一种智能客服对话方法及系统与流程

1.本技术涉及电子商务技术领域，尤其涉及智能客服对话方法及系统。


背景技术：

2.随着电子商务的进一步普及，人们对于线上商品购买的需求与日俱增。在线上购物时，免不了需要进行在线咨询、下单和售后投诉，这时智能客服就显得尤其重要。
3.目前智能客服能够对用户输入的声音、文字和视频等内容进行智能识别，以精准确定用户的问题，匹配该问题的答案。但是，目前很多用户提出来的问题总是含糊的，模拟两可的，这对智能客服的问题匹配机制提出了更高的挑战。
4.问题的识别与归类是智能问答中提升识别率的关键一环，目前由于口语的多样性，会出现词不达意，一词多义，多词一义等情况，而目前只能采用较为基础的模板匹配方法进行识别，其优点在于速度响应快，但识别率不高，难以解决大部分的问题解答。


技术实现要素：

5.本技术实施例提供一种智能客服对话方法及系统，用于解决现有技术中智能问答中问题识别率低的问题。
6.本发明实施例提供一种智能客服对话方法，应用于分布式智能客服系统，所述系统包括多个分布式智能客服服务器、知识图谱引擎和图数据库，所述方法包括：
7.获取用户问题样本，将所述用户问题样本分批输入至多个分布式智能客服服务器中，其中，所述多个分布式智能客服服务器包括第一智能客服服务器和第二智能客服服务器，所述第一智能客服服务器获取第一用户问题样本，所述第二智能客服服务器获取第二用户问题样本；
8.所述第一智能客服服务器将所述第一用户问题样本进行实体模板匹配，并在实体模板匹配成功后，确定所述第一用户问题样本对应的问题类型；
9.所述第二智能客服服务器将所述第二用户问题样本进行关系模板匹配，并在关系模板匹配成功后通过所述知识图谱引擎进行实体模板匹配，并在所述实体模板匹配成功后，确定所述第二用户问题样本对应的问题类型，并将所述问题类型更新至所述第二智能客服服务器的实体模板中；
10.接收到新用户的问题信息，将所述问题信息进行实体模板匹配，并在匹配成功后，输出所述问题的答案。
11.可选地，所述第二智能客服服务器将所述第二用户问题样本进行关系模板匹配，并在关系模板匹配成功后通过所述知识图谱引擎进行实体模板匹配，包括：
12.将所述第二用户问题样本拆分为多个语料集，根据所述多个预料集生成意图知识图谱，其中，所述意图知识图谱用三元组来表示；
13.将所述意图知识图谱进行解耦合，确定所述意图知识图谱是否属于关系模板；
14.在确定所述意图知识图谱属于关系模板后，将所述意图知识图谱进行词槽匹配，
解析出所述意图知识谱图中的槽位；
15.通过所述知识图谱引擎，根据所述槽位确定对应的实体信息，并发送所述对应的实体信息至所述图数据库；
16.在所述图数据库中查询所述实体信息对应属性，若查询成功，则返回所述属性信息至所述知识图谱引擎中；
17.根据所述属性信息，确定所述第二用户问题样本匹配的实体模板。
18.可选地，在所述图数据库中查询所述实体信息对应属性之后，所述方法还包括：
19.若查询失败，则返回查询失败信息至所述知识图谱引擎中；
20.所述知识图谱引擎生成第二用户问题补全清单，并将所述第二用户问题补全清单通过所述第二智能客服服务器进行广播发送，以追加所述第二用户问题样本中的关键信息；
21.获取所述追加的关键信息，并将所述关键信息进行词槽匹配，解析出所述关键信息对应的第二槽位；
22.确定与所述关键信息对应的第二槽位匹配的第二实体信息，并将所述第二实体信息发送至所述图数据库中；
23.在所述图数据库中查询所述第二实体信息对应属性，若查询成功则返回所述属性信息至所述知识图谱引擎中，以确定所述第二用户问题样本匹配的实体模板。
24.可选地，所述将所述意图知识图谱进行解耦合，确定所述意图知识图谱是否属于关系模板，包括：
25.将所述意图知识图谱拆解为头实体、尾实体和关系参数；
26.将所述头实体、尾实体与所述关系参数进行聚类，并将所述聚类后的结果进行意图识别，从而判断所述意图知识图谱是否属于关系模板。
27.可选地，将所述意图知识图谱进行词槽匹配，包括：
28.通过bert模型进行nlp测试，并在测试之后，通过长短期记忆网络lstm进行词槽匹配。
29.可选地，若所述词槽匹配结果中具备多个匹配样本，则所述方法还包括：
30.设置匹配样本表征矩阵q，将所述匹配样本表征矩阵q进行非线性变换：
31.对所述变换后的样本表征矩阵进行模型加权和；
32.将所述加权和后的结果通过激活函数进行压缩，使得其非线性映射到(0，1)区间；
33.根据所述非映射结果确定所述最佳匹配样本。
34.可选地，在接收到新用户的问题信息，将所述问题信息进行实体模板匹配，包括：
35.基于所述用户属性参数，为所述用户分配最为匹配的智能客服服务器，通过所述匹配的智能客服服务器，将所述新用户的问题进行实体模板匹配。
36.可选地，所述匹配的智能客服服务器为所述第一智能客服服务器，则所述方法还包括：
37.若所述第一智能客服服务器未将所述新用户的问题进行实体模板匹配成功，则所述第一智能客服服务器将所述新用户的问题透发至离所述第一智能客服服务器最近的所述第二智能客服服务器，通过所述第二智能客服服务器进行实体模板匹配。
38.可选地，所述方法还包括：
