[go: up one dir, main page]

CN111639162A - 信息交互方法和装置、电子设备和存储介质 - Google Patents

信息交互方法和装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111639162A
CN111639162A CN202010496181.7A CN202010496181A CN111639162A CN 111639162 A CN111639162 A CN 111639162A CN 202010496181 A CN202010496181 A CN 202010496181A CN 111639162 A CN111639162 A CN 111639162A
Authority
CN
China
Prior art keywords
user
corpus
feature
sentence
sample
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
Application number
CN202010496181.7A
Other languages
English (en)
Inventor
陈迪
朱坤广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seashell Housing Beijing Technology Co Ltd
Original Assignee
Beike Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beike Technology Co Ltd filed Critical Beike Technology Co Ltd
Priority to CN202010496181.7A priority Critical patent/CN111639162A/zh
Publication of CN111639162A publication Critical patent/CN111639162A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本公开实施例公开了一种信息交互方法和装置、电子设备和存储介质，其中，方法包括：响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征；获取所述用户语句特征对应的用户意图特征；利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。本公开实施例可以自动生成准确的回复语句，提高了回复速度、以及用户与客服人员之间的交流效率，并且，回复语句更符合用户需求，从而提升用户体验和用户回复率，有助于向用户提供更符合用户需求的产品、服务。

Description

信息交互方法和装置、电子设备和存储介质
技术领域
本公开涉及互联网技术，尤其是一种信息交互方法和装置、电子设备和存储介质。
背景技术
随着互联网及电子商务的普及应用，通过互联网提供商品交易、项目咨询、专业服务等线上服务的情况越来越多，用户与客服人员进行线上交流的需求也越来越多。在实际场景中，客服人员与用户进行线上交流时，由于缺少专业、系统的培训和沟通技巧，完全依靠个人经验回复用户的问题，话术质量不高，可能无法满足用户的需求，导致用户交流意愿度降低，从而流失了大量潜在用户。因此，客服人员的话术质量直接影响了用户回复率，决定了整个线上流程是否可完成，直接影响企业的业绩。
智能客服是在大规模知识处理基础上发展起来的一项面向行业应用的人工智能技术，其预先收集大量用户与客服人员的对话记录，提取该对话记录的问题与答案并进行分类后存储于知识库中备用。在智能客服工作时，分析用户可能想要咨询的大类问题，获取该大类问题中用户想要咨询的小类问题列表反馈给用户，让用户从小类问题列表中选择想咨询的小类问题，在此过程中可能需要用户逐级选取小类问题直至最后一级问题，然后智能客服去知识库中获取已有知识后反馈给用户。
在实现本公开的过程中，本公开的发明人通过研究发现，现有的智能客服，至少存在以下问题：用户提问后需要逐次从智能客服反馈的问题列表中进一步选取想要咨询的小类问题，操作过程繁琐，无法直接得到用户想要的答案，用户体验较差；并且，知识库中可能对问题的收录不全面、分类不准确，预先设置的问题列表中可能没有用户想要咨询的问题，导致用户无法提问并得到反馈，从而导致用户流失。
发明内容
本公开实施例提供一种信息交互方法和装置、电子设备和存储介质，以协助客服人员向用户提供高质量的线上交流服务。
本公开实施例的一个方面，提供一种信息交互方法，包括：
响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征；
获取所述用户语句特征对应的用户意图特征；
利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
在基于本公开上述任一方法实施例的进一步实施例中，所述基于所述用户发送的语句生成用户语句特征，包括：
对所述用户发送的语句进行分词，得到分别具有最小语义单位的至少一个词；
利用词到向量技术，对所述至少一个词进行词到向量的转换，得到所述用户语句特征。
在基于本公开上述任一方法实施例的进一步实施例中，所述获取所述用户语句特征对应的用户意图特征，包括：
利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征。
在基于本公开上述任一方法实施例的进一步实施例中，所述基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句之前，还包括：
基于所述用户的用户标识ID从用户数据库获取所述用户的用户画像；
对所述用户画像进行分词，得到分别具有最小语义单位的至少一个词；
利用词到向量技术，对所述用户画像分词得到的至少一个词进行词到向量的转换，得到所述用户偏好特征。
在基于本公开上述任一方法实施例的进一步实施例中，所述基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句，包括：
将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入所述第一神经网络模型，经所述第一神经网络模型输出回复语句特征；
获取所述回复语句特征对应的所述回复语句。
在基于本公开上述任一方法实施例的进一步实施例中，所述第一神经网络模型的训练，包括：
分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型，经所述第一神经网络输出对应的至少一个回复语料特征；其中，每组所述第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于所述第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征；所述第一样本语料特征具有基于所述第一样本对话语料中客服人员语料生成的第二语料特征的标注信息；
基于至少一个所述回复语料特征与对应的所述第一样本语料特征的所述第二语料特征之间的差异，对所述第一神经网络模型进行训练。
在基于本公开上述任一方法实施例的进一步实施例中，所述分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型之前，还包括：
分别针对每组用户与客服人员的所述第一样本对话语料，基于所述第一样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第一样本对话语料中的客服人员语料生成所述第二语料特征；
获取所述第一语料特征对应的第一意图特征。
在基于本公开上述任一方法实施例的进一步实施例中，所述基于所述第一样本对话语料中的用户语料生成所述第一语料特征，包括：对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；
所述基于所述对应用户的用户画像生成所述样本用户偏好特征，包括：对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；
所述基于所述第一样本对话语料中的客服人员语料生成所述第二语料特征，包括：对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征；
所述获取所述第一语料特征对应的第一意图特征，包括：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征。
在基于本公开上述任一方法实施例的进一步实施例中，还包括：
