对话处理方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域以及智能语音技术领域，特别是涉及一种对话处理方法、装置、计算机设备和存储介质。


背景技术：

2.智能语音是人工智能中的一个细分领域，采用智能语音技术训练出的智能机器人可以通过终端与用户进行对话。
3.智能语音在劳动密集型的产业中得到了广泛的应用，例如客服场景等。以客服场景为例，智能机器人在与客户进行对话时，会预先针对每个客户配置一棵固定的流程树，这棵固定流程树中的一个对话节点会对应一个固定话术，然后基于该流程树与客户进行对话，从而导致对话比较单一，不够灵活。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种更加灵活的对话处理方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种对话处理方法。所述方法包括：
6.基于智能机器人与目标对象之间建立的会话，获取所述目标对象针对当前话术回复的对话内容；所述当前话术，是所述智能机器人在基于预先配置的通用流程树执行业务相关对话流程时，通过所述通用流程树中的当前流程节点输出的话术；
7.对所述对话内容进行意图识别，得到意图信息；
8.获取所述目标对象的画像信息；
9.基于所述意图信息和所述画像信息，在所述通用流程树中确定当前流程节点所指向的下一目标流程节点；
10.从与所述目标流程节点对应配置的话术集合中，选取与所述画像信息对应的应答话术；
11.在所述会话中，向所述目标对象回复所述应答话术。
12.在其中一个实施例中，获取的所述画像信息是通过画像生成步骤生成的；所述画像生成步骤包括：
13.获取所述目标对象的对象相关数据；
14.对所述对象相关数据进行对象特征分析，得到所述目标对象的画像标签；
15.基于所述画像标签，生成所述目标对象的画像信息。
16.在其中一个实施例中，所述画像标签为多个；所述基于所述画像标签，生成所述目标对象的画像信息包括：
17.按照预设组合规则将多个所述画像标签进行组合，得到组合后的画像标签；
18.基于组合前的画像标签和组合后的画像标签，生成所述目标对象的画像信息。
19.在其中一个实施例中，所述基于所述画像标签，生成所述目标对象的画像信息包
括：
20.获取所述目标对象在上一轮次对话中产生的上一轮对话内容；
21.对所述上一轮对话内容进行语义分析，得到对话标签；
22.将所述画像标签和所述对话标签输入至已训练的画像生成模型，输出所述画像生成模型所生成的画像标签；
23.基于所述所生成的画像标签生成所述目标对象的画像信息。
24.在其中一个实施例中，所述基于所述意图信息和所述画像信息，在所述通用流程树中确定当前流程节点所指向的下一目标流程节点包括：
25.若所述意图信息为画像相关信息、且所述意图信息与所述画像信息所包含的意图不符，则基于所述意图信息确定当前流程节点所指向的下一目标流程节点；
26.若所述意图信息不为画像相关信息，则基于所述画像信息所包含的意图，确定当前流程节点所指向的下一目标流程节点。
27.在其中一个实施例中，所述画像信息中包括所述目标对象的多个画像标签；所述从与所述目标流程节点对应配置的话术集合中，选取与所述画像信息对应的应答话术包括：
28.查询与所述下一目标流程节点对应配置的话术集合；所述话术集合中包括针对不同画像标签预先配置的话术；
29.确定多个所述画像标签在所述下一目标流程节点下所对应的优先级信息；
30.基于所述优先级信息，从多个所述画像标签中确定优先级最高的目标画像标签；
31.从所述话术集合中选取与所述目标画像标签对应的话术，作为应答话术。
32.第二方面，本技术还提供了一种对话处理装置。所述装置包括：
33.获取模块，用于基于智能机器人与目标对象之间建立的会话，获取所述目标对象针对当前话术回复的对话内容；所述当前话术，是所述智能机器人在基于预先配置的通用流程树执行业务相关对话流程时，通过所述通用流程树中的当前流程节点输出的话术；
34.对话处理模块，用于对所述对话内容进行意图识别，得到意图信息；获取所述目标对象的画像信息；基于所述意图信息和所述画像信息，在所述通用流程树中确定当前流程节点所指向的下一目标流程节点；从与所述目标流程节点对应配置的话术集合中，选取与所述画像信息对应的应答话术；在所述会话中，向所述目标对象回复所述应答话术。
35.第三方面，本技术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，所述计算机程序被所述处理器执行时，使得所述处理器执行本技术各实施例所述方法中的步骤。
