基于人工智能的客户实时对话转接方法、装置和电子设备与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能的客户实时对话转接方法、装置和电子设备。


背景技术：

2.近年来，随着场景营销客户量的增多，人工客服的人力需求成本也随之增加。目前，为了减轻人力成本，业内多采用“智能语音机器人 人工”的外呼方式，先使用智能语音机器人外呼营销名单，再将外呼中有意向的客户转给人工客服跟进，从而减轻人力成本。
3.但是，相对于全人工跟进模式，“智能语音机器人 人工”的外呼模式只会将外呼中明确有意向的客户转给客服，其余未转客户将不再继续跟进。由此，由于目前的智能语音机器人在客户意图识别方面的精度较低，从而导致对客户的筛选粒度不够精细，极易造成客户漏损，使营销量下降。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本技术实施方式提供了一种基于人工智能的客户实时对话转接方法、装置和电子设备，可以提升对客户意图识别的精准度，继而使对客户的筛选粒度更加精细。
5.第一方面，本技术的实施方式提供了一种基于人工智能的客户实时对话转接方法，包括：
6.获取历史对话集，其中，历史对话集包括至少一个历史对话数据，至少一个历史对话数据中的每个历史对话数据用于记录客户与语音机器人之间的一次完整的对话内容；
7.根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组，其中，至少一个特征组和至少一个历史对话数据一一对应，至少一个特征组中的每个特征组包括至少一个对话特征；
8.根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树；
9.根据意向决策树，确定筛选规则；
10.获取实时对话数据，当实时对话数据符合筛选规则时，将实时对话数据对应的客户转接至人工客服。
11.第二方面，本技术的实施方式提供了一种基于人工智能的客户实时对话转接装置，包括：
12.采集模块，用于获取历史对话集，其中，历史对话集包括至少一个历史对话数据，至少一个历史对话数据中的每个历史对话数据用于记录客户与语音机器人之间的一次完整的对话内容；
13.特征提取模块，用于根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组，其中，至少一个特征组和至少一个历史对话数据一一对应，
至少一个特征组中的每个特征组包括至少一个对话特征；
14.处理模块，用于根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树，并根据意向决策树，确定筛选规则；
15.筛选模块，用于获取实时对话数据，当实时对话数据符合筛选规则时，将实时对话数据对应的客户转接至人工客服。
16.第三方面，本技术实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行如第一方面的方法。
17.第四方面，本技术实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行如第一方面的方法。
18.第五方面，本技术实施方式提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机可操作来使计算机执行如第一方面的方法。
19.实施本技术实施方式，具有如下有益效果：
20.在本技术实施方式中，获取若干记录客户与语音机器人之间的一次完整的对话内容的历史对话数据，形成历史对话集。继而，根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组。然后，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树。最后，通过对意向决策树的每个决策树分支进行规则提取，并基于预设的规则筛选规则，对提取出的规则进行筛选，确定最终的筛选规则。从而，根据最终的筛选规则，对实时对话进行筛选，将符合该规则的实时对话对应的客户转接至人工服务。由此，通过决策树模型，可以筛选出真正识别客户意向的重要因素，并依次划分阈值，实现对客户意图识别的精准度的提升，继而使对客户的筛选粒度更加精细，减少“智能语音机器人 人工”的外呼模式中的漏损客户，提升办理情况。
附图说明
21.为了更清楚地说明本技术实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本技术实施方式提供的一种基于人工智能的客户实时对话转接装置的硬件结构示意图；
23.图2为本技术实施方式提供的一种基于人工智能的客户实时对话转接方法的流程示意图；
24.图3为本技术实施方式提供的一种在对话轮数维度下，对每个历史对话数据进行特征提取的方法的流程示意图；
25.图4为本技术实施方式提供的一种在关键话术节点维度下，对每个历史对话数据进行特征提取的方法的流程示意图；
26.图5为本技术实施方式提供的一种在对话结束节点维度下，对每个历史对话数据进行特征提取的方法的流程示意图；
27.图6为本技术实施方式提供的一种根据n 1个问答特征建立拓扑关系图的方法的流程示意图；
28.图7为本技术实施方式提供的根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树的方法的流程示意图；
29.图8为本技术实施方式提供的一种决策树模型中各个节点的标号图；
30.图9为本技术实施方式提供的一种意向决策树的示意图；
31.图10为本技术实施方式提供的一种根据意向决策树，确定筛选规则的方法的流程示意图；
32.图11为本技术实施方式提供的一种基于人工智能的客户实时对话转接装置的功能模块组成框图；
33.图12为本技术实施方式提供的一种电子设备的结构示意图。
具体实施方式
34.下面将结合本技术实施方式中的附图，对本技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本技术一部分实施方式，而不是全部的实施方式。基于本技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本技术保护的范围。
