的回覆時間。
具體的,作為一種實施方式,預設的回覆間隔可以是固定的時間間隔。
聊天機器人在獲取聊天消息命中的類別後,將收到此聊天消息的時間點,也是起始時間,加上預設的時間間隔,得到的時間點即為對本次聊天消息的回覆時間。
進一步的,預設的回覆間隔也可以是根據不同類別回覆消息對應配置的時間間隔。時間間隔可以根據不同回覆消息的語義、文本字數、語音長度等資訊進行靈活配置,以貼近人工回覆的速度。
聊天機器人在獲取聊天消息命中的類別後,獲取此類別對應的時間間隔。
然後,將收到此聊天消息的時間點,即起始時間,加上此類別對應的時間間隔,得到的時間點也是對本次聊天消息的回覆時間。
步驟S40、在到達所述回覆時間時,調用所述類別對應的回覆消息進行所述聊天消息的回覆。
在成功獲取本次聊天消息命中的類別後,聊天機器人獲取此類別對應的回覆消息作為本次聊天消息對應的回覆消息。其中,回覆消息可以是文本資訊,也可以是預先配置的語音資訊等類型的消息,可根據實際需要靈活配置。
在時間達到回覆時間時,將本次獲取的聊天消息發送給聊天對象。
由此,實現了聊天消息的回覆。
此後,若再次收到聊天對象發送的聊天消息,則重新配置起始時間,進行新一輪的自動回覆。
在本實施例中,收到聊天對象發送的聊天消息後,確定收到此聊天消息的時間點為起始時間;然後,基於預先訓練得到的分類器,對聊天消息進行分類,獲取聊天消息命中的類別;然後,根據起始時間和預先配置的回覆間隔,配置回覆時間;在達到回覆時間時,調用本次聊天消息命中的類別對應的回覆消息進行本次聊天消息的回覆。本實施例通過回覆間隔的設置,實現了對聊天應用軟體自動回覆速度的控制,以貼近人工回覆的速度,增強了類比人工回覆的真實度,提升了聊天應用軟體的擬人化程度。
進一步的,參照第2圖,本發明自動回覆方法第二實施例提供一種自動回覆方法,基於上述第1圖所示的實施例,所述步驟S30之前,還包括:
步驟S50、根據所述類別對應的回覆消息之字數以及預設的打字速率,計算得到回覆間隔。
本實施例中,配置所有的回覆消息為文本資訊。在收到聊天對象發送的聊天消息時,聊天機器人記錄收到聊天消息的時間點。
在獲取本次聊天對象發送的聊天消息命中的類別後,聊天機器人獲取此類別對應的回覆消息。
然後,聊天機器人統計本次回覆消息的字數,根據得到的字數和預設的打字速率,計算得到回覆間隔。其中,預設的打字速率也可以理解為人工的打字速率,例如每秒一個字等。在計算回覆間隔時,將回覆消息的字數與打字速率相乘,得到的時間即為回覆間隔。
在得到回覆間隔後,聊天機器人將收到聊天消息的時間點加上回覆間隔的時間,得到對本地聊天消息的回覆時間點。
然後,聊天機器人檢測當前的時間,在到達回覆時間點時,向聊天對象發送回覆消息。
由於獲取回覆消息的運算時間通常非常短,通常在得到回覆消息時,時間點不會超過回覆時間點,因此不會影響到對於回覆時間的控制。
在本實施例中,在獲取本次聊天消息命中的類後別,根據此類別對應的回覆消息之字數,以及預設的打字速率,計算得到回覆本次聊天消息的回覆間隔;然後,根據起始時間和得到的回覆間隔配置回覆本次聊天消息的回覆時間。本實施例通過根據回覆消息的字數和打字速率配置時間間隔,類比人工回覆的打字速度,以增強人工回覆的場景感,提高了聊天應用軟體的擬人化程度。
進一步的,參照第3圖,本發明自動回覆方法第三實施例提供一種自動回覆方法,基於上述第1圖或第2圖所示的實施例(本實施例以第1圖為例),所述步驟S30之前,還包括:
步驟S60、根據預先配置的聊天記錄,查詢預設時間段內所述類別被命中的次數;若所述類別在所述時間段內被命中的次數小於預設值,則轉入執行步驟S30。
本實施例中,聊天機器人記錄聊天對象發送的每一條聊天消息,每一條聊天消息命中的類別,和對應的回覆時間,配置得到聊天記錄。
在聊天機器人獲取本次聊天消息命中的類別時,根據配置的聊天記錄,查詢預設時間段內此類別是否被命中過。
若此類別在預設的時間段內被與本次聊天消息相同或不同的聊天消息命中,則統計此類別在此時間段內被命中的次數。本實施例中,統計此類別被命中的次數時,本次被命中不計入統計結果。
在得到此類別在預設時間段內被命中的次數後,判斷被命中的次數是否小於預設值;若被命中的次數小於預設值,則判定此類別有效,可以對本次聊天消息進行回覆;若被命中的次數大於或等於預設值,則判定此類別無效,不對本次聊天消息進行回覆。
例如,若預設的時間段為2分鐘,預設值為1。則聊天機器人在獲取命中的類別時,查詢2分鐘以內的聊天記錄中,此類別被命中的次數。
若此類別在2分鐘內被命中1次,意味著此類別的聊天消息在2分鐘內已經被回覆過,聊天對象在發送重複的聊天消息,則不再次回覆;若此類別在2分鐘內被命中0次,意味著2分鐘內未收到此類別的聊天消息,可以進行回覆,則進行回覆時間的配置,在達到回覆時間時,調用此類別對應的回覆消息進行聊天消息的回覆。
由此,實現了對相同回覆消息的管理。
在本實施例中,在獲取本次聊天消息命中的類別後,根據預先配置的聊天記錄,查詢預設時間段內此類別被命中的次數,從而得到預設時間段內收到此類別的本次聊天消息的次數;若此類別在預設時間段內被命中的次數小於預設值,也即在預設時間段內收到此類別聊天消息的次數小於預設值,則進行回覆時間的配置,進行聊天消息的回覆。本實施例通過配置預設值,僅在預設時間段內收到的同類別的聊天消息的次數小於預設值時,才對本次聊天消息進行回覆;當在預設時間段內收到同類別聊天消息的次數過多時,不進行回覆,以避免多次以同樣的內容重複回覆同一類別的聊天消息,更加符合人類聊天的習慣,提高了聊天應用軟體的擬人化程度。
