客服会话调度方法及其装置、设备、介质、产品与流程

1.本技术涉及智能客服技术领域，尤其涉及一种客服会话调度方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。


背景技术：

2.在电商平台中，消费者用户经常通过第三方聊天工具或电商平台内置的聊天工具与商家用户进行售前咨询、售中查询、售后反馈等，电商平台的智能客服系统负责对消费者用户提出的问题进行响应，智能客服系统一般常供智能机器人响应和坐席用户响应两类方式，具体由智能客服系统根据实际情况进行调度。
3.由于即时聊天人数较多，不同顾客的问题类型不同，对于店家来说重要/紧急程度也不同。一般情况下，坐席用户会根据聊天列表的顺序依次回答，或根据坐席主观意愿进行问题解答。由于无法事先了解顾客问题内容、类型，难以有效地进行问题排序和优先解答。当商家有多个不同的坐席，不同坐席负责不同内容的问题解答时，系统无法自动为对话进行分流，需要由管理员进行人工分流处理，费时费力。
4.现有的方案中，一般通过系统添加排序功能，对对话按照时间进行筛选，从而减少顾客等待时间，或基于关键字进行手动筛选，此类处理方式效率较低，且无法实现对对话的智能化分流调度处理，无法真正有效降低消费者用户的等待时间，因此有待改进。


技术实现要素：

5.本技术的首要目的在于解决上述问题至少之一而提供一种客服会话调度方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
6.为满足本技术的各个目的，本技术采用如下技术方案：
7.适应本技术的目的之一而提供的一种客服会话调度方法，包括如下步骤：
8.获取智能客服系统中任意会话的对话数据，所述对话数据包括该会话的提问用户产生的提问文本及该系统产生的回复文本；
9.从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量；
10.计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签；
11.将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话。
12.深化的实施例中，从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量，包括如下步骤：
13.将所述对话数据中的提问文本与回复文本按照其创建的时间顺序进行有序拼接构成对话文本；
14.将所述对话文本进行预设的标准化预处理使其成为规范文本；
15.对所述规范文本进行分词处理，获得该规范文本的分词序列；
16.查询预设的词向量表，确定所述分词序列中各个分词相对应的词向量，获得所述规范文本相对应的词向量序列；
17.采用预先训练至收敛状态的文本提取模型参考上下文信息对所述词向量序列中的各个词向量提取其深层语义信息并映射到高维空间，获得与各个词向量相对应的语义向量。
18.深化的实施例中，计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签，包括如下步骤：
19.采用预设的相关性算法计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，该相关性矩阵包含每个语义向量映射到每个标签向量的相关系数；
20.根据所述相关系数，应用预设的投票算法计算所有语义向量映射到每一个所述的标签向量相对应的综合相关系数以代表所述对话数据属于各个标签向量的相关概率；
21.根据预设相关匹配条件进行筛选，确定所述相关概率最高的一个或多个标签向量为与全量语义向量最相关的标签向量，其所对应的标签为命中标签。
22.扩展的实施例中，计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵的步骤之前，包括如下步骤：
23.获取智能客服系统相对应的标签配置信息，所述标签配置信息包括标签与其一个或多个关键词之间的映射关系数据；
24.采用预先训练至收敛状态的标签编码模型对所述标签配置信息中的各个关键词进行编码，获得相对应的深层语义信息相对应的标签向量，将该标签向量存储于所述的标签库中。
25.深化的实施例中，将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，包括如下步骤：
26.查询各个预设的坐席接口相对应的标注标签，将标注标签完全包含所有命中标签的坐席接口确定为与该命中标签相对应的坐席接口；