36.第四方面，本技术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，使得所述处理器执行本技术各实施例所述方法中的步骤。
37.第五方面，本技术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，使得所述处理器执行本技术各实施例所述方法中的步骤。
38.上述对话处理方法、装置、计算机设备、存储介质和计算机程序产品，基于智能机器人与目标对象之间建立的会话，获取目标对象针对当前话术回复的对话内容；当前话术，
是智能机器人在基于预先配置的通用流程树执行业务相关对话流程时，通过通用流程树中的当前流程节点输出的话术；对对话内容进行意图识别，得到意图信息；获取目标对象的画像信息；基于意图信息和画像信息，在通用流程树中确定当前流程节点所指向的下一目标流程节点；从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术；在会话中，向目标对象回复应答话术，能够适应性地根据目标对象的特点选择应答话术，从而更加灵活地进行对话处理。
附图说明
39.图1为一个实施例中对话处理方法的应用环境图；
40.图2为一个实施例中对话处理方法的流程示意图；
41.图3为一个实施例中画像生成模型的示意图；
42.图4为一个实施例中对话处理方法的原理示意图；
43.图5为一个实施例中对话处理装置的结构框图；
44.图6为一个实施例中计算机设备的内部结构图；
45.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.本技术实施例提供的对话处理方法，可以应用于如图1所示的应用环境中。其中，目标对象使用终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104中设置有智能机器人，智能机器人是用于进行智能对话的程序。服务器104可以基于智能机器人与目标对象之间建立会话。比如，服务器104可以使用智能机器人向目标对象的终端102请求建立会话，从而基于智能机器人与目标对象之间建立的会话。可以理解，也可以是目标对象使用终端102向服务器104请求建立会话，本技术对会话建立的具体场景不做限定。在建立会话后，目标对象可以基于终端102与智能机器人在会话中进行对话。在对话过程中，智能机器人可以通过通用流程树中的当前流程节点向终端102输出当前话术，目标对象则可以通过终端102针对该当前话术回复对话内容。服务器104则可以基于该会话获取目标对象针对当前话术回复的对话内容；服务器104可以对该对话内容进行意图识别，得到意图信息；获取目标对象的画像信息；基于意图信息和画像信息，在预先配置的通用流程树中确定当前流程节点所指向的下一目标流程节点；从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术；在会话中，服务器104可以基于终端102向目标对象回复应答话术。
48.其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
49.在一个实施例中，如图2所示，提供了一种对话处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
50.s202，基于智能机器人与目标对象之间建立的会话，获取目标对象针对当前话术回复的对话内容；对对话内容进行意图识别，得到意图信息。
51.其中，目标对象，是指与智能机器人处于同一会话的对象。智能机器人，是指用于与目标对象对话的机器人程序。会话，用于供智能机器人基于通用流程树中的流程节点与目标对象之间产生对话。当前话术，是智能机器人在基于预先配置的通用流程树执行业务相关对话流程时，通过通用流程树中的当前流程节点输出的话术。业务相关对话流程，是与业务相关的对话流程。意图识别，是指从对话内容识别出服务器可以理解的意图信息，即，从对话内容识别出对应于当前流程节点的意图信息。
52.具体地，服务器可以通过智能机器人与目标对象建立会话，即，建立智能机器人与目标对象之间的会话。目标对象可以基于终端与智能机器人在会话中进行对话。在对话过程中，智能机器人可以通过通用流程树中的当前流程节点向目标对象所使用的终端输出当前话术，目标对象则可以通过终端针对该当前话术回复对话内容。服务器可以基于会话，通过智能机器人获取目标对象针对当前话术回复的对话内容。服务器可以对对话内容进行意图识别，得到意图信息。
53.在一个实施例中，智能机器人可以是服务器中的程序模块。
54.在一个实施例中，业务可以是催收、产品推荐和客户服务等业务中的至少一种。