進一步的,參照第4圖,本發明自動回覆方法第四實施例提供一種自動回覆方法,基於上述第1圖、第2圖或第3圖所示的實施例,所述自動回覆方法還包括:
步驟70、若未成功獲取所述聊天消息命中的類別,則不進行所述聊天消息的回覆。
本實施例在未獲取本次聊天消息命中的類別時,控制不進行聊天消息的回覆。
例如,在使用自動回覆對公司內部的業務員進行風險測試時,由於目的是在業務員不知情的條件下,類比客戶測試業務員是否違規操作,因此為了避免業務員懷疑,對業務員發送的聊天消息進行自動回覆時,需要有較高的擬人化程度。
若業務員發送的聊天消息沒有命中分類器中特定的類別,則可以認為當前業務員發送的聊天消息不在可自動回覆的範圍內,不進行回覆;若使用針對此種情況預先配置的回覆消息進行回覆,或是隨機選擇回覆消息進行回覆,則可能由於不符合當前的聊天場景,導致業務員懷疑當前的客戶存在異常情況,而影響測試結果。
在本實施例中,不對未命中類別的聊天消息進行回覆,以避免在沒有合適的回覆消息時亂回覆,更加符合人類聊天的習慣,增強聊天應用軟體的擬人化程度。
進一步的,參照第5圖,本發明自動回覆方法第五實施例提供一種自動回覆方法,基於上述第1圖、第2圖、第3圖或第4圖所示的實施例,所述自動回覆方法還包括:
步驟S80、使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到所述分類器。
本實施例基於神經網路演算法和邏輯回歸演算法訓練得到用於對聊天消息進行分類的分類器。
具體的,作為一種即時方式,獲取預先配置語料樣本,語料樣本可以是大量的聊天消息,語料樣本數量越多,訓練效果越好。
可以根據需要配置分類器對於語料進行分類後的類別,不同的類別對應不同的回覆消息。分別為語料樣本中的各聊天消息配置其映射的類別,亦即,將語料樣本中的聊天消息進行分類,並標注好對應的類別,為分類器的訓練做準備。
然後,對語料樣本進行分詞,將以句為單位的聊天消息切分為一個一個單獨的詞。
然後,對分詞後的聊天消息進行特徵提取,提取的特徵可以是詞性特徵等。
然後,使用邏輯回歸演算法基於各聊天消息的特徵,對各聊天消息進行分類訓練,使各聊天消息能夠命中其預先配置的類別。
在對聊天消息進行分類時,基於聊天消息提取的特徵,使分類器在指定的各類別中選取概率最大的類別作為其命中的類別,再根據此聊天消息預先配置的類別判斷是否分類成功,根據分類是否成功的結果對語料樣本進行分類的反覆訓練,儘量使分類器可以根據聊天消息的特徵命中正確的類別。
在訓練過程中,基於神經網路演算法,根據語料樣本的訓練分類結果學習分類的模式,並修正分類器,使得對聊天消息提取得到的特徵為各聊天消息最顯著、最能夠區別於其他聊天消息的特徵,提高分類結果的成功率。
在訓練階段結束後,可以使用測試語料測試分類器的成功率,若成功率達到預設的要求值時,可以判定分類器完成訓練;若成功率未達到預設的要求值時,可以繼續進行分類器的訓練,直至成功率達到預設的要求值。
在本實施例中,採用神經網路演算法和邏輯回歸演算法進行分類器的訓練,使得分類器能夠提取出語料樣本最顯著的特徵,對聊天消息的分類結果也更加準確。
參照第6圖,本發明自動回覆裝置第一實施例提供一種自動回覆裝置,所述自動回覆裝置包括:
一接收模組10,用於接收聊天對象發送的聊天消息,確定收到所述聊天消息的時間點為起始時間。
本實施例通過控制自動回覆的速率,使得聊天應用軟體的自動回覆更加貼近人工回覆,增強聊天場景的真實感,提升用戶體驗。
具體而言,作為一種實施方式,聊天應用軟體與聊天對象建立聊天會話的條件,例如聊天機器人與聊天對象成為社交軟體的好友,則聊天機器人可以主動觸發進入自動回覆模式,也可以在收到聊天對象發送的觸發資訊時,進入自動回覆模式。
例如,可以配置觸發資訊為“你好”、“Hi”等,則聊天應用軟體在收到觸發資訊後,控制進入自動回覆模式。
在自動回覆模式下,接收模組10接收聊天對象發送的聊天消息。聊天對象可以是人類或是其他的聊天應用軟體,本實施例以聊天對象為人類進行舉例說明。
聊天對象發送的聊天消息可以是語音或文字資訊等類型。若聊天對象發送的聊天消息為文字資訊,則可以直接通過分類器獲取對應的類別;若聊天對象發送的聊天消息為語音,則需要接收模組10通過語音辨識轉換文文字資訊後,再使用文字資訊進行分類。
同時,接收模組10記錄收到此條聊天消息的時間點,並確定此時間點為本次對話的起始時間點。
一分類模組20,用於基於預先訓練得到的分類器,獲取所述聊天消息命中的類別。
在獲取聊天消息後,分類模組20使用預先訓練得到的分類器,獲取聊天消息命中的類別。
具體而言,分類器中預先配置有多個給定的類別,不同的類別對應不同的回覆消息,分類器能夠將未知類別的聊天消息映射到給定類別中的一個,從而得到回覆的消息。其中,不同的類別可以使用數位標號等方式進行標識。
作為一種實施方式,在獲取文字類型的聊天消息後,分類模組20將聊天消息的文本資訊進行分詞,得到各片語。
然後,分類模組20將文本資訊的分詞投入預先訓練好的分類器,根據文本資訊分詞的特徵查找命中的類別。
需要說明的是,命中的類別也即當前聊天消息的分類,是基於聊天消息的特徵映射得到的,不同的聊天消息由於語義相同可能命中同一個類別,但是同樣的聊天消息僅能命中同一個類別。
例如,聊天消息“你需要購買什麼樣的產品”和“你想要買什麼樣的產品”,在進行分詞,並投入分類器後,可能命中同一個對應回覆消息內容是具體產品的類別。