27.建立被确定的坐席接口与确定了命中标签的对话数据相对应的会话的提问用户之间的数据通信链路，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话；
28.向该会话相对应的提问用户侧的聊天界面推送表征切换坐席用户的通知消息。
29.扩展的实施例中，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签的步骤之后，包括如下步骤：
30.响应任意坐席用户的会话管理请求，向其推送会话列表，所述会话列表包含智能客服系统正在进行的所有会话及其所述命中标签之间的映射关系数据；
31.接收该坐席用户指定的命中标签，更新所述会话列表，使该会话列表仅包含与该指定的命中标签相对应的会话；
32.响应该坐席用户选中所述会话列表中任意一个会话的参与请求，建立该坐席用户
与该会话的提问用户之间的数据通信链路，以由该坐席用户与该提问用户继续该会话。
33.适应本技术的目的之一而提供的一种客服会话调度装置，包括：数据获取模块、语义提取模块、标签确定模块，以及通信建立模块，其中，所述数据获取模块，用于获取智能客服系统中任意会话的对话数据，所述对话数据包括该会话的提问用户产生的提问文本及该系统产生的回复文本；所述语义提取模块，用于从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量；所述标签确定模块，用于计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签；所述通信建立模块，用于将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话。
34.深化的实施例中，所述语义提取模块，包括：文本拼接子模块，用于将所述对话数据中的提问文本与回复文本按照其创建的时间顺序进行有序拼接构成对话文本；文本规范子模块，用于将所述对话文本进行预设的标准化预处理使其成为规范文本；文本分词子模块，用于对所述规范文本进行分词处理，获得该规范文本的分词序列；分词编码子模块，用于查询预设的词向量表，确定所述分词序列中各个分词相对应的词向量，获得所述规范文本相对应的词向量序列；语义提取子模块，用于采用预先训练至收敛状态的文本提取模型参考上下文信息对所述词向量序列中的各个词向量提取其深层语义信息并映射到高维空间，获得与各个词向量相对应的语义向量。
35.深化的实施例中，所述标签确定模块，包括：矩阵构造子模块，用于采用预设的相关性算法计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，该相关性矩阵包含每个语义向量映射到每个标签向量的相关系数；系数综合子模块，用于根据所述相关系数，应用预设的投票算法计算所有语义向量映射到每一个所述的标签向量相对应的综合相关系数以代表所述对话数据属于各个标签向量的相关概率；标签命中子模块，用于根据预设相关匹配条件进行筛选，确定所述相关概率最高的一个或多个标签向量为与全量语义向量最相关的标签向量，其所对应的标签为命中标签。
36.扩展的实施例中，本技术的客服会话调度装置，还包括：配置获取模块，用于获取智能客服系统相对应的标签配置信息，所述标签配置信息包括标签与其一个或多个关键词之间的映射关系数据；标签提取模块，用于采用预先训练至收敛状态的标签编码模型对所述标签配置信息中的各个关键词进行编码，获得相对应的深层语义信息相对应的标签向量，将该标签向量存储于所述的标签库中。
37.深化的实施例中，所述通信建立模块，包括：坐席确定子模块，用于查询各个预设的坐席接口相对应的标注标签，将标注标签完全包含所有命中标签的坐席接口确定为与该命中标签相对应的坐席接口；链路建立子模块，用于建立被确定的坐席接口与确定了命中标签的对话数据相对应的会话的提问用户之间的数据通信链路，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话；通知推送子模块，用于向该会话相对应的提问用户侧的聊天界面推送表征切换坐席用户的通知消息。
38.扩展的实施例中，本技术的客服会话调度装置，还包括：初始推送子模块，用于响应任意坐席用户的会话管理请求，向其推送会话列表，所述会话列表包含智能客服系统正