39.针对新问题的复杂度、用户咨询量、反馈好坏进行智能客服系统打分。
40.本发明实施例还提供一种系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
41.本发明实施例提供的方法，对于多词一义或一词多义的情况而言，既可以通过关系模板匹配，又可以通过实体模板匹配，其口语化的语言解析难度降低，可有效提升识别率。
附图说明
42.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
43.图1为一个实施例中分布式智能客服系统的系统架构图；
44.图2为一个实施例中智能客服对话的流程示意图；
45.图3为一个实施例中智能客服切换示意图；
46.图4为一个实施例中系统的硬件组成示意图。
具体实施方式
47.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
49.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
50.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
51.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0052]
图1是本发明实施例中分布式智能客服系统的系统架构图，如图1所示，该分布式智能客服系统10包括分布式智能客服服务器集群11、知识图谱引擎12、图数据库13和实体模板库14，其中，分布式智能客服服务器集群11包括多个智能客服服务器110(智能客服1，智能客服2...)，该多个智能客服服务器可以按照商品类型或用户类型进行分配，例如为儿童教育类产品分配的智能客服服务器，其显示形象为幼儿园老师的形象，若开启智能语音服务时，该语音配音可以采用幼儿园老师的语音。此外，该智能客服机器人还可以专门针对儿童家长进行专属客服问答，其服务器内部的问答库中保存有常见的家长问题及对应的答
案，保存形式为实体模板。知识图谱引擎12是具备知识图谱技术功能的实体，该实体可通过知识图谱技术进行关系模板匹配和实体模板匹配。图数据库13与知识图谱引擎12相互配合，用于提供相关的数据查询(query)和输出(return)。实体模板库包括多个模板，该模板为问答系统的问题-答案的实体模板。此外，在本发明实施例中，还包括用户问答库15，该用户问答库包括两类问题，一类是用户问题样本150，另一类是新用户的问题151，其中，用户问题样本由开发者收集典型的问题样例，并进行样本训练，使得智能客服服务器能够精准识别用户问题的答案。新用户的问题151是真实的用户提出的问题。据统计，超过50％的问题提出都是非精准的，需要智能客服进行语义理解及追加提问才能够获得正确答案。
[0053]
图2是本发明实施例的其中一个智能客服对话的流程图，应用于分布式智能客服系统10，如图2所示，该方法包括：
[0054]
s101、获取用户问题样本，将所述用户问题样本分批输入至多个分布式智能客服服务器中，其中，所述多个分布式智能客服服务器包括第一智能客服服务器和第二智能客服服务器，所述第一智能客服服务器获取第一用户问题样本，所述第二智能客服服务器获取第二用户问题样本；
[0055]
用户问题样本由开发者根据收集的典型问题样例，例如“投诉投屏问题”“儿童玩具的电源开关在哪”“有没有配套送的配件”等，内容各式各样，完全由人为去收集，目的是为了后端的训练。
[0056]
由于用户问题样本的问题多种多样，为了提升效率，需要对不同的问题进行分级和分类，并且分批，分类地输入至不同的智能客服服务器中，例如，将涉及到儿童玩具类的问题输入到智能客服服务器1里面，涉及到儿童教育类的输入到智能客服服务器2里面，涉及到化妆品，电子产品类的输入到智能客服服务器3里面等。以此来分门别类的对不同领域的专属客服进行输入性训练。
[0057]
在本发明实施例中，为了方便说明，假设分布式智能客服服务器集群中包含第一智能客服服务器和第二智能客服服务器，且第一智能客服服务器和第二智能客服服务器彼此之间的领域有相似但不完全相同，因此输入的用户问题样本也可以分为第一用户问题样本和第二用户问题样本，可以认为，第一用户问题样本和第二用户问题样本属于一个大的领域下面的不同的细分领域。
[0058]
此外，用户问题类型可以分为问题清晰和不清晰的，针对问题清晰的不需要追问，直接可以得出答案并推送，例如“xx玩具的付款流程”，针对不清晰的问题，不能直接得出结论，需要进行关系推到以及实体模板匹配，在此过程中还需要进行问题的追加，例如在问题1问完以后，智能客服会给出多个答案的选项，例如：“您是想确认：问题1.1，问题1.2，问题1.3...中的哪一个呢？”在得到第二次准确答复后即可确认该问题的答案，或需要追加第三次问题，并得到第三次问题的答复后才能确认该问题的答案。
[0059]
s102、所述第一智能客服服务器将所述第一用户问题样本进行实体模板匹配，并在实体模板匹配成功后，确定所述第一用户问题样本对应的问题类型；
[0060]