一配置模組30,用於根據預先配置的回覆間隔和所述起始時間,配置回覆時間。
在獲取本次聊天消息命中的類別後,配置模組30根據預設的回覆間隔,控制本次聊天消息的回覆時間。
具體而言,作為一種實施方式,預設的回覆間隔可以是固定的時間間隔。
在獲取聊天消息命中的類別後,配置模組30將收到此聊天消息的時間點,也即起始時間,加上預設的時間間隔,得到的時間點也即對本次聊天消息的回覆時間。
進一步的,預設的回覆間隔也可以是根據不同類別回覆消息對應配置的時間間隔。時間間隔可以根據不同回覆消息的語義、文本字數、語音長度等資訊進行靈活配置,以貼近人工回覆的速度。
在獲取聊天消息命中的類別後,配置模組30獲取此類別對應的時間間隔。
然後,配置模組30將收到此聊天消息的時間點,亦即起始時間,加上此類別對應的時間間隔,得到的時間點也即對本次聊天消息的回覆時間。
一回覆模組40,用於在到達所述回覆時間時,調用所述類別對應的回覆消息進行所述聊天消息的回覆。
在成功獲取本次聊天消息命中的類別後,回覆模組40獲取此類別對應的回覆消息作為本次聊天消息對應的回覆消息。其中,回覆消息可以是文本資訊,也可以是預先配置的語音資訊等類型的消息,可根據實際需要靈活配置。
在時間達到回覆時間時,回覆模組40將本次獲取的聊天消息發送給聊天對象。
由此,實現了聊天消息的回覆。
此後,若再次收到聊天對象發送的聊天消息,則接收模組10重新配置起始時間,進行新一輪的自動回覆。
在本實施例中,接收模組10收到聊天對象發送的聊天消息後,確定收到此聊天消息的時間點為起始時間;然後,分類模組20基於預先訓練得到的分類器,對聊天消息進行分類,獲取聊天消息命中的類別;然後,配置模組30根據起始時間和預先配置的回覆間隔,配置回覆時間;在達到回覆時間時,回覆模組40調用本次聊天消息命中的類別對應的回覆消息進行本次聊天消息的回覆。本實施例通過回覆間隔的設置,實現了對聊天應用軟體自動回覆速度的控制,以貼近人工回覆的速度,增強了類比人工回覆的真實度,提升了聊天應用軟體的擬人化程度。
進一步的,參照第7圖,本發明自動回覆裝置第二實施例提供一種自動回覆裝置,基於上述第6圖所示的實施例,所述自動回覆裝置還包括:
一計算模組50,用於根據所述類別對應的回覆消息之字數,以及預設的打字速率,計算得到回覆間隔。
本實施例中,配置所有的回覆消息為文本資訊。接收模組10在收到聊天對象發送的聊天消息時,記錄收到聊天消息的時間點。
在獲取本次聊天對象發送的聊天消息命中的類別後,計算模組50獲取此類別對應的回覆消息。
然後,計算模組50統計本次回覆消息的字數,根據得到的字數和預設的打字速率,計算得到回覆間隔。其中,預設的打字速率也可以理解為人工的打字速率,例如每秒一個字等。在計算回覆間隔時,將回覆消息的字數與打字速率相乘,得到的時間即為回覆間隔。
在得到回覆間隔後,配置模組30將收到聊天消息的時間點加上回覆間隔的時間,得到對本地聊天消息的回覆時間點。
然後,回覆模組40檢測當前的時間,在到達回覆時間點時,向聊天對象發送回覆消息。
由於獲取回覆消息的運算時間通常非常短,通常在得到回覆消息時,時間點不會超過回覆時間點,因此不會影響到對於回覆時間的控制。
在本實施例中,在獲取本次聊天消息命中的類後別,計算模組50根據此類別對應的回覆消息之字數以及預設的打字速率,計算得到回覆本次聊天消息的回覆間隔;然後,根據起始時間和得到的回覆間隔配置回覆本次聊天消息的回覆時間。本實施例通過根據回覆消息的字數和打字速率配置時間間隔,類比人工回覆的打字速度,以增強人工回覆的場景感,提高了聊天應用軟體的擬人化程度。
進一步的,參照第8圖,本發明自動回覆裝置第三實施例提供一種自動回覆裝置,基於上述第6圖或第7圖所示的實施例(本實施例以第6圖為例),所述自動回覆裝置還包括:
一查詢模組60,用於根據預先配置的聊天記錄,查詢預設時間段內所述類別被命中的次數;所述配置模組30,更可在所述類別在所述時間段內被命中的次數小於預設值時,則根據預先配置的回覆間隔和所述起始時間,配置回覆時間。
本實施例中,查詢模組60記錄聊天對象發送的每一條聊天消息,每一條聊天消息命中的類別,和對應的回覆時間,配置得到聊天記錄。
在獲取本次聊天消息命中的類別時,查詢模組60根據配置的聊天記錄,查詢預設時間段內此類別是否被命中過。
若此類別在預設的時間段內被與本次聊天消息相同或不同的聊天消息命中,則查詢模組60統計此類別在此時間段內被命中的次數。本實施例中,統計此類別被命中的次數時,本次被命中不計入統計結果。
在得到此類別在預設時間段內被命中的次數後,查詢模組60判斷被命中的次數是否小於預設值;若被命中的次數小於預設值,則查詢模組60判定此類別有效,可以對本次聊天消息進行回覆;若被命中的次數大於或等於預設值,則查詢模組60判定此類別無效,不對本次聊天消息進行回覆。
例如,若預設的時間段為2分鐘,預設值為1。則在獲取命中的類別時,查詢模組60查詢2分鐘以內的聊天記錄中,此類別被命中的次數。
若此類別在2分鐘內被命中1次,意味著此類別的聊天消息在2分鐘內已經被回覆過,聊天對象在發送重複的聊天消息,則不再次回覆;若此類別在2分鐘內被命中0次,意味著2分鐘內未收到此類別的聊天消息,可以進行回覆,則由配置模組30進行回覆時間的配置,在達到回覆時間時,回覆模組40調用此類別對應的回覆消息進行聊天消息的回覆。
由此,實現了對相同回覆消息的管理。