从对话语料库选取满足预设质量要求的至少一组对话语料；
去除所述至少一组对话语料中的无效字符，得到至少一组所述第一样本对话语料。
在基于本公开上述任一方法实施例的进一步实施例中，所述经所述第一神经网络模型输出回复语句特征之后，还包括：
利用第二神经网络模型，基于所述用户偏好特征、所述用户语句特征、所述用户意图特征和所述回复语句特征，获取所述回复语句的质量评估信息；
基于所述回复语句的质量评估信息，若所述回复语句的质量达到预设质量标准，获取所述回复语句特征对应的所述回复语句，并输出所述回复语句；
若所述回复语句的质量未达到预设质量标准，基于预设方式输出回复语句。
在基于本公开上述任一方法实施例的进一步实施例中，所述利用第二神经网络模型，基于所述用户偏好特征、所述用户语句特征、所述用户意图特征和所述回复语句特征，获取所述回复语句的质量评估信息，包括：
利用自然语言理解技术，基于所述回复语句特征，获取所述回复语句的意图特征；
将由所述用户偏好特征、所述用户语句特征和所述用户意图特征拼接得到的第一拼接特征，以及由所述回复语句特征和所述回复语句的意图特征拼接得到的第二拼接特征，输入所述第二神经网络模型，经所述第二神经网络模型输出所述回复语句的质量评估信息。
在基于本公开上述任一方法实施例的进一步实施例中，所述第二神经网络模型的训练，包括：
分别将至少一组第二样本语料特征中的每组第二样本语料特征输入第二神经网络模型，经所述第二神经网络输出所述至少一组第二样本语料特征中第二语料特征的质量评估信息；其中，每组所述第二样本语料特征包括：第一样本拼接特征和第二样本拼接特征，所述第一样本拼接特征由基于所述用户语料对应用户的用户画像生成的样本用户偏好特征、基于一组第二样本对话语料中的用户语料生成的第一语料特征和基于所述第一语料特征得到的第一意图特征拼接得到，所述第二样本拼接特征由基于所述第二样本对话语料中客服人员语料生成的第二语料特征和基于所述第二语料特征得到的第二意图特征拼接得到；所述第二语料特征具有质量标注信息；
基于所述至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异，对所述第二神经网络模型进行训练。
在基于本公开上述任一方法实施例的进一步实施例中，所述分别将至少一组第二样本语料特征中的每组第二样本语料特征输入第二神经网络模型之前，还包括：
分别针对每组用户与客服人员的所述第二样本对话语料，基于所述第二样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第二样本对话语料中的客服人员语料生成所述第二语料特征；
获取所述第一语料特征对应的第一意图特征，获取所述第二语料特征对应的第二意图特征；
对所述样本用户偏好特征、所述第一语料特征和所述第一意图特征进行拼接，得到所述第一样本拼接特征；对所述第二语料特征和所述第二意图特征进行拼接，得到所述第二样本拼接特征。
在基于本公开上述任一方法实施例的进一步实施例中，所述基于所述第二样本对话语料中的用户语料生成所述第一语料特征，包括：对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；
所述基于所述对应用户的用户画像生成所述样本用户偏好特征，包括：对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；
所述基于所述第二样本对话语料中的客服人员语料生成所述第二语料特征，包括：对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征；
所述获取所述第一语料特征对应的第一意图特征，包括：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征；
所述获取所述第二语料特征对应的第二意图特征，包括：利用自然语言理解技术，基于所述第二语料特征，获取所述第二意图特征。
在基于本公开上述任一方法实施例的进一步实施例中，还包括：
从对话语料库选取至少一组对话语料；
去除所述至少一组对话语料中的无效字符，得到至少一组所述第二样本对话语料。
本公开实施例的另一个方面，提供一种信息交互装置，包括：
第一生成模块，用于响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征；
第一获取模块，用于获取所述用户语句特征对应的用户意图特征；
第二生成模块，用于利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一生成模块包括：
分词单元，用于对所述用户发送的语句进行分词，得到分别具有最小语义单位的至少一个词；
转换单元，用于利用词到向量技术，对所述至少一个词进行词到向量的转换，得到所述用户语句特征。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一获取模块，具体用于：利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征。
在基于本公开上述任一装置实施例的进一步实施例中，还包括：
第二获取模块，用于基于所述用户的用户标识ID从用户数据库获取所述用户的用户画像；
所述第一生成模块，还用于对所述用户画像进行分词，得到分别具有最小语义单位的至少一个词；以及利用词到向量技术，对所述用户画像分词得到的至少一个词进行词到向量的转换，得到所述用户偏好特征。
在基于本公开上述任一装置实施例的进一步实施例中，所述第二生成模块包括：
第一神经网络模型，用于将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入所述第一神经网络模型，经所述第一神经网络模型输出回复语句特征；
获取单元，用于获取所述回复语句特征对应的所述回复语句。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一神经网络模型，还用于分别接收输入的至少一组第一样本语料特征中的每组第一样本语料特征，输出对应的至少一个回复语料特征；其中，每组所述第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于所述第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征；所述第一样本语料特征具有基于所述第一样本对话语料中客服人员语料生成的第二语料特征的标注信息；
所述装置还包括：
第一训练模块，用于基于至少一个所述回复语料特征与对应的所述第一样本语料特征的所述第二语料特征之间的差异，对所述第一神经网络模型进行训练。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一生成模块，还用于分别针对每组用户与客服人员的所述第一样本对话语料，基于所述第一样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第一样本对话语料中的客服人员语料生成所述第二语料特征；
所述第一获取模块，还用于获取所述第一语料特征对应的第一意图特征。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一生成模块，具体用于：
对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；
对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；
对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征；
所述第一获取模块，具体用于：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征。
在基于本公开上述任一装置实施例的进一步实施例中，还包括：
选取模块，用于从对话语料库选取满足预设质量要求的至少一组对话语料；
去除模块，用于去除所述至少一组对话语料中的无效字符，得到至少一组所述第一样本对话语料。
在基于本公开上述任一装置实施例的进一步实施例中，还包括：
第三获取模块，用于利用第二神经网络模型，在所述第一神经网络模型输出回复语句特征后，基于所述用户偏好特征、所述用户语句特征、所述用户意图特征和所述回复语句特征，获取所述回复语句的质量评估信息；
所述获取单元，用于基于所述回复语句的质量评估信息，若所述回复语句的质量达到预设质量标准，获取所述回复语句特征对应的所述回复语句，并输出所述回复语句；
第三生成模块，用于基于所述回复语句的质量评估信息，若所述回复语句的质量未达到预设质量标准，基于预设方式输出回复语句。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一获取模块，还用于利用自然语言理解技术，基于所述回复语句特征，获取所述回复语句的意图特征；