在本发明实施例中，第一用户问题样本为清晰的问题，即不需要再次追加即可获取答案的问题，第二用户问题样本为不清晰的问题。针对清晰的问题这种类型，业界已经有成熟的方案来识别，即通过实体模板匹配的方法来解决，具体地，该方法包括：通过将问题的句式、词组等读入服务器本身的数据库中，该问题的每句话进行分词后对数据库进行信
息匹配，得出匹配结果后返回对应的意图和词槽。
[0061]
s103、所述第二智能客服服务器将所述第二用户问题样本进行关系模板匹配，并在关系模板匹配成功后通过所述知识图谱引擎进行实体模板匹配，并在所述实体模板匹配成功后，确定所述第二用户问题样本对应的问题类型，并将所述问题类型更新至所述第二智能客服服务器的实体模板中；
[0062]
对于第二用户问题样本而言，其匹配方式为：关系模板匹配 实体模板匹配。具体地，可分为如下步骤：
[0063]
s1031.将所述第二用户问题样本拆分为多个语料集，根据所述多个预料集生成意图知识图谱，其中，所述意图知识图谱用三元组来表示；
[0064]
将问题拆分为多个语料集，即按照词组、句式等方式进行问题拆分，并生成意图知识图谱。其中，在图数据库中意图知识图谱通过三元组进行表示。三元组包括头实体、尾实体和关系参数，例如在问答系统中，“xx买的合约机”，从一个给定的三元组角度而言，头实体为“xx”，尾实体为“合约机”，关系参数为“买”。
[0065]
s1032.将所述意图知识图谱进行解耦合，确定所述意图知识图谱是否属于关系模板；
[0066]
具体地，将所述意图知识图谱拆解为头实体、尾实体和关系参数；将所述头实体、尾实体与所述关系参数进行聚类，并将所述聚类后的结果进行意图识别，从而判断所述意图知识图谱是否属于关系模板。具体地，意图知识图谱按照三元组进行存储和表达，将意图知识图谱进行解耦合后，通过k-means方法对三元组进行聚类。对于上述示例中，该意图知识图谱同时具备头实体、尾实体和关系参数，则在意图识别出三者之间具备关联关系后，会将识别出的词槽自动匹配上述头实体和尾实体，若匹配成功，进而确定该意图知识图谱属于关系模板；否则，不属于关系模板。
[0067]
s1033.在确定所述意图知识图谱属于关系模板后，将所述意图知识图谱进行词槽匹配，解析出所述意图知识谱图中的槽位；
[0068]
本发明实施例中，可以采用传统的词槽匹配模型进行匹配，也可以通过bert模型进行nlp测试，并在测试之后，通过长短期记忆网络lstm进行模型训练，从而实现词槽匹配。bert模型和lstm模型是现有技术，此处不再详细展开。
[0069]
需要说明的是，相比于前者的方法，后者的bert lstm的方法可以解决一词多义的问题，进而提升实体识别的准确率，并借助知识图谱进行知识校验和数据实时更新，实现nlp引擎和知识图谱间的互通，使自然语言理解具备推理、认知能力，进而提升多场景的语义识别准确率。
[0070]
此外，若所述词槽匹配结果中具备多个匹配样本，则本发明实施例中，可设置匹配样本表征矩阵q，将所述匹配样本表征矩阵q进行非线性变换；具体地，可根据
[0071]
q＝squash(∫(λ
ij
*q
ij
(w*k))dq)
[0072]
将表征矩阵q使用激活函数进行非线性变换，其中，λ
ij
是权重参数，w和k是多场景偏振校正参数，q
ij
是矩阵q的元素。
[0073]
对所述变换后的样本表征矩阵进行模型加权和；将所述加权和后的结果通过激活函数squash进行压缩，使得其非线性映射到(0，1)区间；根据所述非映射结果确定所述最佳匹配样本。
[0074]
s1034.通过所述知识图谱引擎，根据所述槽位确定对应的实体信息，并发送所述对应的实体信息至所述图数据库；
[0075]
在解析出槽位后，知识图谱引擎根据该槽位确定对应的实体信息，即实现关系模板推导到实体模板的转变，并将该实体信息发送至图数据库。
[0076]
s1035.在所述图数据库中查询所述实体信息对应属性，若查询成功，则返回所述属性信息至所述知识图谱引擎中；
[0077]
此外，若查询失败，则返回查询失败信息至所述知识图谱引擎中；所述知识图谱引擎生成第二用户问题补全清单，并将所述第二用户问题补全清单通过所述第二智能客服服务器进行广播发送，以追加所述第二用户问题样本中的关键信息；获取所述追加的关键信息，并将所述关键信息进行词槽匹配，解析出所述关键信息对应的第二槽位；确定与所述关键信息对应的第二槽位匹配的第二实体信息，并将所述第二实体信息发送至所述图数据库中；在所述图数据库中查询所述第二实体信息对应属性，若查询成功则返回所述属性信息至所述知识图谱引擎中，以确定所述第二用户问题样本匹配的实体模板。
[0078]
s1036.根据所述属性信息，确定所述第二用户问题样本匹配的实体模板。
[0079]
匹配到实体模板后，即可输出该问题的答案。
[0080]
s104、接收到新用户的问题信息，将所述问题信息进行实体模板匹配，并在匹配成功后，输出所述问题的答案。
[0081]
在完成了问题样本训练阶段后，即可接入到实际的问答环节，在接收新用户的问题信息后，即可按照模板匹配方法，输出问题的答案。
[0082]
其中，在接收到新用户的问题信息，将所述问题信息进行实体模板匹配，具体可以为：
[0083]