35.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
36.在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本技术的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。
37.首先，参阅图1，图1为本技术实施方式提供的一种基于人工智能的客户实时对话转接装置的硬件结构示意图。该客户实时对话转接装置100包括至少一个处理器101，通信线路102，存储器103以及至少一个通信接口104。
38.在本实施方式中，处理器101，可以是一个通用中央处理器(central processing unit，cpu)，微处理器，特定应用集成电路(application
‑
specific integrated circuit，asic)，或一个或多个用于控制本技术方案程序执行的集成电路。
39.通信线路102，可以包括一通路，在上述组件之间传送信息。
40.通信接口104，可以是任何收发器一类的装置(如天线等)，用于与其他设备或通信网络通信，例如以太网，ran，无线局域网(wireless local area networks，wlan)等。
41.存储器103，可以是只读存储器(read
‑
only memory，rom)或可存储静态信息和指
令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
42.在本实施方式中，存储器103可以独立存在，通过通信线路102与处理器101相连接。存储器103也可以和处理器101集成在一起。本技术实施方式提供的存储器103通常可以具有非易失性。其中，存储器103用于存储执行本技术方案的计算机执行指令，并由处理器101来控制执行。处理器101用于执行存储器103中存储的计算机执行指令，从而实现本技术下述实施方式中提供的方法。
43.在可选的实施方式中，计算机执行指令也可以称之为应用程序代码，本技术对此不作具体限定。
44.在可选的实施方式中，处理器101可以包括一个或多个cpu，例如图1中的cpu0和cpu1。
45.在可选的实施方式中，该客户实时对话转接装置100可以包括多个处理器，例如图1中的处理器101和处理器107。这些处理器中的每一个可以是一个单核(single
‑
cpu)处理器，也可以是一个多核(multi
‑
cpu)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
46.在可选的实施方式中，若客户实时对话转接装置100为服务器，例如，可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。则客户实时对话转接装置100还可以包括输出设备105和输入设备106。输出设备105和处理器101通信，可以以多种方式来显示信息。例如，输出设备105可以是液晶显示器(liquid crystal display，lcd)，发光二级管(light emitting diode，led)显示设备，阴极射线管(cathode ray tube，crt)显示设备，或投影仪(projector)等。输入设备106和处理器101通信，可以以多种方式接收用户的输入。例如，输入设备106可以是鼠标、键盘、触摸屏设备或传感设备等。
47.上述的客户实时对话转接装置100可以是一个通用设备或者是一个专用设备。本技术实施方式不限定客户实时对话转接装置100的类型。
48.其次，需要说明的是，本技术所公开的实施方式可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
49.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
50.以下，将对本技术所公开的基于人工智能的客户实时对话转接方法进行说明：
51.参阅图2，图2为本技术实施方式提供的一种基于人工智能的客户实时对话转接方法的流程示意图。该客户实时对话转接方法包括以下步骤：
52.201：获取历史对话集。
53.在本实施方式中，该历史对话集可以包括至少一个历史对话数据，该至少一个历史对话数据中的每个历史对话数据用于记录客户与语音机器人之间的一次完整的对话内容。示例性的，对话机器人可以在每次对话结束后，将对话内容进行提取，形成历史对话数据，保存至历史数据库中，以等待调用。
54.202：根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组。
55.在本实施方式中，至少一个特征组和至少一个历史对话数据一一对应，且至少一个特征组中的每个特征组包括至少一个对话特征。示例性的，该至少一个维度可以包括对话轮数维度、关键话术节点维度和对话结束节点维度，以下将分别对上述三个维度下的特征提取方式进行说明：
56.在对话轮数维度下，本技术提供了一种对每个历史对话数据进行特征提取的方法，如图3所示，该方法包括：
57.301：对每个历史对话数据进行关键词提取，得到至少一个关键词。
58.在本实施方式中，可以对每个历史对话数据进行分词处理，例如：通过每个历史对话数据的语义，对每个历史对话数据进行切分，到多个候选词语。然后，计算每个候选词语的逆文档频率，确定逆文档频率大于预设的阈值的候选词语作为关键词。
59.302：根据至少一个关键词，将每个历史对话数据进行切分，得到至少一个第一历史对话子数据。
60.在本实施方式中，至少一个第一历史对话子数据和至少一个关键词一一对应。
61.303：分别确定至少一个第一历史对话子数据中的每个第一历史对话子数据的对话轮数。
62.在本实施方式中，对话轮数指在一个历史对话子数据中，发生的问答的轮数，且一次问答包括一个问句和一个答句，算做一轮对话。
63.304：分别根据每个第一历史对话子数据所对应的关键词，确定每个第一历史对话子数据所对应的对话类型的平均对话轮数。
64.在本实施方式中，可以通过对每个第一历史对话子数据对应的关键词进行词嵌入处理，得到相应的词向量。具体而言，可以对关键词进行数据化编码，再将编码后的数据映射到实数空间，得到一个特征向量，该特征向量即为该关键词对应的词向量。例如，对于关键词“基金”，进行数据化编码和实数空间映射后，可以得到词向量[1，2，2，3，3，3]。继而根据该词向量，对该关键词进行分类，继而确定该关键词对应的第一历史对话子数据的对话类型。