所述装置还包括：
拼接模块，用于对所述用户偏好特征、所述用户语句特征和所述用户意图特征拼接，得到第一拼接特征，以及对所述回复语句特征和所述回复语句的意图特征进行拼接，得到第二拼接特征；
所述第三获取模块，具体用于将所述第一拼接特征和所述第二拼接特征输入所述第二神经网络模型，经所述第二神经网络模型输出所述回复语句的质量评估信息。
在基于本公开上述任一装置实施例的进一步实施例中，所述第二神经网络模型，还用于：分别接收输入的至少一组第二样本语料特征中的每组第二样本语料特征，输出所述至少一组第二样本语料特征中第二语料特征的质量评估信息；其中，每组所述第二样本语料特征包括：第一样本拼接特征和第二样本拼接特征，所述第一样本拼接特征由基于所述用户语料对应用户的用户画像生成的样本用户偏好特征、基于一组第二样本对话语料中的用户语料生成的第一语料特征和基于所述第一语料特征得到的第一意图特征拼接得到，所述第二样本拼接特征由基于所述第二样本对话语料中客服人员语料生成的第二语料特征和基于所述第二语料特征得到的第二意图特征拼接得到；所述第二语料特征具有质量标注信息；
所述装置还包括：
第二训练模块，用于基于所述至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异，对所述第二神经网络模型进行训练。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一生成模块，还用于分别针对每组用户与客服人员的所述第二样本对话语料，基于所述第二样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第二样本对话语料中的客服人员语料生成所述第二语料特征；
所述第一获取模块，还用于获取所述第一语料特征对应的第一意图特征，获取所述第二语料特征对应的第二意图特征；
所述拼接模块，还用于对所述样本用户偏好特征、所述第一语料特征和所述第一意图特征进行拼接，得到所述第一样本拼接特征；对所述第二语料特征和所述第二意图特征进行拼接，得到所述第二样本拼接特征。
在基于本公开上述任一装置实施例的进一步实施例中，所述第一生成模块，具体用于：对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；
对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；
对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征；
所述第一获取模块，具体用于：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征；
利用自然语言理解技术，基于所述第二语料特征，获取所述第二意图特征。
在基于本公开上述任一装置实施例的进一步实施例中，还包括：
选取模块，用于从对话语料库选取至少一组对话语料；
去除模块，用于去除所述至少一组对话语料中的无效字符，得到至少一组所述第二样本对话语料。
本公开实施例的又一个方面，提供一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述的信息交互方法。
本公开实施例的再一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开上述任一实施例所述的信息交互方法。
基于本公开上述实施例提供的信息交互方法和装置、电子设备和存储介质，接收到用户发送的语句后，可以基于用户发送的语句生成用户语句特征，获取该用户语句特征对应的用户意图特征，然后，利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句，由此，可以针对用户发送的语句，自动生成准确的回复语句，提高了回复速度、以及用户与客服人员之间的交流效率；并且，生成回复语句时结合了用户画像和用户意图，使得回复语句更符合用户需求，从而提升用户体验和用户回复率，有助于向用户提供更符合用户需求的产品、服务，通过线上交流环节提高用户继续后续业务环节的成功率。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开信息交互方法一个实施例的流程图。
图2为本公开信息交互方法另一个实施例的流程图。
图3为本公开信息交互方法又一个实施例的流程图。
图4为本公开实施例中对第一神经网络模型进行训练一个实施例的流程图。
图5为本公开实施例中对第二神经网络模型进行训练一个实施例的流程图。
图6为本公开信息交互装置一个实施例的结构示意图。
图7为本公开信息交互装置另一个实施例的结构示意图。
图8为本公开电子设备一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1为本公开信息交互方法一个实施例的流程图。本公开实施例可用于用户与客服人员之间的对话场景，例如各种即时通信(Instant Messaging，IM)、在线服务等对话场景。如图1所示，该实施例的信息交互方法包括：
102，响应于接收到用户发送的语句，基于用户发送的语句生成用户语句特征。
104，获取所述用户语句特征对应的用户意图特征。
106，利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
其中，用户画像包括个性化的用户信息，基于用户画像生成的用户偏好特征，可以确定用户的偏好，以便有针对性的向用户介绍其关注的信息。用户意图特征用于表示用户在发送的语句中表达的明确意图，如购房、首付、周边等。
基于本公开上述实施例提供的信息交互方法，接收到用户发送的语句后，可以基于用户发送的语句生成用户语句特征，获取该用户语句特征对应的用户意图特征，然后，利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句，由此，可以针对用户发送的语句，自动生成准确的回复语句，提高了回复速度、以及用户与客服人员之间的交流效率；并且，生成回复语句时结合了用户画像和用户意图，使得回复语句更符合用户需求，从而提升用户体验和用户回复率，有助于向用户提供更符合用户需求的产品、服务，通过线上交流环节提高用户继续后续业务环节的成功率。
可选地，在本公开任一实施例的一些可能的实现方式中，操作102中，可以对用户发送的语句进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量(word2vec)技术，对所述至少一个词进行词到向量的转换，得到用户语句特征。
在中文语句中，从形式上看，尽管字是最小的音义结合体，但是词才具有表达完整语义的功能，而大部分的词都由多个字组成。本实施例中，对用户发送的语句进行分词，将用户发送的语句拆分为至少一个具有最小语义单位的、独立的词，再利用word2vec技术，将多个具有最小语义单位的、独立的词映射到K维的向量空间，保留了拆分得到的各词间的语义关系，得到K维的语言向量，即用户语句特征。其中，K为大于0的整数。
例如，在其中一些可选示例中，可以利用跨平台的计算机程序设计语言Python的Jieba中文分词组件，对用户发送的语句进行分词，可以将用户发送的语句拆为具有独立意义的词。其中，Jieba支持三种分词模式：精确模式、全模式和搜索引擎模式。精确模式，可以对语句进行最精确的切分，不存在冗余数据，适合做文本分析；全模式，是将语句中所有可能是词的词语都切分出来，速度很快，但是存在冗余数据；搜索引擎模式，是在精确模式的基础上，对长词再次进行切分。本实施例可以采用上述三种分词模式，也可以结合使用，对此不做具体限制。
在其中一些可选示例中，可以通过神经网络实现word2vec，可以将独热编码(one-hot)形式的稀疏词向量映射称为一个K维的稠密向量，one-hot即文本特征特征提取方法。在数据挖掘和数据分析中，神经网络只能处理向量，而不能直接处理语言，而one-hot丧失了词与词之间的关系，本实施例利用word2vec技术，将多个具有最小语义单位的、独立的词映射到K维的向量空间，可以同时保留拆分得到的各词间的语义关系，以便理解用户发送的语句含义。
可选地，在本公开任一实施例的一些可能的实现方式中，操作104中，可以利用自然语言理解(natural language understanding，NLU)技术，基于所述用户语句特征，获取所述用户意图特征。