在本實施例中,在獲取本次聊天消息命中的類別後,查詢模組60根據預先配置的聊天記錄,查詢預設時間段內此類別被命中的次數,從而得到預設時間段內收到此類別的本次聊天消息的次數;若此類別在預設時間段內被命中的次數小於預設值,也即在預設時間段內收到此類別聊天消息的次數小於預設值,則配置模組30進行回覆時間的配置,回覆模組40進行聊天消息的回覆。本實施例通過配置預設值,僅在預設時間段內收到的同類別的聊天消息的次數小於預設值時,才對本次聊天消息進行回覆;當在預設時間段內收到同類別聊天消息的次數過多時,不進行回覆,以避免多次以同樣的內容重複回覆同一類別的聊天消息,更加符合人類聊天的習慣,提高了聊天應用軟體的擬人化程度。
進一步的,參照第9圖,本發明自動回覆裝置第四實施例提供一種自動回覆裝置,基於上述第6圖、第7圖或第8圖所示的實施例(本實施例以第6圖為例),所述自動回覆裝置還包括:
一拒覆模組70,用於若未成功獲取所述聊天消息命中的類別,則不進行所述聊天消息的回覆。
本實施例在未獲取本次聊天消息命中的類別時,拒覆模組70控制不進行聊天消息的回覆。
例如,在使用自動回覆對公司內部的業務員進行風險測試時,由於目的是在業務員不知情的條件下,類比客戶測試業務員是否違規操作,因此為了避免業務員懷疑,對業務員發送的聊天消息進行自動回覆時,需要有較高的擬人化程度。
若業務員發送的聊天消息沒有命中分類器中特定的類別,則可以認為當前業務員發送的聊天消息不在可自動回覆的範圍內,不進行回覆;若使用針對此種情況預先配置的回覆消息進行回覆,或是隨機選擇回覆消息進行回覆,則可能由於不符合當前的聊天場景,導致業務員懷疑當前的客戶存在異常情況,而影響測試結果。
在本實施例中,拒覆模組70控制不對未命中類別的聊天消息進行回覆,以避免在沒有合適的回覆消息時亂回覆,更加符合人類聊天的習慣,增強聊天應用軟體的擬人化程度。
進一步的,參照第10圖,本發明自動回覆裝置第五實施例提供一種自動回覆裝置,基於上述第6圖、第7圖、第8圖或第9圖所示的實施例(本實施例以第9圖為例),所述自動回覆裝置還包括:
一訓練模組80,用於使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到所述分類器。
本實施例訓練模組80基於神經網路演算法和邏輯回歸演算法訓練得到用於對聊天消息進行分類的分類器。
具體而言,作為一種即時方式,訓練模組80獲取預先配置語料樣本,語料樣本可以是大量的聊天消息,語料樣本數量越多,訓練效果越好。
可以根據需要配置分類器對於語料進行分類後的類別,不同的類別對應不同的回覆消息。分別為語料樣本中的各聊天消息配置其映射的類別,亦即,將語料樣本中的聊天消息進行分類,並標注好對應的類別,為分類器的訓練做準備。
然後,訓練模組80對語料樣本進行分詞,將以句為單位的聊天消息切分為一個一個單獨的詞。
然後,訓練模組80對分詞後的聊天消息進行特徵提取,提取的特徵可以是詞性特徵等。
然後,訓練模組80使用邏輯回歸演算法基於各聊天消息的特徵,對各聊天消息進行分類訓練,使各聊天消息能夠命中其預先配置的類別。
在對聊天消息進行分類時,基於聊天消息提取的特徵,使分類器在指定的各類別中選取概率最大的類別作為其命中的類別,再根據此聊天消息預先配置的類別判斷是否分類成功,根據分類是否成功的結果對語料樣本進行分類的反覆訓練,儘量使分類器可以根據聊天消息的特徵命中正確的類別。
在訓練過程中,訓練模組80基於神經網路演算法,根據語料樣本的訓練分類結果學習分類的模式,並修正分類器,使得對聊天消息提取得到的特徵為各聊天消息最顯著、最能夠區別於其他聊天消息的特徵,提高分類結果的成功率。
在訓練階段結束後,訓練模組80可以使用測試語料測試分類器的成功率,若成功率達到預設的要求值時,可以判定分類器完成訓練;若成功率未達到預設的要求值時,可以繼續進行分類器的訓練,直至成功率達到預設的要求值。
在本實施例中,訓練模組80採用神經網路演算法和邏輯回歸演算法進行分類器的訓練,使得分類器能夠提取出語料樣本最顯著的特徵,對聊天消息的分類結果也更加準確。
以上僅為本發明的可選實施例,並非因此限制本發明的專利範圍,凡是利用本發明說明書及附圖內容所作的等效結構或等效流程變換,或直接或間接運用在其他相關的技術領域,均同理包括在本發明的專利保護範圍內。
10‧‧‧接收模組
20‧‧‧分類模組
30‧‧‧配置模組
40‧‧‧回覆模組
50‧‧‧計算模組
60‧‧‧查詢模組
70‧‧‧拒覆模組
80‧‧‧訓練模組
20‧‧‧分類模組
30‧‧‧配置模組
40‧‧‧回覆模組
50‧‧‧計算模組
60‧‧‧查詢模組
70‧‧‧拒覆模組
80‧‧‧訓練模組
第1圖為本發明自動回覆方法第一實施例的流程示意圖; 第2圖為本發明自動回覆方法第二實施例的流程示意圖; 第3圖為本發明自動回覆方法第三實施例的流程示意圖; 第4圖為本發明自動回覆方法第四實施例的流程示意圖; 第5圖為本發明自動回覆方法第五實施例的流程示意圖; 第6圖為本發明自動回覆裝置第一實施例的功能模組示意圖; 第7圖為本發明自動回覆裝置第二實施例的功能模組示意圖; 第8圖為本發明自動回覆裝置第三實施例的功能模組示意圖; 第9圖為本發明自動回覆裝置第四實施例的功能模組示意圖;以及 第10圖為本發明自動回覆裝置第五實施例的功能模組示意圖。
Claims (10)
- 一種自動回覆方法,包括以下步驟: 接收聊天對象發送的聊天消息,確定收到該聊天消息的時間點為起始時間; 基於預先訓練得到的分類器,獲取該聊天消息命中的類別; 根據預先配置的回覆間隔和該起始時間,配置回覆時間;以及 在到達該回覆時間時,調用該類別對應的該回覆消息進行該聊天消息的回覆。