[0065]
同时，平均对话轮数可以根据历史数据库中存储的海量历史对话数据进行确定，并在确定后，将其与对应的对话类型进行关联后再存储，以在需要的时候直接进行调用。此外，该平均对话轮数可以根据历史对话数据的累积进行动态更新，以确保后续所确定的筛选规则的精准度。
[0066]
305：根据每个第一历史对话子数据所对应的对话类型的平均对话轮数，和每个第一历史对话子数据的对话轮数，确定每个历史对话数据的第一对话特征。
[0067]
在本实施方式中，可以分别确定每个第一历史对话子数据所对应的对话类型的平均对话轮数，和每个第一历史对话子数据的对话轮数之间的差值，继而将得到的差值按照其对应的每个第一历史对话子数据在每个历史对话数据中的排列顺序进行排列，得到对话轮数向量作为第一对话特征。
[0068]
示例性的，对于某个历史对话数据，其对应的对话轮数为：[类型1，2轮]、[类型2，5轮]、[类型3，7轮]和[类型4，3轮]。同时，经过查询，类型1对应的平均对话轮数为3轮、类型2对应的平均对话轮数为4轮、类型3对应的平均对话轮数为7轮、以及类型4对应的平均对话轮数为2轮。基于此，经过计算可以得到，类型1对应的差值为1、类型2对应的差值为
‑
1、类型3对应的差值为0、以及类型4对应的差值为
‑
1。在历史对话数据中，该4个类型对应的第一历史对话子数据的排列顺序为：类型2、类型3、类型1、以及类型4。由此，可以得到对话轮数向量：[
‑
1，0，1，
‑
1]。
[0069]
同时，在关键话术节点维度下，本技术同样提供了一种对每个历史对话数据进行特征提取的方法，如图4所示，该方法包括：
[0070]
401：根据每个历史对话数据的对话流程信息，在每个历史对话数据中确定至少一个关键话术节点。
[0071]
在本实施方式中，对话流程信息可以存储再对话过程中业务的流程节点的办理情况，基于此，可以将各个流程节点作为该至少一个关键话术节点。
[0072]
402：根据至少一个关键话术节点，将每个历史对话数据进行切分，得到至少一个第二历史对话子数据。
[0073]
在本实施方式中，至少一个第二历史对话子数据和至少一个关键话术节点一一对应。
[0074]
403：分别确定至少一个第二历史对话子数据中的每个第二历史对话子数据的语义特征。
[0075]
404：根据至少一个关键话术节点在每个历史对话数据中的排列顺序，构建对话节点跳转图。
[0076]
在本实施方式中，对话节点跳转图用于声明至少一个关键话术节点种的每个关键话术节点之间的跳转关系。
[0077]
405：根据对话节点跳转图，确定每个关键话术节点的权重。
[0078]
在本实施方式中，对话节点状态跳转图可以表示用户与人机对话系统交互的行为分布情况。具体而言，对话节点状态跳转图可以表示为一种序列决策模型，并且可以利用该模型求解每个关键话术节点的权重参数。该权重参数可以表示对应的关键话术节点对于交流业务的影响值或贡献度。
[0079]
406：根据每个第二历史对话子数据的语义特征、对话节点跳转图、以及每个关键话术节点的权重，确定每个历史对话数据的第二对话特征。
[0080]
在本实施方式中，可以根据对话节点跳转图确定每个第二历史对话子数据的排序，继而根据该排序，将各个第二历史对话子数据对应的语义特征进行拼接，得到第一融合特征作为每个历史对话数据的第二对话特征。此外，每个历史对话数据可以具有多个第二
对话特征，基于此，还根据每个关键话术节点的权重，将各个第二历史对话子数据对应的语义特征进行加权求和，得到第二融合特征作为每个历史对话数据的另一个第二对话特征。
[0081]
最后，在对话结束节点维度下，本技术也提供了一种对每个历史对话数据进行特征提取的方法，如图5所示，该方法包括：
[0082]
501：在每个历史对话数据中确定对话结束节点对应的问答对作为第一问答对。
[0083]
在本实施方式中，问答对由一个问句和一个答句组成，且答句用于答复问句，每个历史对话数据由多个问答对组成。
[0084]
502：在每个历史对话数据中提取第一问答对和第一问答对的前n对问答对，得到n 1对第二问答对。
[0085]
在本实施方式中，n可以通过最大后验估计理论，对当前的历史对话数据进行分析后得出，通常为大于或等于1的整数。
[0086]
503：分别对n 1对第二问答对中的每对第二问答对进行特征提取，得到n 1个问答特征。
[0087]
在本实施方式中，n 1个问答特征与n 1对第二问答对一一对应。示例性的，可以对每对第二问答对进行语义提取，得到对应的语义向量作为问答特征。
[0088]
504：根据n 1个问答特征建立拓扑关系图。
[0089]
在本实施方式中，提供了一种根据n 1个问答特征建立拓扑关系图的方法，如图6所示，该方法包括：
[0090]
601：对n 1个问答特征进行n！次随机选取，并将每次随机选取出的两个问答特征进行组合，得到n！个特征组。
[0091]
在本实施方式中，任意两次随机选取出的问答特征不完全相同，其中，n！个特征组中的每个特征组包括第一问答特征和第二问答特征，且第一问答特征不同于第二问答特征。
[0092]
示例性的，对于3个问答特征{a，b，c}，需要进行2！＝3次随机选取，得到特征组{a，b}、{a，c}和{b，c}。
[0093]
602：分别确定每个特征组中第一问答特征和第二问答特征之间的相关性系数，得到n！个相关性系数。
[0094]
在本实施方式中，可以对第一问答特征进行取模，得到第一模，再对第二问答特征进行取模，得到第二模。继而，确定第一模与第二模的乘积值，和确定第一问答特征和第二问答特征之间的内积。最后，将内积与乘积值的商，作为第一问答特征和第二问答特征之间的相关性系数。
[0095]
示例性的，通过点积计算第一问答特征和第二问答特征之间的夹角余弦值，并用该夹角余弦值作为第一问答特征和第二问答特征之间的相关性系数。
[0096]
具体而言，对于第一问答特征a＝[a1，a2，
…
，ai，
…
，an]，和第二问答特征b＝[b1，b2，
…
，bi，
…
，bn]，其中，i＝1，2，
…
，n。夹角余弦值可以通过公式