在其中一些可选示例中，用户语句特征为K维的语言向量，可以将该K维的语言向量收入一个用户意图提取模型，经该用户意图提取模型输出用于表示用户意图的用户意图特征。其中的用户意图提取模型可以示例性的通过一个预先训练好的神经网络，对表示用户语句特征的K维的语言向量收入神经网络，对K维的语言向量进行分类，得到用于表示用户意图的分类结果，即用户意图特征。该神经网络训练时，可以对输入神经网络的K维的语言向量样本标注用户意图特征，通过神经网络输出的用户意图特征与标注的用户意图特征之间的差异对神经网络进行训练，直至神经网络输出的用户意图特征与标注的用户意图特征相同或者相近(即二者之间的差异小于预设阈值)。
基于本实施例，利用自然语言理解技术可以准确确定用户意图特征，从而明确用户意图，以便为用户提供准确的回复信息。
图2为本公开信息交互方法另一个实施例的流程图。如图2所示，在图1所示实施例的基础上，操作106之前，还包括：
202，基于所述用户的用户标识(ID)从用户数据库获取所述用户的用户画像。
其中，用户ID唯一标识一个用户，在用户注册时获得，用户登录后便以该用户ID标识用户身份进行线上信息浏览、交流(例如向客服人员发送语句)等，该用户ID例如可以是用户名、用户编号、用户昵称、身份证号、手机号等等。
其中，用户画像包括个性化的用户信息，可用于确定用户的自身现状(如性别、年龄、从事行业、兴趣爱好、是否已婚、家中是否有老人、是否有小孩等)和项目偏好信息(如喜欢的项目特点、关心的项目点等)，可以根据用户的会话、搜索记录、项目点击日志，文章浏览历史、问答浏览历史等，确定用户的自身状态、行为偏好、项目偏好等信息，来确定用户画像，从而基于用户画像选取预设文本模板中的部分内容或者全部内容和第二当前对象对应于选取的内容中各槽位的槽位值，得到第二当前对象的文本介绍信息。本公开实施例中的项目例如可以包括任意的商品、产品、服务等用户有需求的对象。
204，对所述用户画像进行分词，得到分别具有最小语义单位的至少一个词。
例如，在其中一些可选示例中，可以利用Jieba中文分词组件，对用户画像进行分词，可以将用户发送的语句拆为具有独立意义的词。
206，利用词到向量技术，对所述用户画像分词得到的至少一个词进行词到向量的转换，得到用户偏好特征。
其中，上述操作202-206与操作102-104之间无执行时间或者顺序要求，可以在检测到用户登录后执行，也可以在接收到用户发送的语句后执行，只要在操作106之前执行即可。
可选地，在上述实施例中，还可以在202之后，去除用户画像中的无效字符，然后再基于去除无效字符后的用户画像生成用户偏好特征。
本实施例中，基于用户ID从用户数据库获取用户画像，可以基于用户画像获取用户偏好特征，以便有针对性的向用户回复其关注的信息，向用户提供个性化的服务，使得回复语句更符合用户需求，避免向用户回复其已经了解的信息或者其不关注的信息减低交流效率，进一步提高用户关注度，提升用户体验和用户回复率，从而提高用户继续后续业务环节的成功率。
可选地，在本公开任一实施例的一些可能的实现方式中，操作106中，可以将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入所述第一神经网络模型，经所述第一神经网络模型输出回复语句特征，然后，获取所述回复语句特征对应的回复语句。例如，利用词到向量技术相反的过程，对所述回复语句特征进行向量到词的转换，再将转换到的词按顺序进行拼接，得到对应的回复语句。
图3为本公开信息交互方法又一个实施例的流程图。如图3所示，上述实施例的基础上，该实施例包括：
302，响应于接收到用户发送的语句，基于用户发送的语句生成用户语句特征。
304，获取所述用户语句特征对应的用户意图特征。
之后，执行操作310。
306，基于所述用户的用户ID从用户数据库获取所述用户的用户画像。
308，获取所述用户画像生成用户偏好特征。
其中，该操作308可以示例性地通过图2所示实施例中的操作204-206实现。操作306-308与操作302-304之间无执行顺序或时间限制，可以以任意顺序或者时间先后执行，也可以同时执行。
310，将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入第一神经网络模型，经第一神经网络模型输出回复语句特征。
312，利用第二神经网络模型，基于所述用户偏好特征、所述用户语句特征、所述用户意图特征和所述回复语句特征，获取所述回复语句的质量评估信息。
314，基于所述回复语句的质量评估信息，确定回复语句的质量是否达到预设质量标准。
若回复语句的质量达到预设质量标准，执行操作316。否则，若回复语句的质量未达到预设质量标准，执行操作318。
316，获取所述回复语句特征对应的回复语句，并输出所述回复语句。
之后，不执行本实施例的后续流程。
318，基于预设方式输出回复语句。
例如，在其中一些可能的实现方式中，可以采用预设对话模板中与用户发送的语句语意相同或相近的问题对应的回复语句，作为本次回复给用户的回复语句，其中的预设对话模板中包括各种问题对应的回复语句；或者，也可以由客服人员自行提供本次回复给用户的回复语句；或者，也可以采用其他的方式向用户输出回复语句，本公开实施例对此不做限制。
基于本实施例，经第一神经网络模型输出回复语句特征后，可以利用第二神经网络模型客观评判对应回复语句的质量是否达到预设质量标准，在回复语句的质量达到预设质量标准时，才向用户输出该回复语句，否则，若回复语句的质量未达到预设质量标准，可以采用其他方式获取对用户的回复语句，能够有效确保向用户输出的回复语句的质量，进一步提高用户与客服人员之间的交流效率，提升用户感受。
另外，在本公开任一实施例的信息交互方法中，接收到用户发送的语句后，可以去除该用户发送的语句中的无效字符，然后再基于去除无效字符后的语句生成用户语句特征。
例如，在其中一些可能的实现方式中，可以利用正则匹配技术，去除该用户发送的语句中的无效字符，以避免无效字符影响对用户发送的语句的准确识别，提高生成用户语句特征的质量。其中的无效字符可以根据实际需求设定，例如可以包括但不限于标点、表情、统一资源标识符(URL)等网络地址、制表符等等，本公开实施例对此不做限制。
可选地，在本公开任一实施例的一些可能的实现方式中，操作308中，可以利用自然语言理解技术，基于所述回复语句特征，获取回复语句的意图特征；然后，将由所述用户偏好特征、所述用户语句特征和所述用户意图特征拼接得到的第一拼接特征，以及由所述回复语句特征和所述回复语句的意图特征拼接得到的第二拼接特征，输入第二神经网络模型，经第二神经网络模型输出所述回复语句的质量评估信息。
另外，在本公开上述任一实施例中，还可以预先对第一神经网络模型和/或第二神经网络模型进行训练。
例如，在其中一些可能的实现方式中，可以通过如下方式对第一神经网络模型进行训练：
分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型，经第一神经网络输出对应的至少一个回复语料特征；其中，每组第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征；每组第一样本语料特征具有基于该组第一样本对话语料中客服人员语料生成的第二语料特征的标注信息；
基于所述至少一个回复语料特征与对应的样本语料特征的第二语料特征之间的差异，对第一神经网络模型进行训练，直至满足第一预设训练完成条件。
其中的第一预设训练完成条件，例如可以是至少一个回复语料特征与对应的样本语料特征的第二语料特征之间的差异小于第一预设差异阈值，和/或对第一神经网络模型的训练次数达到第一预设次数，等等，本公开实施例对此不做限制。
图4为本公开实施例中对第一神经网络模型进行训练一个实施例的流程图。
如图4所示，该实施例包括：
402，分别针对每组用户与客服人员的第一样本对话语料，基于第一样本对话语料中的用户语料生成第一语料特征，基于对应用户的用户画像生成样本用户偏好特征，基于第一样本对话语料中的客服人员语料生成第二语料特征。
404，获取第一语料特征对应的第一意图特征。
406，分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型，经第一神经网络输出对应的至少一个回复语料特征。
其中，每组第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于该第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征。
每组第一样本语料特征具有基于该组第一样本对话语料中客服人员语料生成的第二语料特征的标注信息。
408，基于至少一个回复语料特征与对应的样本语料特征的第二语料特征之间的差异，对第一神经网络模型进行训练。
例如，在其中一些可选示例中，可以以交叉熵损失(即：至少一个回复语料特征与对应的样本语料特征的第二语料特征之间的差异)作为损失函数，利用梯度下降法，对第一神经网络模型进行训练。