55.在一个实施例中，在会话中，智能机器人可以获取目标对象针对当前话术回复的对话内容。服务器可以对智能机器人所获取的该对话内容进行意图识别。
56.在一个实施例中，服务器可以通过智能机器人对该对话内容进行意图识别，得到意图信息。可以理解，意图信息只有对应于通用流程树中的流程节点，服务器才能在通用流程树中确定目标流程节点。
57.s204，获取目标对象的画像信息；基于意图信息和画像信息，在预先配置的通用流程树中确定当前流程节点所指向的下一目标流程节点。
58.其中，通用流程树，是指包括智能机器人与目标对象交互流程，且适用于各目标对象和各对话阶段的流程树。可以理解，通用流程树不同于只适配于一个目标对象和一个对话阶段的固定流程树，对于各目标对象和各对话阶段，都可以在通用流程树中确定相应的流程节点。流程节点，是指通用流程树的节点。可以理解，流程节点对应于智能机器人与目标对象之间的交互事件，流程节点可以用于指示智能机器人与目标对象对话的内容。目标流程节点对应于当前流程节点。可以理解，目标流程节点实质上是当前流程节点指向的下一个流程节点。
59.具体地，服务器可以获取目标对象的画像信息。可以理解，在智能机器人与目标对象之间的会话建立之前，服务器可以基于目标对象的对象相关信息，生成目标对象的画像信息。服务器可以获取目标对象针对当前话术回复的对话内容，并对对话内容进行意图识别，得到意图信息。服务器可以基于意图信息和画像信息，在预先配置的通用流程树中确定当前流程节点所指向的下一目标流程节点。可以理解，服务器可以基于画像信息和意图信息预先配置通用流程树。服务器可以基于目标对象所回复的对话内容的意图信息，以及目标对象的画像信息，针对目标对象确定下一目标流程节点。
60.在一个实施例中，服务器可以基于画像信息，在通用流程树中确定对应于目标对象的流程分支。服务器可以基于意图信息，在与目标对象对应的流程分支中确定目标流程节点。
61.在一个实施例中，服务器可以基于画像信息，选取流程节点生成对应于目标对象的流程分支。
62.在一个实施例中，若目标对象所回复内容的意图信息与画像信息不相符，则根据意图信息，更新流程分支。
63.s206，从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术；在会话中，向目标对象回复应答话术。
64.其中，话术，是指说话的方法。话术集合，是指对应于目标流程节点的话术集合。可以理解，话术集合中包括对应于画像信息的应答话术。应答话术，是指在与目标对象进行对话时，智能机器人应答的方法。
65.具体地，服务器可以从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术。服务器可以将应答话术发送至智能机器人，以在会话中，通过智能机器人向目标对象回复应答话术。
66.在一个实施例中，智能机器人可以根据应答话术生成应答语句。可以理解，话术集合中的话术实质上是对应于画像信息的通用话术，无法直接用于回复目标对象。
67.在一个实施例中，话术可以是语句模板，智能机器人可以根据目标对象的相关信息填充语句模板，生成应答语句。
68.上述对话处理方法，与目标对象建立会话；会话用于供智能机器人基于通用流程树中的流程节点与目标对象之间产生对话；基于会话，获取目标对象针对当前话术回复的对话内容；当前话术，是智能机器人在当前流程节点输出的话术；对对话内容进行意图识别，得到意图信息；获取目标对象的画像信息；基于意图信息和画像信息，在通用流程树中确定当前流程节点所指向下一目标流程节点，能够适应性地根据对话内容和目标对象的特点选择流程节点。从与目标对话节点对应配置的话术集合中，选取与画像信息对应的应答话术；能够适应性地根据目标对象的特点选择应答话术。在会话中，向目标对象回复应答话术，能够更加灵活地进行对话处理。
69.此外，采用通用流程树进行对话处理，无需再针对每个客户配置一棵固定的流程树，便于扩展。
70.在一个实施例中，获取的画像信息是通过画像生成步骤生成的；画像生成步骤包括：获取目标对象的对象相关数据；对对象相关数据进行对象特征分析，得到目标对象的画像标签；基于画像标签，生成目标对象的画像信息。
71.其中，画像标签，是指用于描述目标对象特征的标签。对象特征分析，是指从对象相关数据中提取目标对象的特征信息。
72.具体地，服务器可以获取目标对象的对象相关数据，并对对象相关数据进行对象特征分析，得到目标对象的画像标签。服务器可以基于画像标签，根据预设组合规则和画像生成模型中的至少一种方法，生成目标对象的画像信息。
73.其中，预设组合规则，是指将画像标签组合成画像信息的规则。画像生成模型，是指将画像标签加工成画像信息的模型。