- 如請求項1所述之自動回覆方法,其中在根據該預先配置的該回覆間隔和該起始時間,配置該回覆時間的步驟之前,更包括: 根據該類別對應的該回覆消息之字數,以及預設的打字速率,計算得到該回覆間隔。
- 如請求項1所述之自動回覆方法,其中在根據該預先配置的該回覆間隔和該起始時間,配置該回覆時間的步驟之前,更包括: 根據預先配置的聊天記錄,查詢預設時間段內該類別被命中的次數;以及 若該類別在該預設時間段內被命中的次數小於一預設值,則轉入執行步驟:根據預先配置的該回覆間隔和該起始時間,配置該回覆時間。
- 2或3所述之自動回覆方法,更包括:若未成功獲取該聊天消息命中的該類別,則不進行該聊天消息的回覆。
- 如請求項4所述之自動回覆方法,更包括:使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到該分類器。
- 一種自動回覆裝置,包括: 一接收模組,用於接收聊天對象發送的聊天消息,確定收到該聊天消息的時間點為起始時間; 一分類模組,基於預先訓練得到的分類器,獲取該聊天消息命中的類別; 一配置模組,用於根據預先配置的一回覆間隔和該起始時間,配置一回覆時間;以及 一回覆模組,用於在到達該回覆時間時,調用該類別對應的回覆消息進行該聊天消息的回覆。
- 如請求項6所述之自動回覆裝置,更包括: 一計算模組,用於根據該類別對應的該回覆消息之字數,以及預設的打字速率,計算得到該回覆間隔。
- 如請求項6所述之自動回覆裝置,更包括: 一查詢模組,用於根據預先配置的聊天記錄,查詢一預設時間段內該類別被命中的次數;以及 該配置模組,更可於該類別在該預設時間段內被命中的次數小於一預設值時,根據預先配置的該回覆間隔和該起始時間,配置該回覆時間。
- 7或8所述之自動回覆裝置,更包括: 一拒覆模組,用於若未成功獲取該聊天消息命中的該類別,則不進行該聊天消息的回覆。
- 如請求項9所述之自動回覆裝置,更包括: 一訓練模組,用於使用預先配置的語料樣本,基於神經網路演算法和邏輯回歸演算法訓練得到該分類器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??201610578824.6 | 2016-07-20 | ||
CN201610578824.6A CN107040450B (zh) | 2016-07-20 | 2016-07-20 | 自动回复方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201804339A true TW201804339A (zh) | 2018-02-01 |
TWI632469B TWI632469B (zh) | 2018-08-11 |
Family
ID=59533122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106124443A TWI632469B (zh) | 2016-07-20 | 2017-07-20 | 自動回覆方法和裝置 |
Country Status (9)
Country | Link |
---|---|
US (1) | US10404629B2 (zh) |
EP (1) | EP3306867B1 (zh) |
JP (1) | JP6431993B2 (zh) |
KR (1) | KR102125348B1 (zh) |
CN (1) | CN107040450B (zh) |
AU (1) | AU2017258821A1 (zh) |
SG (1) | SG11201709529SA (zh) |
TW (1) | TWI632469B (zh) |
WO (1) | WO2018014579A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI703473B (zh) * | 2018-12-03 | 2020-09-01 | 八維智能股份有限公司 | 用於聊天機器人與人類通話的可編程智能代理機 |
TWI718369B (zh) * | 2018-04-26 | 2021-02-11 | 國立勤益科技大學 | 智能互動系統 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563657A (zh) * | 2017-12-29 | 2018-09-21 | 上海与德科技有限公司 | 机器人应答模式的自适应调整方法及智能机器人 |
CN111353024B (zh) * | 2018-12-04 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 回评文本的生成方法、装置及*** |
US11157701B2 (en) | 2019-01-10 | 2021-10-26 | International Business Machines Corporation | Regulating velocity of chat discourse |
CN109753561B (zh) * | 2019-01-16 | 2021-04-27 | 长安汽车金融有限公司 | 一种自动回复的生成方法及装置 |
CN109639444B (zh) * | 2019-02-20 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 消息处理方法、装置、电子设备及存储介质 |