基于本实施例，基于至少一组用户与客服人员的第一样本对话语料对第一神经网络模型进行训练，使第一神经网络模型可以有效学习到针对各种用户语料的客服人员语料，这样，在第一神经网络模型训练完成后，便可以针对用户发送的各种语句输出相应的回复语句特征、以便得到相应的回复语句。
可选地，在本公开任一实施例的一些可能的实现方式中，操作402中，可以分别针对每组用户与客服人员的第一样本对话语料，对用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对用户语料分词得到的至少一个词进行词到向量的转换，得到第一语料特征；对对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到样本用户偏好特征；对客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对客服人员语料分词得到的至少一个词进行词到向量的转换，得到第二语料特征。其中，可以利用Jieba中文分词组件，对用户语料、用户画像、客服人员语料进行分词，具体实现方式可以参考上述实施例的记载，不再赘述。
可选地，在本公开任一实施例的一些可能的实现方式中，操作404中，可以利用自然语言理解技术，基于第一语料特征，获取第一意图特征。
可选地，再参见图4，在进一步实施例中，在操作402之前，还可以包括：
400，从对话语料库选取满足预设质量要求的至少一组对话语料。
用户与客服人员之间通过IM、在线服务等方式进行交流的对话语料是业务数据的重要组成部分，其可应用场景广泛，在用户画像、用户偏好分析、对话系统的构建等应用中起着基础数据支撑的作用。历史对话语料存储在语料数据库中，该语料数据库例如可以是分布式文件系统中(Hadoop Distributed File System，HDFS)等任意类型的数据库。其中，用户与客服人员之间的一组问答对话即为一组对话语料，其可以是一问一答，也可以是连续的一问多答、或者连续的多问一答、或者连续的多问多答，本公开实施例对此不做限制。
在其中一些可能的实现方式中，可以以客服人员发送消息后、得到用户回复作为预设质量要求，从语料数据库中选取至少一组对话语料。
或者，在另一些可能的实现方式中，也可以由人工标注每组对话语料的质量，根据人工标注的质量来选取满足预设质量要求的至少一组对话语料。例如，可以根据客服人员发送消息后、是否得到用户回复，将一组对话语料的质量分为合格或者不合格两个级别，标注为合格级别的一组对话语料即为满足预设质量要求的一组对话语料；或者，还可以根据客服人员发送消息后、是否得到用户回复、以及用户回复语句的积极性(如积极回复或消极回复)，将一组对话语料的质量分为高、中、低三个级别，标注为高级别的一组对话语料即为满足预设质量要求的一组对话语料。或者，本公开实施例也可以采用其他的质量标注方式和质量选取标准，选取满足预设质量要求的至少一组对话语料，本公开实施例对此不做限制。
401，去除所述至少一组对话语料中的无效字符，得到至少一组第一样本对话语料。
在其中一些可能的实现方式中，可以利用正则匹配技术，去除对第一样本对话语料中的无效字符，以避免无效字符影响后续对第一样本对话语料的有效识别。其中的无效字符可以根据实际需求设定，例如可以包括但不限于标点、表情、URL等网络地址、制表符等等，本公开实施例对此不做限制。
在其中一些可能的实现方式中，可以通过如下方式对第二神经网络模型进行训练：
分别将至少一组第二样本语料特征中的每组第二样本语料特征输入第二神经网络模型，经第二神经网络输出所述至少一组第二样本语料特征中第二语料特征的质量评估信息。其中，每组第二样本语料特征包括：第一样本拼接特征和第二样本拼接特征，第一样本拼接特征由基于用户语料对应用户的用户画像生成的样本用户偏好特征、基于一组第二样本对话语料中的用户语料生成的第一语料特征和基于该第一语料特征得到的第一意图特征拼接得到，第二样本拼接特征由基于第二样本对话语料中客服人员语料生成的第二语料特征和基于该第二语料特征得到的第二意图特征拼接得到。第二语料特征具有质量标注信息；
基于所述至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异，对第二神经网络模型进行训练，直至满足第二预设训练完成条件。
其中的第二预设训练完成条件，例如可以是至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异小于第二预设差异阈值，和/或对第二神经网络模型的训练次数达到第二预设次数，等等，本公开实施例对此不做限制。
图5为本公开实施例中对第二神经网络模型进行训练一个实施例的流程图。
如图5所示，该实施例包括：
502，分别针对每组用户与客服人员的第二样本对话语料，基于所述第二样本对话语料中的用户语料生成第一语料特征，基于对应用户的用户画像生成样本用户偏好特征，基于所述第二样本对话语料中的客服人员语料生成所述第二语料特征。
504，获取第一语料特征对应的第一意图特征，获取第二语料特征对应的第二意图特征。
506，对所述样本用户偏好特征、所述第一语料特征和所述第一意图特征进行拼接，得到第一样本拼接特征；对所述第二语料特征和所述第二意图特征进行拼接，得到所述第二样本拼接特征。
508，分别将至少一组第二样本语料特征中的每组第二样本语料特征输入第二神经网络模型，经第二神经网络输出所述至少一组第二样本语料特征中第二语料特征的质量评估信息。
其中，每组第二样本语料特征包括：第一样本拼接特征和第二样本拼接特征，第一样本拼接特征由基于用户语料对应用户的用户画像生成的样本用户偏好特征、基于一组第二样本对话语料中的用户语料生成的第一语料特征和基于该第一语料特征得到的第一意图特征拼接得到，第二样本拼接特征由基于第二样本对话语料中客服人员语料生成的第二语料特征和基于该第二语料特征得到的第二意图特征拼接得到。第二语料特征具有质量标注信息。
510，基于所述至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异，对第二神经网络模型进行训练，直至满足第二预设训练完成条件。
例如，在其中一些可选示例中，可以以梯度提升决策树(Gradient BoostDecision Tree，GBDT)作为模型来获取交叉熵损失(即至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异)作为损失函数，利用梯度下降法对第二神经网络模型进行训练，其中，GBDT是一种迭代的决策树算法，由多棵决策树组成，所有树的结论(即：各组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异是否小于第二预设差异阈值)累加起来作为最终结论，例如差异小于第二预设差异阈值的第二样本语料特征的数量与输入第二神经网络模型的第二样本语料特征的总数量之间的比值是否达到预设比值。
基于本实施例，基于至少一组用户与客服人员的第二样本对话语料以及由其中客服人员语料生成的第二语料特征的质量标注信息对第二神经网络模型进行训练，使第二神经网络模型可以有效学习到针对各对话语料中客服人员语料的质量标注信息，这样，在第二神经网络模型训练完成后，便可以针对用户发送语句输出的回复语句进行准确的质量评估，以准确确定回复语句的质量。
可选地，在本公开任一实施例的一些可能的实现方式中，操作502中，可以分别针对每组用户与客服人员的所述第二样本对话语料，对用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到第一语料特征；对对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到样本用户偏好特征；对客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对客服人员语料分词得到的至少一个词进行词到向量的转换，得到第二语料特征。其中，可以利用Jieba中文分词组件，对用户语料、用户画像、客服人员语料进行分词，具体实现方式可以参考上述实施例的记载，不再赘述。
可选地，在本公开任一实施例的一些可能的实现方式中，操作504中，可以利用自然语言理解技术，基于所述第一语料特征，获取第一意图特征；利用自然语言理解技术，基于第二语料特征，获取第二意图特征。
基于本实施例，利用自然语言理解技术可以准确确定用户语料和客服人员语料对应的意图特征，从而明确用户意图和客服人员意图。
可选地，再参见图5，在进一步实施例中，在操作502之前，还可以包括：
500，从对话语料库选取至少一组对话语料。
501，去除所述至少一组对话语料中的无效字符，得到至少一组第二样本对话语料。
在其中一些可能的实现方式中，可以利用正则匹配技术，去除对第二样本对话语料中的无效字符，以避免无效字符影响后续对第二样本对话语料的有效识别。其中的无效字符可以根据实际需求设定，例如可以包括但不限于标点、表情、URL等网络地址、制表符等等，本公开实施例对此不做限制。