在进行的所有会话及其所述命中标签之间的映射关系数据；更新推送子模块，用于接收该坐席用户指定的命中标签，更新所述会话列表，使该会话列表仅包含与该指定的命中标签相对应的会话；通话切换子模块，用于响应该坐席用户选中所述会话列表中任意一个会话的参与请求，建立该坐席用户与该会话的提问用户之间的数据通信链路，以由该坐席用户与该提问用户继续该会话。
39.适应本技术的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的客服会话调度方法的步骤。
40.适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的客服会话调度方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
41.适应本技术的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。
42.相对于现有技术，本技术的优势如下：
43.首先，本技术针对智能客服系统中的会话，通过将该会话对应的对话数据分词所得的语义向量与预设的标签的标签向量计算相关性矩阵，再根据相关性矩阵为对话数据匹配出与之满足预设匹配条件的标签，然后将对话数据按照其所属的标签进行分流，分配至与匹配该标签的坐席接口，使该会话的提问用户与该坐席接口之间建立数据通信连接，使坐席接口的坐席用户能够根据其预设的标签处于对应内容的会话，通过为会话智能自动匹配坐席接口而实现会话的自动分流调度，无需依赖人工分配，提升智能客服系统的服务成效，降低提问用户的等待分配坐席用户的时长，改善用户体验。
44.其次，本技术实际上通过标签发挥语义探针的作用允许智能客服系统通过设置语义探针而定义标签，标签可以通过配置而实时生效，可以指示各个对话的轻重缓急、不同功能、不同产品等，且可对会话进行实时识别，从而使坐席用户与会话之间可以关联于标签而实现匹配，避免了传统技术中完全依赖关键词的强规则匹配现象，可更好地召回语义相似但不包含关键词的会话，使智能客服系统的运行更为强健(robust)。
45.此外，本技术技术方案的实施，可使电商平台之类的大型客服场景能够免除大量的人力工作，省略了各个商家用户的管理员人工浏览对话，而节省相应的实施成本，取得规模化经济效用。
附图说明
46.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
47.图1为本技术的客服会话调度方法的典型实施例的流程示意图；
48.图2为本技术实施例中为对话数据提取出语义向量的流程示意图；
49.图3为本技术实施例中语义向量与标签向量匹配过程的流程示意图；
50.图4为本技术实施例中配置标签过程的流程示意图；
51.图5为本技术实施例中为会话调度坐席接口的过程的流程示意图；
52.图6为本技术实施例中由坐席用户筛选会话的过程的流程示意图；
53.图7为本技术的客服会话调度装置的原理框图；
54.图8为本技术所采用的一种计算机设备的结构示意图。
具体实施方式
55.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
56.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
57.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
58.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personal communications service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobile internet device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
59.本技术所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
60.需要指出的是，本技术所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本技术的网络部署方式的实施方式。
61.本技术的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
62.本技术中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。