①
表示：
[0097][0098]
其中，a
·
b表示第一问答特征a与第二问答特征b的内积，丨丨为取模符号，丨a丨表示第一问答特征a的模，丨b丨表示第二问答特征b的模。
[0099]
进一步的，第一问答特征a与第二问答特征b的内积可以通过公式
②
表示：
[0100][0101]
进一步的，第一问答特征a的模可以通过公式
③
表示：
[0102][0103]
最后，将该夹角余弦值作为第一问答特征a与第二问答特征b之间的相关性系数。示例性的，第一问答特征a与第二问答特征b之间的相关性系数可以通过公式
④
表示：
[0104]
d＝cosθ
…………④
[0105]
由于余弦值的取值范围为【
‑
1，1】，这使得余弦值在高维的情况下依然拥有相同时为1、正交时为0、相反时为
‑
1的性质。即，余弦值越趋近于1，代表两个特征之间的方向越接近，相关性越大；越趋近于
‑
1，他们的方向越相反，相关性越小；接近于0，表示两个特征近乎于正交，可以体现两个特征方向上的相对差异。由此，采用余弦值作为第一问答特征与第二问答特征之间的相关性系数，可以精确的表示第一问答特征与第二问答特征之间的相关程度。
[0106]
603：将n 1个问答特征作为n 1个节点。
[0107]
在本实施方式中，n 1个问答特征与n 1个节点一一对应；
[0108]
604：将n！个相关性系数中的每个相关性系数作为每个相关性系数对应的特征组中的两个问答特征所对应的两个节点之间的边，得到拓扑关系图。
[0109]
505：根据n 1个问答特征和拓扑关系图，确定每个历史对话数据的第三对话特征。
[0110]
在本实施方式中，可以通过拓扑关系图，采用图神经网络训练基于第一问答对预测下一时刻的关键词，并对该关键词进行特征提取，得到关键词特征。最后，计算该关键词特征与真实的问答特征之间的均方误差作为对应的每个历史对话数据的第三对话特征。
[0111]
203：根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树。
[0112]
在本实施方式中，可以通过决策树模型算法，带入至少一个对话特征中的每个对话特征，从根节点开始，根据每个对话特征对当前节点的改进性能度量的量来计算每个对话特征重要性。其中，每个节点的分裂划分标准是让经过该节点的对话特征对历史对话集中的至少一个历史对话数据进行划分后，得到的每个分支纯度最高，即，每个分支的数据尽可能属于同一类别。
[0113]
示例性的，本技术提供了一种根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树的方法，如图7所示，该方法包括：
[0114]
701：将至少一个对话特征组成第一集合。
[0115]
702：基于第一集合中的每个对话特征的改进性能度量，对决策树模型中的根节点与第一集合执行特征匹配过程，得到根节点对应的第四对话特征。
[0116]
在本实施方式中，该第四对话特征对应的改进性能度量最大，改进性能度量由改进性能度量对应的每个对话特征与决策树模型中的根节点决定。示例性的，可以使用基尼
系数表示该改进性能度量，当某个对话特征的基尼系数越小，则说明基于该对话特征的分类结果越纯，则该对话特征的重要性越高，对应的改进性能度量越大。具体而言，对于每个对话特征，分别确定基于该特征的分类规则对历史对话集中的至少一个历史对话数据进行分类，基于分类结果计算该节点的基尼系数。
[0117]
在本实施方式中，基尼系数可以通过公式
⑤
表示：
[0118][0119]
其中，x表示每个对话特征；n表示被分类的历史对话数据的总数；k表示该对话特征的类别数，有对话特征自身的性质所决定，例如：当对话特征为对话者性别时，由于性别的类型有2类，即男和女，则该对话特征公的类别数为2；n
j
表示被分类的历史对话数据中对话特征x＝j的样本数量；j1表示被分类的历史对话数据中对话特征x＝j中的正样本的数量；j0表示被分类的历史对话数据中对话特征x＝j中的负样本的数量。
[0120]
基于此，在本实施方式中，改进性能度量可以通过公式
⑥
表示：
[0121][0122]
703：将第四对话特征从第一集合中剔除，得到新的第一集合，以及将根节点对应的子节点作为新的根节点。
[0123]
704：对新的根节点和新的第一集合执行特征匹配过程，得到新的根节点对应的新的第四对话特征。
[0124]
705：将新的第四对话特征从新的第一集合中剔除，直至新的第一集合中的对话特征的数量为0时，得到意向决策树。
[0125]
示例性的，为了更加清晰的描述本技术所提出的确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系的方法，在本实施方式中，提出了一种对决策树模型中的节点进行标号的方法。具体而言，将决策树模型的根节点标记为1，根节点的下一层的节点按从左至右的顺序依次标号，直至该层的所有节点被标记完成。再对该层的下一层的节点按从左至右的顺序依次标号，以此类推。如图8所示，图8示出了一种决策树模型中各个节点的标号图。
[0126]
基于上述标号方式，以下将以一个示例的方式对本技术所提出的确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系的方法进行详细说明：
[0127]
现假定经过步骤202后，得到了4个对话特征：特征1、特征2、特征3和特征4，则第一集合为[特征1、特征2、特征3、特征4]。
[0128]
首先，对于节点1(即根节点)，通过步骤602所提供的方法，结合历史对话集可以计算得到，特征1的改进性能度量为0.6，特征2的改进性能度量为0.7，特征3的改进性能度量为0.55，特征4的改进性能度量为0.85。则将特征4作为节点1对应的对话特征，并基于特征4对历史对话集进行分类，得到历史对话集1和历史对话集2。其中，历史对话集1对应于节点2一侧的子决策树，历史对话集2对应于节点3一侧的子决策树。同时，将特征4从第一集合中剔除，得到新的第一集合[特征1、特征2、特征3]，作为节点2和节点3的特征匹配过程所对应的第一集合。
[0129]