本公开实施例中，第一神经网络模型和第二神经网络模型可以采用相同或不同结构的神经网络，分别可以是一个任意多层的神经网络(即：深度神经网络)，例如LeNet、AlexNet、GoogLeNet、VGG、ResNet等卷积神经网络，或者循环神经网络(Recurrent NeuralNetwork，RNN)、长短期记忆模型(long-short term memory，LSTM)等循环神经网络，还可以是对抗式生成网络、区域卷积神经网络等等，本实施例对第一神经网络模型和第二神经网络模型的具体实现不做限制。
本公开实施例提供的任一种信息交互方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种信息交互方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种信息交互方法。下文不再赘述。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图6为本公开信息交互装置一个实施例的结构示意图。该实施例的信息交互装置可用于实现本公开上述各信息交互方法实施例。如图6所示，该实施例的信息交互装置包括：第一生成模块，第一获取模块和第二生成模块。其中：
第一生成模块，用于响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征。
第一获取模块，用于获取所述用户语句特征对应的用户意图特征。
第二生成模块，用于利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
基于本公开上述实施例提供的信息交互装置，接收到用户发送的语句后，可以基于用户发送的语句生成用户语句特征，获取该用户语句特征对应的用户意图特征，然后，利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句，由此，可以针对用户发送的语句，自动生成准确的回复语句，提高了回复速度、以及用户与客服人员之间的交流效率；并且，生成回复语句时结合了用户画像和用户意图，使得回复语句更符合用户需求，从而提升用户体验和用户回复率，有助于向用户提供更符合用户需求的产品、服务，通过线上交流环节提高用户继续后续业务环节的成功率。
可选地，在本公开任一实施例的一些可能的实现方式中，所述第一生成模块包括：分词单元，用于对所述用户发送的语句进行分词，得到分别具有最小语义单位的至少一个词；转换单元，用于利用词到向量技术，对所述至少一个词进行词到向量的转换，得到所述用户语句特征。
可选地，在本公开任一实施例的一些可能的实现方式中，所述第一获取模块，具体用于：利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征。
图7为本公开信息交互装置另一个实施例的结构示意图。如图7所示，与图6所示的实施例相比，该实施例的信息交互装置还包括：第二获取模块，用于基于所述用户的用户ID从用户数据库获取所述用户的用户画像。相应地，该实施例中，所述第一生成模块，还用于对所述用户画像进行分词，得到分别具有最小语义单位的至少一个词；以及利用词到向量技术，对所述用户画像分词得到的至少一个词进行词到向量的转换，得到所述用户偏好特征。
可选地，在本公开任一实施例的一些可能的实现方式中，所述第二生成模块包括：第一神经网络模型，用于将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入所述第一神经网络模型，经所述第一神经网络模型输出回复语句特征；获取单元，用于获取所述回复语句特征对应的所述回复语句。
另外，再参见图7，在本公开信息交互装置的又一实施例中，还可以包括：第三获取模块和第三生成模块。其中：
第三获取模块，用于利用第二神经网络模型，在所述第一神经网络模型输出回复语句特征后，基于所述用户偏好特征、所述用户语句特征、所述用户意图特征和所述回复语句特征，获取所述回复语句的质量评估信息。
相应地，所述获取单元，用于基于所述回复语句的质量评估信息，若所述回复语句的质量达到预设质量标准，获取所述回复语句特征对应的所述回复语句，并输出所述回复语句。
第三生成模块，用于基于所述回复语句的质量评估信息，若所述回复语句的质量未达到预设质量标准，基于预设方式输出回复语句。
可选地，在上述任一实施例中，所述第一获取模块，还可用于利用自然语言理解技术，基于所述回复语句特征，获取所述回复语句的意图特征。再参见图7，该实施例的信息交互装置还可以包括：拼接模块，用于对所述用户偏好特征、所述用户语句特征和所述用户意图特征拼接，得到第一拼接特征，以及对所述回复语句特征和所述回复语句的意图特征进行拼接，得到第二拼接特征。相应地，所述第三获取模块，具体用于将所述第一拼接特征和所述第二拼接特征输入所述第二神经网络模型，经所述第二神经网络模型输出所述回复语句的质量评估信息。
另外，在本公开信息交互装置的又一个实施例中，所述第一神经网络模型，还可用于分别接收输入的至少一组第一样本语料特征中的每组第一样本语料特征，输出对应的至少一个回复语料特征；其中，每组所述第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于所述第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征；所述第一样本语料特征具有基于所述第一样本对话语料中客服人员语料生成的第二语料特征的标注信息。相应地，再参见图7，该实施例的信息交互装置还可以包括：第一训练模块，用于基于至少一个所述回复语料特征与对应的所述第一样本语料特征的所述第二语料特征之间的差异，对所述第一神经网络模型进行训练。
可选地，在上述实施例中，所述第一生成模块，还可用于分别针对每组用户与客服人员的所述第一样本对话语料，基于所述第一样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第一样本对话语料中的客服人员语料生成所述第二语料特征。相应地，所述第一获取模块，还用于获取所述第一语料特征对应的第一意图特征。
可选地，在本公开任一实施例的一些可能的实现方式中，所述第一生成模块，具体用于：对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征。相应地，所述第一获取模块，具体用于：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征。
另外，再参见图7，在本公开信息交互装置的再一实施例中，还可以包括：选取模块和去除模块。
在其中一些可能的实现方式中，选取模块，用于从对话语料库选取满足预设质量要求的至少一组对话语料。去除模块，用于去除所述至少一组对话语料中的无效字符，得到至少一组所述第一样本对话语料。
另外，在本公开信息交互装置的又一个实施例中，所述第二神经网络模型，还用于：分别接收输入的至少一组第二样本语料特征中的每组第二样本语料特征，输出所述至少一组第二样本语料特征中第二语料特征的质量评估信息；其中，每组所述第二样本语料特征包括：第一样本拼接特征和第二样本拼接特征，所述第一样本拼接特征由基于所述用户语料对应用户的用户画像生成的样本用户偏好特征、基于一组第二样本对话语料中的用户语料生成的第一语料特征和基于所述第一语料特征得到的第一意图特征拼接得到，所述第二样本拼接特征由基于所述第二样本对话语料中客服人员语料生成的第二语料特征和基于所述第二语料特征得到的第二意图特征拼接得到；所述第二语料特征具有质量标注信息。相应地，再参见图7，该实施例的信息交互装置还包括：第二训练模块，用于基于所述至少一组第二样本语料特征中第二语料特征的质量评估信息与对应的质量标注信息之间的差异，对所述第二神经网络模型进行训练。
可选地，在本公开信息交互装置的进一步实施例中，所述第一生成模块，还用于分别针对每组用户与客服人员的所述第二样本对话语料，基于所述第二样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第二样本对话语料中的客服人员语料生成所述第二语料特征。相应地，所述第一获取模块，还用于获取所述第一语料特征对应的第一意图特征，获取所述第二语料特征对应的第二意图特征。所述拼接模块，还用于对所述样本用户偏好特征、所述第一语料特征和所述第一意图特征进行拼接，得到所述第一样本拼接特征；对所述第二语料特征和所述第二意图特征进行拼接，得到所述第二样本拼接特征。