63.本技术所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本技术的技术方案所调用即可。
64.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
65.本技术即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本技术的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
66.本技术的一种客服会话调度方法，可被编程为计算机程序产品，部署于客户端或服务器中运行而实现，例如在本技术的电商平台应用场景中，一般部署在服务器中实施，藉此可以通过访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程进行人机交互而执行该方法。
67.本技术示例性的一个应用场景，是基于独立站的电商平台中的应用，每个独立站即为电商平台的一个商户实例，拥有独立的访问域名，由其实际拥有者负责进行商品的发布和更新。
68.每个独立站的商户实例均可配置电商平台提供的智能客服系统实现引入智能客服机器人，利用智能客服系统用于为相关的消费者提问用户提供咨询服务，创建相应的会话，提问用户进入该会话相应的聊天界面，输入需要咨询的问题，作为提问文本，电商平台的智能客服系统接收该提问文本后，一种情况下，通过智能客服机器人，利用该提问文本与为该独立站预配置的知识库中的问题集进行语义匹配，匹配出与该提问文本在语义上最相近似的预设问题，根据该预设问题确定其所归属的问题集中的标准问题，然后，调用与该标准问题相映射的预先存储的答案集，确定出其中的一个预设答案作为目标答案，输出至该聊天界面中作为回复文本，借以应答消费者用户的提问，满足其咨询需求。另一种情况下，将该会话切换至坐席接口，使提问用户与坐席用户实现直接人工对话，由坐席用户针对提问用户提交的提问文本而给出相应的回复文本。此两种情况下，可由智能客服系统视具体
情况进行切换调度。以上两种情况可以由智能客服系统支持相互切换，且任意一种情况均可配置为智能客服系统的默认情况。
69.对于后一种情况，当存在多个所述的坐席接口即存在多个相应的坐席用户，在为会话分配对应的坐席接口之时，通常需要按照一定的方法对会话进行分流，使不同特点的会话被相应调度到不同的坐席接口，由不同的坐席用户负责回答用户提问。因此，对于以上所列的人工回复的后一种情况而言，调度会话是该应用场景中需要实现的功能之一。
70.参考以上揭示的应用场景，请参阅图1，本技术的客服会话调度方法在其典型实施例中，包括如下步骤：
71.步骤s1300、获取智能客服系统中任意会话的对话数据，所述对话数据包括该会话的提问用户产生的提问文本及该系统产生的回复文本：
72.对于每一个会话而言，提问用户与机器人或坐席用户之间在聊天界面交互所产生的聊天记录，包括提问用户提出的提问文本以及坐席用户或机器人自动回复的回复文本，通常存储于数据库中，构成该会话相应的对话数据。
73.一般而言，智能客服系统会并发响应不同提问用户的会话请求，而为每个提问用户创建相应的会话，因此，智能客服系统一般会同时维持多个所述的会话，而每个会话均会产生所述的对话数据。
74.当在客户端设备登录的消费者用户首次进入智能客服系统的聊天界面时，一般先出智能客服系统调用智能机器人予以初次响应，以便向该聊天界面发送欢迎信息等，消费者用户也即提问用户继而会向聊天界面输入其相关的提问文本，以期获得相应的回复文本。
75.所述的对话数据，可以是相应的会话的全量历史数据相对应的聊天记录，也可以是当前问答进行期间(一般是当天)相对应的聊天记录，具体可由本领域技术人员灵活确定。
76.步骤s1400、从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量：
77.首先将所述对话数据作为一个完整的文本，经预设的标准化预处理后进行分词，获得分词序列，然后采用预设的词向量表对分词进行编码获得各个分词的词向量，获得相应的词向量序列，再采用预设的神经网络模型对词向量序列提取其深层语义信息，最终获得各个词向量相对应的语义向量，所述语义向量便是对其相应的词向量的深层语义特征的表示。考虑到对话数据本身基于一问一答的形式而组织，因此，所述神经网络模型适宜采用具有上下文信息处理能力的相应模型，特别是添加了多头注意力机制的神经网络模型。关于本步骤的具体变通实现，本技术后续将提供更为详尽的实施方式，此处暂且从略。