TWI714019B (zh) * | 2019-03-12 | 2020-12-21 | 國立清華大學 | 諮詢式聊天機械人之執行方法 |
CN110324237A (zh) * | 2019-06-24 | 2019-10-11 | 中建八局第一建设有限公司 | 一种基于微信的集成项目应用管理方法 |
CN110290057B (zh) * | 2019-06-28 | 2021-09-14 | 联想(北京)有限公司 | 一种信息处理方法及信息处理装置 |
CN110351293B (zh) * | 2019-07-19 | 2022-03-01 | 秒针信息技术有限公司 | 一种发送信息的方法、装置及*** |
CN110445707B (zh) * | 2019-07-23 | 2022-05-13 | 北京秒针人工智能科技有限公司 | 一种消息处理方法及装置 |
CN112491692A (zh) * | 2020-11-09 | 2021-03-12 | 北京明略软件***有限公司 | 定时收集信息方法、***、计算机可读存储介质及电子设备 |
CN112612877A (zh) * | 2020-12-16 | 2021-04-06 | 平安普惠企业管理有限公司 | 多类型消息智能答复方法、装置、计算机设备及存储介质 |
CN113297362A (zh) * | 2021-05-27 | 2021-08-24 | 平安科技(深圳)有限公司 | 机器人问答方法、装置、计算机设备及存储介质 |
CN113609275B (zh) * | 2021-08-24 | 2024-03-26 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、设备及存储介质 |
CN115499397B (zh) * | 2022-09-08 | 2023-11-17 | 亿咖通(湖北)技术有限公司 | 一种信息回复方法、装置、设备及存储介质 |
US12001489B1 (en) * | 2023-01-25 | 2024-06-04 | Fujitsu Limited | Ethics-based multi-modal user post monitoring |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000050045A (ko) * | 2000-03-28 | 2000-08-05 | 백찬영 | 전자 메시지 자동 응답 시스템 및 방법 |
WO2002009399A2 (en) * | 2000-07-20 | 2002-01-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Customer support system and method providing virtual and live agent interaction over a data network |
US20030182391A1 (en) * | 2002-03-19 | 2003-09-25 | Mike Leber | Internet based personal information manager |
TW576118B (en) * | 2002-12-31 | 2004-02-11 | Inventec Appliances Corp | Method of auto-answering the short message for the mobile phone |
US7249162B2 (en) * | 2003-02-25 | 2007-07-24 | Microsoft Corporation | Adaptive junk message filtering system |
US20050282559A1 (en) * | 2003-02-25 | 2005-12-22 | Boston Communications Group, Inc. | Method and system for providing supervisory control over wireless phone data usage |
CN100438511C (zh) * | 2005-09-16 | 2008-11-26 | 腾讯科技(深圳)有限公司 | 一种即时通信中按照时间段自动回复的方法及*** |
CN101179619A (zh) * | 2006-11-08 | 2008-05-14 | 中兴通讯股份有限公司 | 一种移动电话及其自动应答方法 |
JP2008191748A (ja) * | 2007-02-01 | 2008-08-21 | Oki Electric Ind Co Ltd | ユーザ間コミュニケーション方法、ユーザ間コミュニケーションプログラム、ユーザ間コミュニケーション装置 |
JP4625057B2 (ja) * | 2007-08-15 | 2011-02-02 | ヤフー株式会社 | 仮想空間情報要約作成装置 |
US20090077185A1 (en) * | 2007-09-17 | 2009-03-19 | Inventec Corporation | Automatic-reply instant messeging system and method thereof |