可选地，在本公开任一实施例的一些可能的实现方式中，所述第一生成模块，具体用于：对所述用户语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述用户语料分词得到的至少一个词进行词到向量的转换，得到所述第一语料特征；对所述对应用户的用户画像进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述对应用户的用户画像分词得到的至少一个词进行词到向量的转换，得到所述样本用户偏好特征；以及对所述客服人员语料进行分词，得到分别具有最小语义单位的至少一个词；利用词到向量技术，对所述客服人员语料分词得到的至少一个词进行词到向量的转换，得到所述第二语料特征。相应地，所述第一获取模块，具体用于：利用自然语言理解技术，基于所述第一语料特征，获取所述第一意图特征；利用自然语言理解技术，基于所述第二语料特征，获取所述第二意图特征。
在另一些可能的实现方式中，选取模块，用于从对话语料库选取至少一组对话语料。去除模块，用于去除所述至少一组对话语料中的无效字符，得到至少一组所述第二样本对话语料。
图8为本公开电子设备一个实施例的结构示意图。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。如图8所示，电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本公开的各个实施例的信息交互以及/或者其他期望的功能。
在一个示例中，电子装置还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置可以包括例如键盘、鼠标等等。该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然，为了简化，图8中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的信息交互中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的信息交互中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种信息交互方法，其特征在于，包括：
响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征；
获取所述用户语句特征对应的用户意图特征；
利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
2.根据权利要求1所述的方法，其特征在于，所述基于所述用户发送的语句生成用户语句特征，包括：
对所述用户发送的语句进行分词，得到分别具有最小语义单位的至少一个词；
利用词到向量技术，对所述至少一个词进行词到向量的转换，得到所述用户语句特征。
3.根据权利要求1或2所述的方法，其特征在于，所述获取所述用户语句特征对应的用户意图特征，包括：
利用自然语言理解技术，基于所述用户语句特征，获取所述用户意图特征。
4.根据权利要求1-3任一所述的方法，其特征在于，所述基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句之前，还包括：
基于所述用户的用户标识ID从用户数据库获取所述用户的用户画像；
对所述用户画像进行分词，得到分别具有最小语义单位的至少一个词；
利用词到向量技术，对所述用户画像分词得到的至少一个词进行词到向量的转换，得到所述用户偏好特征。
5.根据权利要求1-4任一所述的方法，其特征在于，所述基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句，包括：
将所述用户语句特征、所述用户意图特征和所述用户偏好特征输入所述第一神经网络模型，经所述第一神经网络模型输出回复语句特征；
获取所述回复语句特征对应的所述回复语句。
6.根据权利要求1-5任一所述的方法，其特征在于，所述第一神经网络模型的训练，包括：
分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型，经所述第一神经网络输出对应的至少一个回复语料特征；其中，每组所述第一样本语料特征包括：基于一组第一样本对话语料中的用户语料生成的第一语料特征，基于所述第一语料特征得到的第一意图特征，和基于所述用户语料对应用户的用户画像生成的样本用户偏好特征；所述第一样本语料特征具有基于所述第一样本对话语料中客服人员语料生成的第二语料特征的标注信息；
基于至少一个所述回复语料特征与对应的所述第一样本语料特征的所述第二语料特征之间的差异，对所述第一神经网络模型进行训练。
7.根据权利要求6所述的方法，其特征在于，所述分别将至少一组第一样本语料特征中的每组第一样本语料特征输入第一神经网络模型之前，还包括：
分别针对每组用户与客服人员的所述第一样本对话语料，基于所述第一样本对话语料中的用户语料生成所述第一语料特征，基于所述对应用户的用户画像生成所述样本用户偏好特征，基于所述第一样本对话语料中的客服人员语料生成所述第二语料特征；
获取所述第一语料特征对应的第一意图特征。
8.一种信息交互装置，其特征在于，包括：
第一生成模块，用于响应于接收到用户发送的语句，基于所述用户发送的语句生成用户语句特征；
第一获取模块，用于获取所述用户语句特征对应的用户意图特征；
第二生成模块，用于利用第一神经网络模型，基于所述用户语句特征、所述用户意图特征、和由所述用户的用户画像生成的用户偏好特征，生成针对所述用户发送的语句的回复语句。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述权利要求1-7任一所述的方法。
CN202010496181.7A 2020-06-03 2020-06-03 信息交互方法和装置、电子设备和存储介质 Pending CN111639162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010496181.7A CN111639162A (zh) 2020-06-03 2020-06-03 信息交互方法和装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010496181.7A CN111639162A (zh) 2020-06-03 2020-06-03 信息交互方法和装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111639162A true CN111639162A (zh) 2020-09-08

Family

ID=72329803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010496181.7A Pending CN111639162A (zh) 2020-06-03 2020-06-03 信息交互方法和装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111639162A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527991A (zh) * 2020-12-16 2021-03-19 平安国际智慧城市科技股份有限公司 信息处理方法、装置及介质
CN113656557A (zh) * 2021-08-20 2021-11-16 北京小米移动软件有限公司 消息回复方法、装置、存储介质及电子设备
WO2022126963A1 (zh) * 2020-12-16 2022-06-23 平安科技（深圳）有限公司 基于客户应答语料的客户画像方法及其相关设备
CN114782078A (zh) * 2022-04-01 2022-07-22 重庆邮电大学 一种针对高维数据的商业信息评估方法及系统
CN114817514A (zh) * 2022-03-22 2022-07-29 青岛海尔科技有限公司 回复音频的确定方法及装置、存储介质及电子装置
CN114969195A (zh) * 2022-05-27 2022-08-30 北京百度网讯科技有限公司 对话内容挖掘方法和对话内容评估模型的生成方法
CN115186092A (zh) * 2022-07-11 2022-10-14 贝壳找房(北京)科技有限公司 线上交互处理方法和装置、存储介质和程序产品
CN115424606A (zh) * 2022-09-01 2022-12-02 北京捷通华声科技股份有限公司 语音交互的方法、语音交互的装置和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528530A (zh) * 2016-10-24 2017-03-22 北京光年无限科技有限公司 一种确定句子类型的方法及装置