74.在一个实施例中，对象相关数据可以包括客户信息、案件信息、交易信息、产品信息、行为记录、催收录音文本和催收记录等数据中的至少一种。
75.在一个实施例中，服务器可以通过实时计算单元对对象相关数据进行清洗。实时计算单元可以对清洗后的对象相关数据进行初加工。可以理解，实时计算单元可以从清洗后的对象相关数据中，统计目标对象的会话连通次数、登录次数、逾期次数、逾期原因和爆p次数。
76.其中，客户承诺还款称为下p，客户承诺还款但是未还称为爆p。爆p次数就是客户被催收以来出现过多少次承诺还款但是未还的情况
77.在一个实施例中，实时计算单元可以通过挖掘算法，从对话记录中挖掘客户的逾期原因。
78.在一个实施例中，服务器可以通过交互分析单元对实时计算单元清洗过的对象相关数据进行加工，得到目标对象的画像标签。可以理解，交互分析单元在获取清洗后的对象相关数据之后，根据自定义规则和算法中的至少一种，生成目标对象的画像标签。比如，逾期次数大于5次，归为频繁逾期，会话连通次数大于5次，定义为高可联。交互分析单元可以通过挖掘算法，挖掘客户的逾期原因。
79.本实施例中，服务器可以从对象相关数据中提取目标对象的特征，生成用于描述目标对象特征的画像标签，并基于画像标签，生成目标画像的画像信息，能够得到表征目标对象特征的画像信息，以根据画像信息，适配各目标对象的特点，更加灵活地进行对话处理。
80.在一个实施例中，画像标签为多个；基于画像标签，生成目标对象的画像信息包括：按照预设组合规则将多个画像标签进行组合，得到组合后的画像标签；基于组合前的画像标签和组合后的画像标签，生成目标对象的画像信息。
81.具体地，服务器可以按照预设组合规则将多个画像标签进行组合，得到组合后的画像标签。服务器可以将与组合后的画像标签对应的画像群体作为画像信息。可以理解，一种预设组合规则可以对应一种画像群体。比如，已婚、已育和性别女可以组合成已婚已育女，已婚已育女是一种画像群体。服务器可以将组合前的画像标签作为画像信息。可以理解，画像信息可以包括组合前的画像标签和组合后的画像标签中的至少一种画像信息。
82.本实施例中，服务器可以按照预设组合规则将多个画像标签进行组合，得到组合后的画像标签；基于组合前的画像标签和组合后的画像标签，生成目标对象的画像信息，根据画像信息，适配各目标对象的特点，更加灵活地进行对话处理。
83.在一个实施例中，基于画像标签，生成目标对象的画像信息包括：获取目标对象在上一轮次对话中产生的上一轮对话内容；对上一轮对话内容进行语义分析，得到对话标签；将画像标签和对话标签输入至已训练的画像生成模型，输出画像生成模型所生成的画像标签；基于所生成的画像标签生成目标对象的画像信息。
84.其中，对话标签，是指用于描述对话内容要点的标签。可以理解，对话标签可以表征对话内容的语义。上一轮次对话对应于当前对话。上一轮次对话，是指当前对话的上一轮次对话。语义分析，是指分析对话内容的语义。
85.具体地，服务器可以获取目标对象在上一轮次对话中产生的上一轮对话内容。服务器可以对上一轮对话内容进行语义分析，得到对话标签。服务器可以将画像标签和对话
标签输入至已训练的画像生成模型，输出画像生成模型所生成的画像标签。服务器可以基于所生成的画像标签生成目标对象的画像信息。可以理解，上一轮次对话的过程中，目标对象可以表达逾期原因、诉求和还款计划等。服务器可以对上一轮次对话内容进行语义分析，得到逾期原因标签(工资没发、忘记或生意失败等)、诉求标签(减免息费、只还本金或投诉催收员态度等)和还款计划标签(承诺还款、延期还款和无还款计划等)等对话标签。
86.在一个实施例中，对话标签可以是从对话内容中提取出的画像标签。
87.在一个实施例中，对话标签可以是从对话内容中识别出的意图信息。可以理解，服务器可以将当前对话过程中产生的意图信息作为对话标签，并将对话标签输入至画像生成模型，更新目标对象的画像信息，以用于下一轮次的对话。
88.在一个实施例中，画像生成模型可以包括还款能力模型、还款意愿模型、社会层级模型和沟通风格模型等模型中的至少一种。可以理解，还款能力模型可以用于评价目标对象的还款能力。比如，还款能力模型可以输出还款能力值：高、中或低。可以理解，画像生成模型可以是一个多任务的模型，即，一个画像生成模型可以用于评价目标对象的还款能力、还款意愿、社会层级和沟通风格，以生成还款能力标签、还款意愿标签、社会层级标签和沟通风格标签等多种类型画像标签。