然后，对于节点2，同样通过步骤602所提供的方法，结合节点2所对应的历史对话集1可以计算得到，特征1的改进性能度量为0.9，特征2的改进性能度量为0.85，特征3的改进性能度量为0.3。则将特征1作为节点2对应的对话特征，并基于特征1对历史对话集1进行分类，得到历史对话集3和历史对话集4。其中，历史对话集3对应于节点4一侧的子决策树，历史对话集4对应于节点5一侧的子决策树。同时，将特征1从第一集合中剔除，得到新的第一集合[特征2、特征3]，作为节点4和节点5的特征匹配过程所对应的第一集合。
[0130]
同样的，对于节点3，同样通过步骤602所提供的方法，结合节点3所对应的历史对话集2可以计算得到，特征1的改进性能度量为0.7，特征2的改进性能度量为0.75，特征3的改进性能度量为0.9。则将特征3作为节点3对应的对话特征，并基于特征3对历史对话集2进行分类，得到历史对话集5和历史对话集6。其中，历史对话集5对应于节点6一侧的子决策树，历史对话集6对应于节点7一侧的子决策树。同时，将特征3从第一集合中剔除，得到新的第一集合[特征1、特征2]，作为节点6和节点7的特征匹配过程所对应的第一集合。
[0131]
对于节点4，结合节点4所对应的历史对话集3可以计算得到，特征2的改进性能度量为0.85，特征3的改进性能度量为0.9。则将特征3作为节点4对应的对话特征。此时，剔除特征3后，新的第一集合中只剩下特征2，则可以直接认为特征2即为节点8对应的对话特征，以简化操作。
[0132]
对于节点5，结合节点5所对应的历史对话集4可以计算得到，特征2的改进性能度量为0.85，特征3的改进性能度量为0.4。则将特征2作为节点5对应的对话特征。此时，剔除特征2后，新的第一集合中只剩下特征3，则可以直接认为特征3即为节点9对应的对话特征，以简化操作。
[0133]
对于节点6，结合节点6所对应的历史对话集5可以计算得到，特征1的改进性能度量为0.3，特征2的改进性能度量为0.8。则将特征2作为节点6对应的对话特征。此时，剔除特征2后，新的第一集合中只剩下特征1，则可以直接认为特征1即为节点10对应的对话特征，以简化操作。
[0134]
对于节点7，结合节点7所对应的历史对话集6可以计算得到，特征1的改进性能度量为0.95，特征2的改进性能度量为0.8。则将特征1作为节点7对应的对话特征。此时，剔除特征1后，新的第一集合中只剩下特征2，则可以直接认为特征2即为节点11对应的对话特征，以简化操作。
[0135]
由此，即可确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系。得到如图9所示的意向决策树。
[0136]
204：根据意向决策树，确定筛选规则。
[0137]
在本实施方式中，意向决策树中的每个节点对应一个对话特征，意向决策树中的每个有向边(如图8所示)对应一个分类规则，且意向决策树包括至少一个决策树分支。其中，分类规则由分类规则对应的有向边所连接的两个节点中的父节点对应的对话特征决定。基于此，本技术提供了一种根据意向决策树，确定筛选规则的方法，如图10所示，该方法包括：
[0138]
1001：对于至少一个决策树分支中的每个决策树分支，分别确定每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则。
[0139]
在本实施方式中，决策树分支为从意向决策树的根节点到任意一个结果节点的分
支。
[0140]
1002：将每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则，按照每个决策树分支包含的节点和每个决策树分支包含的有向边在每个决策树分支中的递进顺序进行规则提取，得到至少一个第一筛选规则。
[0141]
在本实施方式中，至少一个第一筛选规则和至少一个决策树分支一一对应。示例性的，假定某个决策树分支为：根节点
‑
有向边1
‑
节点1
‑
有向边2
‑
节点2
‑
有向边3
‑
结果节点1，则将根节点对应的对话特征1、有向边1对应的分类规则1、节点1对应的对话特征2、有向边2对应的分类规则2、节点2对应的对话特征3、有向边3对应的分类规则3、以及结果节点1对应的对话特征4，按照对话特征1
‑
分类规则1
‑
对话特征2
‑
分类规则2
‑
对话特征3
‑
分类规则3
‑
对话特征4的顺序进行排列，得到该决策树分支对应的第一筛选规则。
[0142]
1003：分别确定至少一个第一筛选规则中的每个第一筛选规则的第一意向率，并将至少一个第一筛选规则按照第一意向率从大大小的顺序进行排列，得到第一规则集合。
[0143]
在本实施方式中，可以通过计算每个第一筛选规则对应的决策树分支的结果节点所对应的历史对话集中，有办理意向的对话占历史对话集中对话数量的比例，作为该第一筛选规则对应的意向率。
[0144]
1004：根据第一规则集合将历史对话集进行等频分箱，得到至少一个箱体。
[0145]
在本实施方式中，可以根据历史对话数量进行分箱，每箱分得历史对话数量的10％，从而将客户分为10各等级。具体而言，假定得到12个第一筛选规则，经过排序后得到：[筛选规则5，90％，5％；筛选规则7，80％，5％；筛选规则1，75％，10％；筛选规则9，65％，15％；筛选规则12，60％，5％；筛选规则2，50％，10％；筛选规则3，45％，5％；筛选规则6，40％，10％；筛选规则10，30％，10％；筛选规则8，25％，5％；筛选规则4，15％，10％；筛选规则11，5％，10％；]。其中，第一个百分比表示该规则对应的意向率，第二个百分比表示该规格对应的历史对话数据的数量占总历史对话数据的数量的比例。
[0146]
基于此，由于筛选规则5只拥有5％的历史对话数据，低于一个箱体要求的10％，基于此，需要后一位的规则拿出5％的历史对话数据和筛选规则5对应的5％的历史对话数据组成10％的历史对话数据，形成第一箱体。而筛选规则5的后一位的规则：筛选规则7正好拥有5％的历史对话数据，则将删选规则5和筛选规则7划分为第一箱体。以此，以此类推，数量不够时向后一位的规则“借”缺失数量的历史对话数据，数量溢出时则将溢出的历史对话数据划分到下一个箱体。
[0147]
1005：分别确定至少一个箱体中每个箱体的第二意向率。
[0148]
在本实施方式中，由于每个箱体是重新组合得到的，基于此，相应的意向率也会发生变化，由此，需要重新基于每个箱体中的历史对话数据计算新的意向率。此外，还可以基于每个箱体中的历史对话数据计算每箱的意向占比得到精准率。