78.步骤s1500、计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签：
79.智能客服系统预备有一个标签库，其中存储多个标签及用于描述该标签的一个或多个关键词的映射关系数据，所述标签及关键词一般由智能客服系统的管理用户负责创建、修改、删除更维护。一个具体的应用实例中，所述标签可以按照所涉事务的轻重缓急来划分，例如包括“较轻”、“严重”、“可暂缓”、“紧急”等标签，于是每个标签对应的关键词，可
以为描述具体的业务类型、业务场景、事务内容的词汇，例如对于“严重”这一标签，其关键词可以描述为“坏了”、“生气”、“质量问题”、“瑕疵”、“退货”等。同理，对于所述“紧急标签，其关键词可以对应为“退货”、“不买了”、“到期了”等。可见，标签库中的关键词用于描述和定义一个标签所起的作用，而所述标签本身则可起类型标示的作用。本领域技术人员自行设定类型划分标准，而设定多个标签，并使用该标签相应的关键词对该标签进行相应的描述和定义。以此为原理，另一种实施例中，所述标签也可以按照电商订单所涉的业务环节加以划分，例如按照“售前”、“售中”、“售后”不同阶段来划分，由此方便对坐席用户进行按订单业务环节进行管理。诸如此类，本领域技术人员均可灵活实现。
80.对于所述标签库中的标签，可以采用已经预先训练至收敛状态的神经网络模型对其相应的关键词提取深层语义信息并构造为标签向量，这一标签向量可以实时实施提取，也可以预先提取并存储于该标签库中供调用。总之，通过标签向量可以实现对相应的标签的关键词进行语义表征，从而方便智能客服系统使用标签向量进行语义匹配。
81.对于一个会话的对话数据所确定的全量语义向量而言，可以采用预设的相关性算法，将其与全量标签相对应的标签向量进行相关性计算，从而获得相关性矩阵。所述的相关性算法，可以采用诸如余弦相似度算法、欧氏距离、皮尔逊相关系数、杰卡德算法等等任意一种用于计算数据距离的算法来实现。经相关性算法计算后，全量语义向量与全量标签向量之间，每个语义向量与每个标签向量之间均可确定一个对应的相关系数，据此，统计出全量语义向量映射至每个标签向量的归一化的综合相关系数，便可根据各个标签向量的综合相关系数，采用预设的相关匹配条件来确定出与全量语义向量最为相关的一个或多个标签向量，这些标签向量相对应的标签，便是所述会话的对话数据对应的命中标签。
82.所述相关匹配条件可以被预设为在所有综合相关系数中采用最大值，由此，该最大值相对应的标签即为所述的命中标签；也可以被预设为一个用于筛选所有综合相关系数的预设阈值，由此，综合相关系数大于该预设阈值的标签向量相对应的标签即为所述的命中标签。
83.步骤s1600、将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话：
84.智能客服系统中，为每个坐席接口预先配置了所述标签库中的标签，例如一个坐席用户的坐席接口被配置为关联“紧急”、“重要”这两个标签，后续如果一个会话的命中标签与这一坐席接口预先标注的标签相匹配，则可该会话分配给该坐席接口处理。
85.当一个会话的对话数据确定了其相对应的命中标签之后，可根据预设的匹配策略，从所有坐席接口中查找到与该命中标签相匹配的坐席接口，具体根据该匹配策略而定。例如，一种实施例中，该匹配策略被配置为坐席接口的标注标签完全包含该会话的所有命中标签时，即视为两者实现匹配，从而，该会话便可分流给该坐席接口处理。另一实施例中，该匹配策略被配置为坐席接口的标注标签之一与会话的命中标签之一相一致时，也可将该会话分流给该坐席接口处理。
86.可见，本技术开放有诸多灵活配置，方便智能客服系统的后台进行灵活设置，包括灵活设定所述的匹配策略、灵活设定所述的相关匹配条件等，为配置智能客服系统的相关商家用户开放了更为丰富的功能。
87.当一个会话被分配给一个相匹配的坐席接口之后，智能客服系统便建立起该会话
的提问用户与该坐席接口相对应的坐席用户之间的数据通信链路，在提问用户的聊天界面上，后续将显示所述坐席用户的回复文本，而不再显示机器人的自动回复文本，因此，实际上将该会话从机器人自动应答模式切换到人工客服模式。
88.当存在多个所述的坐席接口，并且并发大量的提问用户交互时，智能客服系统通过本技术以上各个步骤的过程，可以分别为各个提问用户的会话实时调度相匹配的坐席接口，无需人工干预却能实现精准的应答任务分配，非常高效。
89.根据以上的典型实施例及其变通实施例的揭示，可以知晓，本技术的技术方案存在多方面的积极效果，包括但不限于如下各方面：