89.在一个实施例中，图3为画像生成模型的示意图。画像生成模型包括输入层、隐层和输出层。服务器可以通过输入层将目标对象的职业标签、收入标签、学历标签、婚姻标签和对话标签输入至画像生成模型中，画像生成模型可以通过输出层输出目标对象的还款能力标签、还款意愿标签、逾期原因标签和沟通风格标签。服务器可以将还款能力标签、还款意愿标签、逾期原因标签和沟通风格标签作为目标对象的画像标签，以据此生成目标对象的画像信息。可以理解，隐层实质上是画像生成模型中的处理层，隐层可以对通过输入层输入的职业标签、收入标签、学历标签、婚姻标签和对话标签进行处理，生成还款能力标签、还款意愿标签、逾期原因标签和沟通风格标签。
90.本实施例中，服务器可以基于上一轮次对话中产生的上一轮对话内容，得到对话标签，将画像标签和对话标签输入至已训练的画像生成模型，输出画像生成模型所生成的画像标签，基于画像标签生成画像信息，以用于本次会话，能够根据对话内容，更新目标对象的画像信息，从而更准确地针对目标对象的特点进行对话处理。
91.在一个实施例中，基于意图信息和画像信息，在通用流程树中确定当前流程节点所指向的下一目标流程节点包括：若意图信息为画像相关信息、且意图信息与画像信息所包含的意图不符，则基于意图信息确定当前流程节点所指向的下一目标流程节点；若意图信息不为画像相关信息，则基于画像信息所包含的意图，确定当前流程节点所指向的下一目标流程节点。
92.其中，画像相关信息，是指与目标对象的画像信息相关的信息。可以理解，在会话中，目标对象所回复的对话内容中有些可以表达目标对象的特征，从这些对话内容中识别出的意图信息实质上也是一种画像信息。比如，目标对象的画像信息中包括逾期原因这一画像标签，该标签标识了目标对象的逾期原因是未发工资，但是在会话中，目标对象所回复的对话内容的意图信息标识目标对象的逾期原因是生病，那么意图信息与画像信息所包含的意图(逾期原因)是不符的。
93.具体地，服务器可以预先按照目标对象的画像信息，针对目标对象配置流程节点。
可以理解，流程节点可以对应于画像信息。比如画像信息中的逾期原因画像标签不同所对应的流程节点也不相同，逾期原因是未发工资的，催收流程则是先询问什么时候发工资，再核实工作单位以及收入；而逾期原因是生病住院的则先表达同情，再建议向亲朋好友周转。在会话中，服务器可以在获取目标对象所回复的对话内容后，针对该对话内容的意图信息，确定下一目标流程节点。若意图信息为画像相关信息、且意图信息与画像信息所包含的意图不符，则服务器可以基于意图信息确定当前流程节点所指向的下一目标流程节点；若意图信息不为画像相关信息，则服务器可以基于画像信息所包含的意图，确定当前流程节点所指向的下一目标流程节点。可以理解，同一节点或者意图根据画像信息配置不同的催收流程。
94.在一个实施例中，通用流程树中的流程树分支结构为：当前流程节点-意图信息-下一目标流程节点。服务器可以在识别出意图信息之后，直接跳转到下一目标流程节点。可以理解，与目标对象对话所处于的当前流程节点(核身阶段、通知还款阶段还是协商还款阶段)，按照客户回答的意图，确定要跳转的下一目标流程节点。比如，对于核身节点-本人-通知还款节点和通知还款节点-无法还款-协商还款节点这两个流程树分支，如果当前流程节点是核身节点，服务器所确定的意图信息是本人，即，对话对象是目标对象，那么，直接跳转到下一目标流程节点，通知还款节点，通知目标对象还款。若当前流程节点是通知还款节点，服务器所确定的意图信息是无法还款，即，目标对象目前无法还款，那么，直接跳转到下一目标流程节点，协商还款节点，与目标对象进行协商。
95.本实施例中，服务器可以根据画像信息和意图信息，针对目标对象确定目标流程节点，以进行对话处理，能够支持对话中根据对话内容和目标对象的特点选择不同的催收流程，即，服务器可以在建立会话前配置流程，并在会话中，根据对话内容调整流程，从而更加灵活地进行对话处理。
96.在一个实施例中，画像信息中包括目标对象的多个画像标签；从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术包括：查询与下一目标流程节点对应配置的话术集合；话术集合中包括针对不同画像标签预先配置的话术；确定多个画像标签在下一目标流程节点下所对应的优先级信息；基于优先级信息，从多个画像标签中确定优先级最高的目标画像标签；从话术集合中选取与目标画像标签对应的话术，作为应答话术。
97.其中，优先级信息，是指画像信息中的画像标签的优先级信息。可以理解，优先级信息可以表征画像标签在流程节点的重要程度。
98.具体地，服务器可以按照话术名，查询与下一目标流程节点对应配置的话术集合。服务器可以确定多个画像标签在下一目标流程节点下所对应的优先级信息，并基于优先级信息，从多个画像标签中确定优先级最高的目标画像标签。服务器可以从话术集合中选取与目标画像标签对应的话术，作为应答话术。
