账号对话应答方法、装置、计算机设备、可读存储介质和程序产品与流程

摘要: 本申请涉及自然语言处理与人机交互,特别是涉及一种账号对话应答方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。背景技术:1、随着移动互联网和社交媒体的...
账号对话应答方法、装置、计算机设备、可读存储介质和程序产品与流程

本申请涉及自然语言处理与人机交互,特别是涉及一种账号对话应答方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着移动互联网和社交媒体的普及,企业可以通过即时通信群组、公众信息发布平台、应用程序等多种私域渠道与用户进行交互。例如,企业可以使用基于规则和关键词匹配的自动化客服系统基于用户注册信息、来源渠道等静态数据对用户进行简单标签分类,在用户提问命中特定关键词时,自动回复与标签对应的预设标准化答案。但是,由于现有的自动化客服系统无法理解用户复杂、多轮次的自然语言表达,难以从非结构化对话数据中提取高维度的用户特征,从而导致自动化客服系统回复的模板化答案与用户之间的语义匹配度较低。

技术实现思路

1、基于此,有必要针对上述技术问题,提供一种能够提高语义匹配度的账号对话应答方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面,本申请提供了一种账号对话应答方法,包括:

3、获取目标账号的多轮对话数据以及行为轨迹数据;

4、利用大语言模型对所述多轮对话数据进行自然语言理解处理,输出对应的对话语义向量;

5、利用所述大语言模型基于预设的提示词模板从所述多轮对话数据中提取得到动态标签,根据所述动态标签构建动态标签向量;

6、根据所述行为轨迹数据构建行为特征向量;

7、融合所述对话语义向量、所述动态标签向量与所述行为特征向量得到多模态融合向量,根据所述多模态融合向量生成所述目标账号的意向评估分数;

8、根据所述意向评估分数生成与所述目标账号对应的对话应答数据。

9、在其中一个实施例中,所述根据所述意向评估分数生成与所述目标账号对应的对话应答数据,包括:

10、基于所述对话语义向量确定所述多轮对话数据对应的意图识别结果与情绪识别结果;

11、利用所述意图识别结果、所述情绪识别结果以及所述动态标签中的至少一个,在预设的知识库中检索得到回复素材数据;

12、结合所述目标账号的静态标签与所述动态标签生成所述目标账号的账号画像数据;

13、根据所述意向评估分数与预设阈值的比较结果、所述回复素材数据以及所述账号画像数据,生成所述对话应答数据。

14、在其中一个实施例中,所述融合所述对话语义向量、所述动态标签向量与所述行为特征向量得到多模态融合向量,根据所述多模态融合向量生成所述目标账号的意向评估分数,包括:

15、利用机器学习模型基于预设的权重参数对所述对话语义向量、所述动态标签向量以及所述行为特征向量进行线性加权融合得到所述多模态融合向量;

16、采用预设的激活函数对所述多模态融合向量进行非线性变换处理,得到所述意向评估分数。

17、在其中一个实施例中,所述提示词模板包括三元组抽取模板,所述三元组抽取模板用于描述标签——意图——实体的三元组抽取机制;

18、所述利用所述大语言模型基于预设的提示词模板从所述多轮对话数据中提取得到动态标签,根据所述动态标签构建动态标签向量,包括:

19、将所述三元组抽取模板与所述多轮对话数据组合后输入所述大语言模型,通过所述大语言模型基于所述三元组抽取模板,抽取由标签属性、意图属性与实体值构成的三元组,并将所述三元组作为所述动态标签;

20、对所述动态标签进行向量化处理,得到所述动态标签向量。

21、在其中一个实施例中,所述获取目标账号的多轮对话数据以及行为轨迹数据,包括:

22、通过多个预设渠道接收所述目标账号的账号信息;

23、对每个所述预设渠道下的账号信息进行标准化处理,得到所述多轮对话数据以及所述行为轨迹数据。

24、在其中一个实施例中,所述方法还包括:

25、获取所述目标账号的实时对话数据;

26、利用所述提示词模板从所述实时对话数据中提取实时标签;

27、采用所述实时标签更新所述动态标签。

28、第二方面,本申请还提供了一种账号对话应答装置,包括:

29、数据获取模块,用于获取目标账号的多轮对话数据以及行为轨迹数据;

30、语义理解模块,用于利用大语言模型对所述多轮对话数据进行自然语言理解处理,输出对应的对话语义向量,利用所述大语言模型基于预设的提示词模板从所述多轮对话数据中提取得到动态标签,根据所述动态标签构建动态标签向量;

31、特征提取模块,用于根据所述行为轨迹数据构建行为特征向量;

32、意向评估模块,用于融合所述对话语义向量、所述动态标签向量与所述行为特征向量得到多模态融合向量,根据所述多模态融合向量生成所述目标账号的意向评估分数;

33、应答生成模块,用于根据所述意向评估分数生成与所述目标账号对应的对话应答数据。

34、第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的账号对话应答方法。

35、第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项实施例所述的账号对话应答方法。

36、第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面任一项实施例所述的账号对话应答方法。

37、上述账号对话应答方法、装置、计算机设备、计算机可读存储介质和计算机程序产品,通过获取目标账号的多轮对话数据,利用大语言模型对多轮对话数据进行自然语言理解处理,输出对应的对话语义向量,能够捕捉目标账号的真实意图、情绪及上下文关联信息,实现了对多轮对话数据的深层语义理解;通过利用大语言模型基于预设的提示词模板从多轮对话数据中提取得到动态标签,根据动态标签构建动态标签向量,能够实时从多轮对话数据中抽取高价值、高维度的个性化标签,有助于形成动态的账号画像,通过获取目标账号的行为轨迹数据,根据行为轨迹数据构建行为轨迹向量,融合对话语义向量、动态标签向量与行为特征向量得到多模态融合向量,根据多模态融合向量生成目标账号的意向评估分数,能够通过多模态信息的互补与交叉验证,克服了单一数据源的片面性,大幅提升了意向评估分数的精确性,通过根据意向评估分数生成与目标账号对应的对话应答数据,能够提高对话应答数据的语义匹配度,使得生成的对话应答数据更贴合目标账号当前的对话意向需求。

1.一种账号对话应答方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述根据所述意向评估分数生成与所述目标账号对应的对话应答数据,包括:

3.根据权利要求1所述的方法,其特征在于,所述融合所述对话语义向量、所述动态标签向量与所述行为特征向量得到多模态融合向量,根据所述多模态融合向量生成所述目标账号的意向评估分数,包括:

4.根据权利要求1所述的方法,其特征在于,所述提示词模板包括三元组抽取模板,所述三元组抽取模板用于描述标签——意图——实体的三元组抽取机制;

5.根据权利要求1所述的方法,其特征在于,所述获取目标账号的多轮对话数据以及行为轨迹数据,包括:

6.根据权利要求1所述的方法,其特征在于,所述方法还包括:

7.一种账号对话应答装置,其特征在于,所述装置包括:

8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。