90.首先，本技术针对智能客服系统中的会话，通过将该会话对应的对话数据分词所得的语义向量与预设的标签的标签向量计算相关性矩阵，再根据相关性矩阵为对话数据匹配出与之满足预设匹配条件的标签，然后将对话数据按照其所属的标签进行分流，分配至与匹配该标签的坐席接口，使该会话的提问用户与该坐席接口之间建立数据通信连接，使坐席接口的坐席用户能够根据其预设的标签处于对应内容的会话，通过为会话智能自动匹配坐席接口而实现会话的自动分流调度，无需依赖人工分配，提升智能客服系统的服务成效，降低提问用户的等待分配坐席用户的时长，改善用户体验。
91.其次，本技术实际上通过标签发挥语义探针的作用允许智能客服系统通过设置语义探针而定义标签，标签可以通过配置而实时生效，可以指示各个对话的轻重缓急、不同功能、不同产品等，且可对会话进行实时识别，从而使坐席用户与会话之间可以关联于标签而实现匹配，避免了传统技术中完全依赖关键词的强规则匹配现象，可更好地召回语义相似但不包含关键词的会话，使智能客服系统的运行更为强健(robust)。
92.此外，本技术技术方案的实施，可使电商平台之类的大型客服场景能够免除大量的人力工作，省略了各个商家用户的管理员人工浏览对话，而节省相应的实施成本，取得规模化经济效用。
93.请参阅图2，深化的实施例中，所述步骤s1400、从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量，包括如下步骤：
94.步骤s1410、将所述对话数据中的提问文本与回复文本按照其创建的时间顺序进行有序拼接构成对话文本：
95.在智能客服系统中，所述的对话数据的提问文本及回复文本均按其产生时间即创建时间进行组织，并且这一时间实际上也对上下文关系起指导作用，因此，可按照创建的时间，将对话数据中的提问文本、回复文本有序拼接为同一个连续文本，构成对话文本。
96.步骤s1420、将所述对话文本进行预设的标准化预处理使其成为规范文本：
97.继而，按照预设的标准化预处理程序，对所述对话文本进行格式预处理，包括例如去除语气词、助词等停用词，去除空格，去除标点为符号、表情、噪声信息等，例如输入文本“为什么我的快递到现在还没到啊啊啊？？？”，经预处理后，获得“为什么我的快递到现在还没到”这一文本，经预处理后的文本，即为规范文本。
98.步骤s1430、对所述规范文本进行分词处理，获得该规范文本的分词序列：
99.进一步，采用预设的分词模型对所述规范文本进行分词处理，所述分词模型可以采用基于统计的机器学习算法或基于词典分词的算法，例如hmm、crf、svm以及诸如lstm
crf、bert crf之类基础模型构建的深度学习算法等，本领域技术人员可以灵活实施，通过对规范文本分词处理获得包含由规范文本中的全量分词构成的分词序列。
100.步骤s1440、查询预设的词向量表，确定所述分词序列中各个分词相对应的词向量，获得所述规范文本相对应的词向量序列：
101.继而，对所述分词序列进行向量编码，具体可通过查询词向量表来将其中的每个分词转换为词向量表示，从而获取该分词序列相对应的词向量序列。所述的词向量表是预训练获得的，可以是bert、word2vec、glove、fasttext、elmo等已知预训练模型所获得的词向量表，本领域技术人员可以灵活选用。
102.步骤s1450、采用预先训练至收敛状态的文本提取模型参考上下文信息对所述词向量序列中的各个词向量提取其深层语义信息并映射到高维空间，获得与各个词向量相对应的语义向量：
103.最后，采用一个预选训练至收敛状态的适于对所述词向量序列提取其深层语义信息的文本提取模型，该模型可以采用bert、rnn、cnn等基础模型构建，特别是采用具有多头注意力机制的基础模型构建，例如bert、electra、transformer、lstm、bilstm等，由此添加了多头注意力机制，可以在进行语义提取的过程中充分参考词向量之间的上下文信息，获得更为有效的表示学习效果。对于此类模型，经采用足量的训练数据集对其进行训练，使其习得对所述词向量序列提取深层语义信息并映射到高维空间的能力，针对词向量序列所获得的高维向量序列，即为语义向量序列，其中包含与各个词向量相对应的语义向量，每个语义向量均为对一个相应的词向量在深层语义上的表征。至此，便实现了对对话数据的深层语义表示，后续可据此参与与标签向量的匹配过程。