基于所述用户属性参数，为所述用户分配最为匹配的智能客服服务器，通过所述匹配的智能客服服务器，将所述新用户的问题进行实体模板匹配。其中，该智能客服服务器可以根据用户的属性参数，例如用户ip地址、用户地域、擅长的商品类型、用户的年龄段和性别等为该用户个性化定制一个智能客服服务器。
[0084]
此外，如果该匹配的智能客服服务器为所述第一智能客服服务器，则本发明实施例还包括：
[0085]
若所述第一智能客服服务器未将所述新用户的问题进行实体模板匹配成功，则所述第一智能客服服务器将所述新用户的问题透发至离所述第一智能客服服务器最近的所述第二智能客服服务器，通过所述第二智能客服服务器进行实体模板匹配。由于前期训练时，第一智能客服服务器直接通过实体模板匹配的方式即可完成问答环节，相对于第二智能客服服务器而言，其智能化程度处于初级阶段，而第二智能客服服务器则处于相对高级阶段，既可以识别清晰的问题，也可以识别不清晰的问题，如果第一智能客服服务器提供的答案不准确，则需要立即切换为第二智能客服服务器(前提是第一智能客服服务器和第二客服服务器擅长的领域类似)为该用户进行客服沟通解答。
[0086]
此外，如图3所示，如果第二智能客服服务器提供不了相应的服务，例如，用户关注的产品领域发生了变化，或者用户并不满意当前客服的答复。则相应地，第二智能客服服务器会将与客户的问答记录保存，并分发至其他智能客服服务器中，再由相似领域的智能客服服务器进行问题响应，对于用户而言，之前的问答记录将由新的智能客服服务器完成后
续对话，同时也不需要再一次进行问题的问询，可实现无缝切换。
[0087]
此外，再本发明实施例中，可针对新问题的复杂度、用户咨询量、反馈好坏进行智能客服系统打分。如果打分较高则证明该系统反馈结果较好，否则需要再一次的问题样本训练。
[0088]
本发明实施例提供的方法，对于多词一义或一词多义的情况而言，既可以通过关系模板匹配，又可以通过实体模板匹配，其口语化的语言解析难度降低，可有效提升识别率。
[0089]
本发明实施例还包括一种系统，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
[0090]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令用于执行上述实施例中的方法。
[0091]
本发明实施例还提供一种系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
[0092]
图4为一个实施例中系统的硬件组成示意图。可以理解的是，图4仅仅示出了系统的简化设计。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本技术实施例的大数据管理方法的系统都在本技术的保护范围之内。
[0093]
存储器包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read至only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read至only memory，cd至rom)，该存储器用于相关指令及数据。
[0094]
输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
[0095]
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(central processing unit，cpu)，在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
[0096]
存储器用于存储网络设备的程序代码和数据。
[0097]
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
[0098]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，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。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，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0099]
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例方案的目的。
[0100]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至only memory，rom)，或随机存储存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半导体介质，例如，固态硬盘(solid state disk，ssd)等。
[0101]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。