CN108304468A (zh) * 2017-12-27 2018-07-20 中国银联股份有限公司 一种文本分类方法以及文本分类装置
US20180240013A1 (en) * 2017-02-17 2018-08-23 Google Inc. Cooperatively training and/or using separate input and subsequent content neural networks for information retrieval
CN109146610A (zh) * 2018-07-16 2019-01-04 众安在线财产保险股份有限公司 一种智能保险推荐方法、装置及智能保险机器人设备
CN110390108A (zh) * 2019-07-29 2019-10-29 中国工商银行股份有限公司 基于深度强化学习的任务型交互方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528530A (zh) * 2016-10-24 2017-03-22 北京光年无限科技有限公司 一种确定句子类型的方法及装置
US20180240013A1 (en) * 2017-02-17 2018-08-23 Google Inc. Cooperatively training and/or using separate input and subsequent content neural networks for information retrieval
CN108304468A (zh) * 2017-12-27 2018-07-20 中国银联股份有限公司 一种文本分类方法以及文本分类装置
CN109146610A (zh) * 2018-07-16 2019-01-04 众安在线财产保险股份有限公司 一种智能保险推荐方法、装置及智能保险机器人设备
CN110390108A (zh) * 2019-07-29 2019-10-29 中国工商银行股份有限公司 基于深度强化学习的任务型交互方法和系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527991A (zh) * 2020-12-16 2021-03-19 平安国际智慧城市科技股份有限公司 信息处理方法、装置及介质
WO2022126963A1 (zh) * 2020-12-16 2022-06-23 平安科技（深圳）有限公司 基于客户应答语料的客户画像方法及其相关设备
CN112527991B (zh) * 2020-12-16 2025-05-23 平安国际智慧城市科技股份有限公司 信息处理方法、装置及介质
CN113656557A (zh) * 2021-08-20 2021-11-16 北京小米移动软件有限公司 消息回复方法、装置、存储介质及电子设备
CN114817514A (zh) * 2022-03-22 2022-07-29 青岛海尔科技有限公司 回复音频的确定方法及装置、存储介质及电子装置
CN114817514B (zh) * 2022-03-22 2025-10-10 青岛海尔科技有限公司 回复音频的确定方法及装置、存储介质及电子装置
CN114782078A (zh) * 2022-04-01 2022-07-22 重庆邮电大学 一种针对高维数据的商业信息评估方法及系统
CN114969195A (zh) * 2022-05-27 2022-08-30 北京百度网讯科技有限公司 对话内容挖掘方法和对话内容评估模型的生成方法
CN114969195B (zh) * 2022-05-27 2023-10-27 北京百度网讯科技有限公司 对话内容挖掘方法和对话内容评估模型的生成方法
CN115186092A (zh) * 2022-07-11 2022-10-14 贝壳找房(北京)科技有限公司 线上交互处理方法和装置、存储介质和程序产品
CN115186092B (zh) * 2022-07-11 2023-06-20 贝壳找房(北京)科技有限公司 线上交互处理方法和装置、存储介质和程序产品
CN115424606A (zh) * 2022-09-01 2022-12-02 北京捷通华声科技股份有限公司 语音交互的方法、语音交互的装置和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN111639162A (zh) 信息交互方法和装置、电子设备和存储介质
US10853577B2 (en) Response recommendation system
US10827024B1 (en) Realtime bandwidth-based communication for assistant systems
CN111428010B (zh) 人机智能问答的方法和装置
CN110019742B (zh) 用于处理信息的方法和装置
US11217236B2 (en) Method and apparatus for extracting information
AU2022201193A1 (en) System and method for designing artificial intelligence (ai) based hierarchical multi-conversation system
CN111985249A (zh) 语义分析方法、装置、计算机可读存储介质及电子设备
CN107846350A (zh) 一种语境感知网络聊天的方法、计算机可读介质和系统
US11436446B2 (en) Image analysis enhanced related item decision
US11924375B2 (en) Automated response engine and flow configured to exchange responsive communication data via an omnichannel electronic communication channel independent of data source
CN110175323B (zh) 消息摘要的生成方法和装置
CN108268450B (zh) 用于生成信息的方法和装置
CN110399465A (zh) 用于处理信息的方法和装置
CN111368066B (zh) 获取对话摘要的方法、装置和计算机可读存储介质
KR20220079336A (ko) 의사 표현 아이템을 포함하는 채팅 서비스 제공 방법 및 장치
US11423219B2 (en) Generation and population of new application document utilizing historical application documents
CN117609612A (zh) 资源推荐方法、装置、存储介质及电子设备
CN114048319B (zh) 基于注意力机制的幽默文本分类方法、装置、设备、介质
CN110232920B (zh) 语音处理方法和装置
US11593567B2 (en) Intelligent conversational gateway
CN114610863A (zh) 对话文本的推送方法及装置、存储介质、终端
CN111046151A (zh) 一种消息处理方法及装置
CN111555960A (zh) 信息生成的方法
CN113761111B (zh) 一种智能对话方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20201104

Address after: 100085 Floor 102-1, Building No. 35, West Second Banner Road, Haidian District, Beijing

Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd.

Address before: 300 457 days Unit 5, Room 1, 112, Room 1, Office Building C, Nangang Industrial Zone, Binhai New Area Economic and Technological Development Zone, Tianjin

Applicant before: BEIKE TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908

RJ01 Rejection of invention patent application after publication