JP4547721B2 (ja) * | 2008-05-21 | 2010-09-22 | 株式会社デンソー | 自動車用情報提供システム |
US20140279050A1 (en) * | 2008-05-21 | 2014-09-18 | The Delfin Project, Inc. | Dynamic chatbot |
US7818374B2 (en) * | 2008-05-29 | 2010-10-19 | International Business Machines Corporation | Effective communication in virtual worlds |
CN101800709A (zh) * | 2010-01-05 | 2010-08-11 | 深圳中兴网信科技有限公司 | 一种即时通讯中自动回复的实现方法 |
US9077749B2 (en) * | 2012-01-31 | 2015-07-07 | International Business Machines Corporation | Identity verification for at least one party to a text-based communication |
US9973457B2 (en) * | 2012-06-26 | 2018-05-15 | Nuance Communications, Inc. | Method and apparatus for live chat integration |
US9461945B2 (en) * | 2013-10-18 | 2016-10-04 | Jeffrey P. Phillips | Automated messaging response |
US20150154002A1 (en) * | 2013-12-04 | 2015-06-04 | Google Inc. | User interface customization based on speaker characteristics |
EP2887627A1 (en) * | 2013-12-18 | 2015-06-24 | Telefonica Digital España, S.L.U. | Method and system for extracting out characteristics of a communication between at least one client and at least one support agent and computer program product thereof |
CN104750705B (zh) | 2013-12-27 | 2019-05-28 | 华为技术有限公司 | 信息回复方法及装置 |
US9559993B2 (en) * | 2014-10-02 | 2017-01-31 | Oracle International Corporation | Virtual agent proxy in a real-time chat service |
CN104615646A (zh) * | 2014-12-25 | 2015-05-13 | 上海科阅信息技术有限公司 | 智能聊天机器人*** |
CN105068661B (zh) * | 2015-09-07 | 2018-09-07 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和*** |
CN105227790A (zh) * | 2015-09-24 | 2016-01-06 | 北京车音网科技有限公司 | 一种语音应答方法、电子设备和*** |
CN105138710B (zh) * | 2015-10-12 | 2019-02-19 | 金耀星 | 一种聊天代理***及方法 |
CN105608221B (zh) | 2016-01-11 | 2018-08-21 | 北京光年无限科技有限公司 | 一种面向问答***的自学习方法和装置 |
CN105550679B (zh) * | 2016-02-29 | 2019-02-15 | 深圳前海勇艺达机器人有限公司 | 一种机器人循环监听录音的判断方法 |
-
2016
- 2016-07-20 CN CN201610578824.6A patent/CN107040450B/zh active Active
-
2017
- 2017-03-24 KR KR1020187035330A patent/KR102125348B1/ko active IP Right Grant
- 2017-03-24 US US15/578,227 patent/US10404629B2/en active Active
- 2017-03-24 AU AU2017258821A patent/AU2017258821A1/en not_active Abandoned
- 2017-03-24 WO PCT/CN2017/077963 patent/WO2018014579A1/zh active Application Filing