[0149]
1006：将第二意向率最大的箱体对应的第一筛选规则作为筛选规则。
[0150]
示例性的，假定重新计算后，第四箱体的第二意向率最大，同时，第四箱体中的历史对话数据来源于筛选规则6和筛选规则8，则将筛选规则6和筛选规则8作为最终的筛选规则。
[0151]
205：获取实时对话数据，当实时对话数据符合筛选规则时，将实时对话数据对应的客户转接至人工客服。
[0152]
综上所述，本发明所提供的基于人工智能的客户实时对话转接方法中，获取若干记录客户与语音机器人之间的一次完整的对话内容的历史对话数据，形成历史对话集。继而，根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组。然后，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树。最后，通过对意向决策树的每个决策树分支进行规则提取，并基于预设的规则筛选规则，对提取出的规则进行筛选，确定最终的筛选规则。从而，根据最终的筛选规则，对实时对话进行筛选，将符合该规则的实时对话对应的客户转接至人工服务。由此，通过决策树模型，可以筛选出真正识别客户意向的重要因素，并依次划分阈值，实现对客户意图识别的精准度的提升，继而使对客户的筛选粒度更加精细，减少“智能语音机器人 人工”的外呼模式中的漏损客户，提升办理情况。
[0153]
参阅图11，图11为本技术实施方式提供的一种基于人工智能的客户实时对话转接装置的功能模块组成框图。如图11所示，该客户实时对话转接装置1100包括：
[0154]
采集模块1101，用于获取历史对话集，其中，历史对话集包括至少一个历史对话数据，至少一个历史对话数据中的每个历史对话数据用于记录客户与语音机器人之间的一次完整的对话内容；
[0155]
特征提取模块1102，用于根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组，其中，至少一个特征组和至少一个历史对话数据一一对应，至少一个特征组中的每个特征组包括至少一个对话特征；
[0156]
处理模块1103，用于根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树，并根据意向决策树，确定筛选规则；
[0157]
筛选模块1104，用于获取实时对话数据，当实时对话数据符合筛选规则时，将实时对话数据对应的客户转接至人工客服。
[0158]
在本发明的实施方式中，至少一个维度可以包括：对话轮数维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，特征提取模块1102，具体用于：
[0159]
对每个历史对话数据进行关键词提取，得到至少一个关键词；
[0160]
根据至少一个关键词，将每个历史对话数据进行切分，得到至少一个第一历史对话子数据，其中，至少一个第一历史对话子数据和至少一个关键词一一对应；
[0161]
分别确定至少一个第一历史对话子数据中的每个第一历史对话子数据的对话轮数；
[0162]
分别根据每个第一历史对话子数据所对应的关键词，确定每个第一历史对话子数据所对应的对话类型的平均对话轮数；
[0163]
根据每个第一历史对话子数据所对应的对话类型的平均对话轮数，和每个第一历史对话子数据的对话轮数，确定每个历史对话数据的第一对话特征。
[0164]
在本发明的实施方式中，至少一个维度可以包括：关键话术节点维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，特征提取模块1102，具体用于：
[0165]
根据每个历史对话数据的对话流程信息，在每个历史对话数据中确定至少一个关
键话术节点；
[0166]
根据至少一个关键话术节点，将每个历史对话数据进行切分，得到至少一个第二历史对话子数据，其中，至少一个第二历史对话子数据和至少一个关键话术节点一一对应；
[0167]
分别确定至少一个第二历史对话子数据中的每个第二历史对话子数据的语义特征；
[0168]
根据至少一个关键话术节点在每个历史对话数据中的排列顺序，构建对话节点跳转图，其中，对话节点跳转图用于声明至少一个关键话术节点种的每个关键话术节点之间的跳转关系；
[0169]
根据对话节点跳转图，确定每个关键话术节点的权重；
[0170]
根据每个第二历史对话子数据的语义特征、对话节点跳转图、以及每个关键话术节点的权重，确定每个历史对话数据的第二对话特征。
[0171]
在本发明的实施方式中，至少一个维度可以包括：对话结束节点维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，特征提取模块1102，具体用于：
[0172]
在每个历史对话数据中确定对话结束节点对应的问答对作为第一问答对，其中，问答对由一个问句和一个答句组成，且答句用于答复问句，每个历史对话数据由多个问答对组成；
[0173]
在每个历史对话数据中提取第一问答对和第一问答对的前n对问答对，得到n 1对第二问答对，其中，n为大于或等于1的整数。
[0174]
分别对n 1对第二问答对中的每对第二问答对进行特征提取，得到n 1个问答特征，其中，n 1个问答特征与n 1对第二问答对一一对应；
[0175]
根据n 1个问答特征建立拓扑关系图；
[0176]
根据n 1个问答特征和拓扑关系图，确定每个历史对话数据的第三对话特征。
[0177]
在本发明的实施方式中，在根据n 1个问答特征建立拓扑关系图方面，特征提取模块1102，具体用于：
[0178]
对n 1个问答特征进行n！次随机选取，并将每次随机选取出的两个问答特征进行组合，得到n！个特征组，且任意两次随机选取出的问答特征不完全相同，其中，n！个特征组中的每个特征组包括第一问答特征和第二问答特征，且第一问答特征不同于第二问答特征；
[0179]
分别确定每个特征组中第一问答特征和第二问答特征之间的相关性系数，得到n！个相关性系数；
[0180]
将n 1个问答特征作为n 1个节点，其中，n 1个问答特征与n 1个节点一一对应；
[0181]