104.本实施例通过对会话的对话数据进行更为具体的语义处理，实现对对话数据在深层语义上的表征，由于在进行语义提取的过程中参考了对话数据的上下文信息，因此，所获得的语义向量具有更为有效的特征表示能力，有助于指导其与标签向量的匹配，从而提升匹配精准度。
105.请参阅图3，深化的实施例中，所述步骤s1500、计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签，包括如下步骤：
106.步骤s1510、采用预设的相关性算法计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，该相关性矩阵包含每个语义向量映射到每个标签向量的相关系数：
107.如前所述，所述的相关性算法，可以采用诸如余弦相似度算法、欧氏距离、皮尔逊相关系数、杰卡德算法等等任意一种用于计算数据距离的算法来实现。例如，本实施例中采用余弦相似度算法来作为预设的相关性算法，计算每个标签向量与每个语义向量之间的相似度数值，作为相关系数，从而获得一个相关性矩阵，该相关性矩阵中，一个维度用于对应表示各个所述的标签向量，另一维度用于对应表示各个所述的语义向量，每个元素相应表示其相对应的标签向量与其相对应的语义向量之间的相关系数。
108.步骤s1520、根据所述相关系数，应用预设的投票算法计算所有语义向量映射到每一个所述的标签向量相对应的综合相关系数以代表所述对话数据属于各个标签向量的相关概率：
109.不难理解，所述相关性矩阵中，对于每个标签向量而言，将其对应每个语义向量的相关系数进行汇总，获得一个综合相关系数，便可以该综合相关系数指示对话数据的全量语义向量映射到该标签向量的相关概率。汇总的方式可以是对全量语义向量对应于该标签向量的相关系数取均值或者取总和，只要将其归一化为一个标准的数值空间例如[0,1]以便于与其他综合相关系数进行比较即可。在具体实施时，可通过一个池化层来处理。由此，可获得一个全量标签向量相对应的综合相关系数序列，该序列中的每个综合相关系数，表示所述对话数据属于当前综合相关系数相对应的标签的相关概率。
[0110]
步骤s1530、根据预设相关匹配条件进行筛选，确定所述相关概率最高的一个或多个标签向量为与全量语义向量最相关的标签向量，其所对应的标签为命中标签：
[0111]
如前所述，可以预设一个相关匹配条件对所述的相关性矩阵进行筛选，例如该相关匹配条件给定一个预设阈值，将所述综合相关系数序列中的每个综合相关系数与该预设阈值进行比较，去降低于该预设阈值的综合相关系数，仅保留高于该预设阈值的综合相关系数，这些被保留的综合相关系数所对应的标签，可能包括一个或多个，即可被确定为本技术的命中标签，也即所述全量语义向量所属的对话数据相对应的命中标签。确定了该些命中标签，便可用于为对话数据相应的会话匹配坐席接口。
[0112]
本实施例中，采用相关性矩阵用于为会话相对应的语义向量匹配出标签，方便进一步根据标签为会话匹配坐席接口，其计算量小，计算快速，特别适于高并发场景下，对海量的会话提供高效的计算效率，从而提升智能客服系统为会话分配坐席接口的响应速率。不同于现有技术中依赖关键词进行强规则匹配的情况，基于深层语义信息进行语义匹配的过程，能使智能客服系统具有更高的鲁棒性(robust)。
[0113]
请参阅图4，扩展的实施例中，所述步骤s1500中，计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵的步骤之前，包括如下步骤：
[0114]
步骤s1100、获取智能客服系统相对应的标签配置信息，所述标签配置信息包括标签与其一个或多个关键词之间的映射关系数据：
[0115]
为便于智能客服系统的后台管理用户进行日常的维护，智能客服系统在后台开放管理用户的维护功能，向管理用户提供一个配置页面，用于获取标签配置信息。所述的标签配置信息，允许所述管理用户对所述标签库中的标签进行描述和定义，由该管理用户通过该标签配置信息提供标签及用于描述、定义该标签的一个或多个关键词，从而及时更新所述的标签库中的内容。
[0116]
如前所述，标签是按照一定的类型划分标准进行划分的，对应的，可通过一个或多个所述的关键词对其进行描述，标签与关键词之间构成映射关系数据，被提交至智能客服系统中进行关联存储。
[0117]
步骤s1200、采用预先训练至收敛状态的标签编码模型对所述标签配置信息中的各个关键词进行编码，获得相对应的深层语义信息相对应的标签向量，将该标签向量存储于所述的标签库中：
[0118]