99.其中，流程节点与话术名一一对应，话术名可以用于标识与下一目标流程节点对应配置的话术集合。同一话术名下可以根据不同客户画像配置不同的话术。比如：高学历画像标签的施压话术是影响征信，影响前途，已婚已育画像标签的施压话术则是家庭小孩。
100.在一个实施例中，服务器可以话术名对应的话术集合中针对目标对象的画像信息新增话术。
101.本实施例中，服务器可以根据优先级信息，确定目标对象的画像信息中的画像标签对应的话术，可以实现同一话术名下不同客户画像的不同话术的灵活配置，对于在对话交互上击中了对应话术名时，则按照优先级信息进行调用不同的客户画像的话术，无需再通过细分流程树分支条件进行配置对应的话术，能够针对不同的客户特点进行灵活调用话术，做到话术配置灵活、方便、高效。此外，针对画像信息新增话术，可以解决传统方式中堆积人力手工配置，拓展性较差，复杂场景的配置、维护困难的问题。
102.在一个实施例中，图4为对话处理方法的原理示意图。首先，服务器可以通过画像管理单元进行画像配置，画像配置可以包括预设组合规则和画像生成模型。服务器可以通过话术配置单元进行话术配置，同一话术名下的话术集合中画像信息中各画像标签对应的话术。服务器可以通过流程配置单元进行流程配置，针对画像信息中的各画像标签配置流程节点。
103.在完成画像配置、话术配置和流程配置之后，服务器可以从数据库中获取对象相关数据。比如，目标对象的客户信息、案件信息、交易信息、产品信息、行为记录和催收记录，并通过实时计算单元对这些对象相关数据进行清洗和初加工。服务器可以通过交互分析单元，根据规则或算法对清洗和初加工后的对象相关数据进行画像标签加工，即生成画像标签。服务器可以通过画像管理单元，按照预设组合规则，将不同画像标签组合以得到相应的画像信息。服务器可以通过画像管理单元调用画像生成模型，将画像标签输入至画像生成模型，以得到画像模型输出的画像信息。服务器可以通过画像管理单元，将画像信息作为目标对象的画像。
104.在生成目标对象的画像信息之后，服务器可以建立智能机器人与目标对象之间的会话，并在会话中获取目标对象所回复的语音形式的对话内容。服务器可以通过语音识别单元，利用语音识别技术(asr)将语音形式的对话内容转换成文本输出至语义理解单元。服务器可以通过语义理解单元，利用语义理解技术(nlu)将文本翻译成流程配置单元中的对话管理单元理解的意图信息。可以理解，对话管理单元是流程配置单元的子单元。对话管理单元接收意图识别单元发送的意图信息，并基于意图信息确定下一目标流程节点，将目标流程节点对应的话术名发送至话术生成单元。服务器可以通过话术生成单元，按照话术名，调用话术配置单元得到相应的话术集合，并按照优先级信息选取优先级最高的画像标签对应的话术。话术生成单元将话术文本发送至语音合成单元，语音合成单元利用语音合成技术(tts)将话术文本转换成语音，语音合成单元可以将语音发送给目标用户，即，播报给目标对象。可以理解，智能机器人可以包括话术生成单元、语音合成单元、语义理解单元和语音识别单元。
105.本实施例中，服务器可以通过算法或规则提取画像标签，支持会话中根据不同画像标签选择不同的流程节点以及同一个流程不同画像标签选择不同的应答话术，相较于现有的对于不同对象新建多棵流程树的方法，配置更灵活，维护更方便，效率更高。
106.在一个实施例中，服务器可以使用对话处理方法对目标对象进行催收。目标对象可以是逾期客户。
107.在一个实施例中，服务器可以对一个流程节点配置多个阶段或场景的话术，相同的意图信息配置不同的阶段或场景的话术。
108.本实施例中，服务器可以对于需要区分应用的地方则调用各阶段对应的话术，对
于无需进行区分的话术则直接使用标准的话术，减少因局部差异而需要新增不同的流程树，从而降低维护成本。
109.在一个实施例中，服务器可以基于不同的画像信息的组合关系，进行对话处理。服务器可以按照顺序使用画像信息中的画像标签，也可以无放回地随机使用画像信息中的画像标签，以从话术集合中确定应答话术。
110.本实施例中，服务器可以以多种方式使用画像标签，得到应答话术，能够提升应答话术的灵活性，也避免因应答话术千篇一律而导致体验差的情况。
111.在一个实施例中，服务器可以将当前会话中目标对象所回复的对话内容的意图信息作为画像标签，输入至画像管理单元，重新生成目标对象的画像信息。
112.本实施例中，服务器可以在会话中重新计算目标对象的画像信息，以更加准确地根据画像信息确定流程节点和应答话术。
113.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