将n！个相关性系数中的每个相关性系数作为每个相关性系数对应的特征组中的两个问答特征所对应的两个节点之间的边，得到拓扑关系图。
[0182]
在本发明的实施方式中，在根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树方面，处理模块1103，具体用于：
[0183]
将至少一个对话特征组成第一集合；
[0184]
基于第一集合中的每个对话特征的改进性能度量，对决策树模型中的根节点与第
一集合执行特征匹配过程，得到根节点对应的第四对话特征，其中，第四对话特征对应的改进性能度量最大，改进性能度量由改进性能度量对应的每个对话特征与决策树模型中的根节点决定；
[0185]
将第四对话特征从第一集合中剔除，得到新的第一集合，以及将根节点对应的子节点作为新的根节点；
[0186]
对新的根节点和新的第一集合执行特征匹配过程，得到新的根节点对应的新的第四对话特征；
[0187]
将新的第四对话特征从新的第一集合中剔除，直至新的第一集合中的对话特征的数量为0时，得到意向决策树。
[0188]
在本发明的实施方式中，意向决策树中的每个节点对应一个对话特征，意向决策树中的每个有向边对应一个分类规则，且意向决策树包括至少一个决策树分支，其中，分类规则由分类规则对应的有向边所连接的两个节点中的父节点对应的对话特征决定，决策树分支为从意向决策树的根节点到任意一个结果节点的分支；
[0189]
基于此，在根据意向决策树，确定筛选规则方面，处理模块1103，具体用于：
[0190]
对于至少一个决策树分支中的每个决策树分支，分别确定每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则；
[0191]
将每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则，按照每个决策树分支包含的节点和每个决策树分支包含的有向边在每个决策树分支中的递进顺序进行规则提取，得到至少一个第一筛选规则，其中，至少一个第一筛选规则和至少一个决策树分支一一对应；
[0192]
分别确定至少一个第一筛选规则中的每个第一筛选规则的第一意向率，并将至少一个第一筛选规则按照第一意向率从大大小的顺序进行排列，得到第一规则集合；
[0193]
根据第一规则集合将历史对话集进行等频分箱，得到至少一个箱体；
[0194]
分别确定至少一个箱体中每个箱体的第二意向率；
[0195]
将第二意向率最大的箱体对应的第一筛选规则作为筛选规则。
[0196]
参阅图12，图12为本技术实施方式提供的一种电子设备的结构示意图。如图12所示，电子设备1200包括收发器1201、处理器1202和存储器1203。它们之间通过总线1204连接。存储器1203用于存储计算机程序和数据，并可以将存储器1203存储的数据传输给处理器1202。
[0197]
处理器1202用于读取存储器1203中的计算机程序执行以下操作：
[0198]
获取历史对话集，其中，历史对话集包括至少一个历史对话数据，至少一个历史对话数据中的每个历史对话数据用于记录客户与语音机器人之间的一次完整的对话内容；
[0199]
根据预设的至少一个维度，分别对每个历史对话数据进行特征提取，得到至少一个特征组，其中，至少一个特征组和至少一个历史对话数据一一对应，至少一个特征组中的每个特征组包括至少一个对话特征；
[0200]
根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树；
[0201]
根据意向决策树，确定筛选规则；
[0202]
获取实时对话数据，当实时对话数据符合筛选规则时，将实时对话数据对应的客
户转接至人工客服。
[0203]
在本发明的实施方式中，至少一个维度可以包括：对话轮数维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，处理器1202，具体用于执行以下操作：
[0204]
对每个历史对话数据进行关键词提取，得到至少一个关键词；
[0205]
根据至少一个关键词，将每个历史对话数据进行切分，得到至少一个第一历史对话子数据，其中，至少一个第一历史对话子数据和至少一个关键词一一对应；
[0206]
分别确定至少一个第一历史对话子数据中的每个第一历史对话子数据的对话轮数；
[0207]
分别根据每个第一历史对话子数据所对应的关键词，确定每个第一历史对话子数据所对应的对话类型的平均对话轮数；
[0208]
根据每个第一历史对话子数据所对应的对话类型的平均对话轮数，和每个第一历史对话子数据的对话轮数，确定每个历史对话数据的第一对话特征。
[0209]
在本发明的实施方式中，至少一个维度可以包括：关键话术节点维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，处理器1202，具体用于执行以下操作：
[0210]
根据每个历史对话数据的对话流程信息，在每个历史对话数据中确定至少一个关键话术节点；
[0211]
根据至少一个关键话术节点，将每个历史对话数据进行切分，得到至少一个第二历史对话子数据，其中，至少一个第二历史对话子数据和至少一个关键话术节点一一对应；
[0212]
分别确定至少一个第二历史对话子数据中的每个第二历史对话子数据的语义特征；
[0213]
根据至少一个关键话术节点在每个历史对话数据中的排列顺序，构建对话节点跳转图，其中，对话节点跳转图用于声明至少一个关键话术节点种的每个关键话术节点之间的跳转关系；
[0214]
根据对话节点跳转图，确定每个关键话术节点的权重；
[0215]
根据每个第二历史对话子数据的语义特征、对话节点跳转图、以及每个关键话术节点的权重，确定每个历史对话数据的第二对话特征。
[0216]
在本发明的实施方式中，至少一个维度可以包括：对话结束节点维度，基于此，在根据预设的至少一个维度，分别对每个历史对话数据进行特征提取方面，处理器1202，具体用于执行以下操作：
[0217]
在每个历史对话数据中确定对话结束节点对应的问答对作为第一问答对，其中，问答对由一个问句和一个答句组成，且答句用于答复问句，每个历史对话数据由多个问答对组成；
[0218]
在每个历史对话数据中提取第一问答对和第一问答对的前n对问答对，得到n 1对第二问答对，其中，n为大于或等于1的整数。