- 2017-03-24 SG SG11201709529SA patent/SG11201709529SA/en unknown
- 2017-03-24 JP JP2017560292A patent/JP6431993B2/ja active Active
- 2017-03-24 EP EP17800690.4A patent/EP3306867B1/en active Active
- 2017-07-20 TW TW106124443A patent/TWI632469B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI718369B (zh) * | 2018-04-26 | 2021-02-11 | 國立勤益科技大學 | 智能互動系統 |
TWI703473B (zh) * | 2018-12-03 | 2020-09-01 | 八維智能股份有限公司 | 用於聊天機器人與人類通話的可編程智能代理機 |
Also Published As
Publication number | Publication date |
---|---|
EP3306867A1 (en) | 2018-04-11 |
SG11201709529SA (en) | 2018-05-30 |
US20180359197A1 (en) | 2018-12-13 |
TWI632469B (zh) | 2018-08-11 |
KR20190005930A (ko) | 2019-01-16 |
CN107040450A (zh) | 2017-08-11 |
CN107040450B (zh) | 2018-06-01 |
KR102125348B1 (ko) | 2020-06-23 |
AU2017258821A1 (en) | 2018-02-08 |
US10404629B2 (en) | 2019-09-03 |
EP3306867B1 (en) | 2020-11-11 |
WO2018014579A1 (zh) | 2018-01-25 |
EP3306867A4 (en) | 2018-07-04 |
JP6431993B2 (ja) | 2018-11-28 |
JP2018527638A (ja) | 2018-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI632469B (zh) | 自動回覆方法和裝置 | |
CN106951468B (zh) | 对话生成方法及装置 | |
CN107797984B (zh) | 智能交互方法、设备及存储介质 | |
WO2019174428A1 (zh) | 答复信息的获取方法及装置 | |
CN109065052B (zh) | 一种语音机器人 | |
CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
CN106649704A (zh) | 一种智能对话控制方法和*** | |
US11948595B2 (en) | Method for detecting audio, device, and storage medium | |
RU2007108794A (ru) | Машинное обучение | |
GB2449959A (en) | Communication monitoring | |
US10659605B1 (en) | Automatically unsubscribing from automated calls based on call audio patterns | |
CN105960674A (zh) | 信息处理装置 | |
CN107135143A (zh) | 多聊天机器人切换***及其对话方法 | |
US20200099640A1 (en) | Online user monitoring | |
CN113810265B (zh) | 用于消息***和引导的***和方法 | |
US20190163816A1 (en) | Electronic message text classification framework selection | |
WO2020242596A1 (en) | Providing responses in an event-related session | |
CN114896498A (zh) | 课程推荐方法、***、终端及存储介质 | |
WO2017172655A1 (en) | Analysis of a facial image to extract physical and emotional characteristics of a user | |
CN112528046A (zh) | 新的知识图谱的构建方法、装置和信息检索方法、装置 | |
CN114363277B (zh) | 基于社会关系的智能聊天方法、装置及相关产品 | |
US20200314152A1 (en) | Online user monitoring | |
CN111046151A (zh) | 一种消息处理方法及装置 | |
WO2018012412A1 (ja) | 情報出力システム、情報出力方法、及び、記録媒体 | |
CN114374572B (zh) | 一种语音信息处理方法和装置 |