114.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的对话处理方法的对话处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个对话处理装置实施例中的具体限定可以参见上文中对于对话处理方法的限定，在此不再赘述。
115.在一个实施例中，如图5所示，提供了一种对话处理装置500，包括：获取模块502和对话处理模块504，其中：
116.获取模块502，用于基于智能机器人与目标对象之间建立的会话，获取目标对象针对当前话术回复的对话内容；当前话术，是智能机器人在基于预先配置的通用流程树执行业务相关对话流程时，通过通用流程树中的当前流程节点输出的话术；
117.对话处理模块504，用于对对话内容进行意图识别，得到意图信息；获取目标对象的画像信息；基于意图信息和画像信息，在通用流程树中确定当前流程节点所指向的下一目标流程节点；从与目标流程节点对应配置的话术集合中，选取与画像信息对应的应答话术；在会话中，向目标对象回复应答话术。
118.在一个实施例中，对话处理模块504还用于执行画像生成步骤；获取目标对象的对象相关数据；对对象相关数据进行对象特征分析，得到目标对象的画像标签；基于画像标签，生成目标对象的画像信息。
119.在一个实施例中，画像标签为多个；对话处理模块504还用于按照预设组合规则将多个画像标签进行组合，得到组合后的画像标签；基于组合前的画像标签和组合后的画像标签，生成目标对象的画像信息。
120.在一个实施例中，对话处理模块504还用于获取目标对象在上一轮次对话中产生的上一轮对话内容；对上一轮对话内容进行语义分析，得到对话标签；将画像标签和对话标
签输入至已训练的画像生成模型，输出画像生成模型所生成的画像标签；基于所生成的画像标签生成目标对象的画像信息。
121.在一个实施例中，对话处理模块504还用于若意图信息为画像相关信息、且意图信息与画像信息所包含的意图不符，则基于意图信息确定当前流程节点所指向的下一目标流程节点；若意图信息不为画像相关信息，则基于画像信息所包含的意图，确定当前流程节点所指向的下一目标流程节点。
122.在一个实施例中，画像信息中包括目标对象的多个画像标签；对话处理模块504还用于查询与下一目标流程节点对应配置的话术集合；话术集合中包括针对不同画像标签预先配置的话术；确定多个画像标签在下一目标流程节点下所对应的优先级信息；基于优先级信息，从多个画像标签中确定优先级最高的目标画像标签；从话术集合中选取与目标画像标签对应的话术，作为应答话术。
123.上述对话处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
124.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储对话处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对话处理方法。
125.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种对话处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
126.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
127.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
128.在一个实施例中，提供了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上述各方法实施例中的步骤。
129.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被
处理器执行时实现上述各方法实施例中的步骤。
130.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
131.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistiverandomaccessmemory，mram)、铁电存储器(ferroelectricrandomaccessmemory，fram)、相变存储器(phasechangememory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
132.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
133.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。