[0219]
分别对n 1对第二问答对中的每对第二问答对进行特征提取，得到n 1个问答特征，其中，n 1个问答特征与n 1对第二问答对一一对应；
[0220]
根据n 1个问答特征建立拓扑关系图；
[0221]
根据n 1个问答特征和拓扑关系图，确定每个历史对话数据的第三对话特征。
[0222]
在本发明的实施方式中，在根据n 1个问答特征建立拓扑关系图方面，处理器1202，具体用于执行以下操作：
[0223]
对n 1个问答特征进行n！次随机选取，并将每次随机选取出的两个问答特征进行组合，得到n！个特征组，且任意两次随机选取出的问答特征不完全相同，其中，n！个特征组中的每个特征组包括第一问答特征和第二问答特征，且第一问答特征不同于第二问答特征；
[0224]
分别确定每个特征组中第一问答特征和第二问答特征之间的相关性系数，得到n！个相关性系数；
[0225]
将n 1个问答特征作为n 1个节点，其中，n 1个问答特征与n 1个节点一一对应；
[0226]
将n！个相关性系数中的每个相关性系数作为每个相关性系数对应的特征组中的两个问答特征所对应的两个节点之间的边，得到拓扑关系图。
[0227]
在本发明的实施方式中，在根据预设的规则，确定至少一个对话特征中的每个对话特征，与决策树模型中的每个节点之间的对应关系，得到意向决策树方面，处理器1202，具体用于执行以下操作：
[0228]
将至少一个对话特征组成第一集合；
[0229]
基于第一集合中的每个对话特征的改进性能度量，对决策树模型中的根节点与第一集合执行特征匹配过程，得到根节点对应的第四对话特征，其中，第四对话特征对应的改进性能度量最大，改进性能度量由改进性能度量对应的每个对话特征与决策树模型中的根节点决定；
[0230]
将第四对话特征从第一集合中剔除，得到新的第一集合，以及将根节点对应的子节点作为新的根节点；
[0231]
对新的根节点和新的第一集合执行特征匹配过程，得到新的根节点对应的新的第四对话特征；
[0232]
将新的第四对话特征从新的第一集合中剔除，直至新的第一集合中的对话特征的数量为0时，得到意向决策树。
[0233]
在本发明的实施方式中，意向决策树中的每个节点对应一个对话特征，意向决策树中的每个有向边对应一个分类规则，且意向决策树包括至少一个决策树分支，其中，分类规则由分类规则对应的有向边所连接的两个节点中的父节点对应的对话特征决定，决策树分支为从意向决策树的根节点到任意一个结果节点的分支；
[0234]
基于此，在根据意向决策树，确定筛选规则方面，处理器1202，具体用于执行以下操作：
[0235]
对于至少一个决策树分支中的每个决策树分支，分别确定每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则；
[0236]
将每个决策树分支包含的节点对应的对话特征，和每个决策树分支包含的有向边对应的分类规则，按照每个决策树分支包含的节点和每个决策树分支包含的有向边在每个决策树分支中的递进顺序进行规则提取，得到至少一个第一筛选规则，其中，至少一个第一筛选规则和至少一个决策树分支一一对应；
[0237]
分别确定至少一个第一筛选规则中的每个第一筛选规则的第一意向率，并将至少
一个第一筛选规则按照第一意向率从大大小的顺序进行排列，得到第一规则集合；
[0238]
根据第一规则集合将历史对话集进行等频分箱，得到至少一个箱体；
[0239]
分别确定至少一个箱体中每个箱体的第二意向率；
[0240]
将第二意向率最大的箱体对应的第一筛选规则作为筛选规则。
[0241]
应理解，本技术中的基于人工智能的客户实时对话转接装置可以包括智能手机(如android手机、ios手机、windows phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备mid(mobile internet devices，简称：mid)、机器人或穿戴式设备等。上述客户实时对话转接装置仅是举例，而非穷举，包含但不限于上述客户实时对话转接装置。在实际应用中，上述客户实时对话转接装置还可以包括：智能车载终端、计算机设备等等。
[0242]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
[0243]
因此，本技术实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种基于人工智能的客户实时对话转接方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。
[0244]
本技术实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种基于人工智能的客户实时对话转接方法的部分或全部步骤。
[0245]
需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选的实施方式，所涉及的动作和模块并不一定是本技术所必须的。
[0246]
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。
[0247]
在本技术所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0248]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的
目的。
[0249]
另外，在本技术各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
[0250]
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0251]
本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read
‑
only memory，简称：rom)、随机存取器(英文：random access memory，简称：ram)、磁盘或光盘等。
[0252]
以上对本技术实施方式进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。