进一步，采用一个预先训练至收敛状态的标签编码模型对所述标签配置信息中的各个关键词进行编码获得相应的标签向量，其具体过程可以是先通过查询预设的词向量表将标签的各个关键词转换为相应的词向量，获得词向量序列，然后由所述标签编码模型基于该词向量序列中的各个词向量提取深层语义信息并映射到高维空间而获得相应的标签
向量，这一标签向量可以关于相应的标签一并存储于所述的标签库中。
[0119]
与文本提取模型同理，所述的标签编码模型可以采用bert、rnn、cnn等基础模型构建，或者进一步采用具有多头注意力机制的基础模型构建，例如bert、electra、transformer、lstm、bilstm等。然后经足充训练数据集训练至收敛状态，使其适于对标签相对应的关键词进行表示学习即可。由于文本提取模型与标签编码模型的实现基本同理，因此，在一个变通的实施例中，两者可以为同一神经网络模型，由此可进一步节省训练成本。
[0120]
需要注意的是，本实施例不必依赖于步骤s1300和步骤s1400的先执行，两者属于可并发步骤。
[0121]
本实施例中，为智能客服系统接入了标签配置功能，使其方便进行标签库的维护，方便商家用户及时更新标签库中的标签，并且由于标签库中标签的配置与其标签向量的调用在技术上相解耦，因此，所添加的标签也可即时生效，从而提升智能客服系统的智能化程度。
[0122]
请参阅图5，深化的实施例中，所述步骤s1600、将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，包括如下步骤：
[0123]
步骤s1610、查询各个预设的坐席接口相对应的标注标签，将标注标签完全包含所有命中标签的坐席接口确定为与该命中标签相对应的坐席接口：
[0124]
如前所述，商家用户可以在其智能客服系统的后台，为各个坐席用户相对应的坐席接口预先关联所述标签库中的标签，使其成为坐席接口相对应的标注标签，以指示坐席用户适于处理的标签相对应的会话。
[0125]
由此，为了实现所述对话数据相对应的会话的分流，首先需要先查询各个坐席接口所携带的标注标签，本实施例中，依据预设的匹配策略，当一个坐席接口所携带的标注标签完全包含一个会话的所有命中标签时，便将该坐席接口确定为与该命中标签相对应的坐席接口。
[0126]
步骤s1620、建立被确定的坐席接口与确定了命中标签的对话数据相对应的会话的提问用户之间的数据通信链路，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话：
[0127]
所述的会话，其原始状态为智能客服系统的机器人与提问用户进行数据通信的状态，在确定了所述的坐席接口之后，便可由该系统进一步将该会话分配给该已确定的坐席接口，建立该坐席接口与该提问用户之间的数据通信链路，使该坐席接口的坐席用户可以直接与该提问用户进行即时通信，从而实现从机器人切换到人工客服，由该坐席用户与该提问用户继续该会话。
[0128]
步骤s1630、向该会话相对应的提问用户侧的聊天界面推送表征切换坐席用户的通知消息：
[0129]
为了便于提问用户知悉智能客服系统的响应机制，可构造一个表征切换坐席用户的通知消息，将该通知消息推送至所述提问用户的用户侧的聊天界面中显示。
[0130]
本实施例进一步完善了智能客服系统为会话调度坐席接口的业务闭环，允许智能客服系统通过在后台为坐席接口配置标注标签，在确定了会话的命中标签之后，利用命中标签与标注标签的匹配情况，为会话匹配相应的坐席接口，由于这一过程实时处理，因此，活力了管理员人工浏览会话、将会话分配给坐席用户进行处理的过程，实现为降本增效。
[0131]
请参阅图6，扩展的实施例中，所述步骤s1500中，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签的步骤之后，包括如下步骤：
[0132]
步骤s1700、响应任意坐席用户的会话管理请求，向其推送会话列表，所述会话列表包含智能客服系统正在进行的所有会话及其所述命中标签之间的映射关系数据：
[0133]
本实施例进一步提供由坐席用户自行选取其适于处理的会话的机制，由此，坐席用户可以向智能客服系统发起一个会话管理请求，智能客服系统响应该请求而向该坐席用户推送系统当前存在的会话列表，该会话列表中包括智能客服系统正在进行的所有会话及其所述命中标签之间的映射关系数据，被一并展示于该坐席用户所在的客户端设备的图形用户界面中供坐席用户查阅。
[0134]
步骤s1800、接收该坐席用户指定的命中标签，更新所述会话列表，使该会话列表仅包含与该指定的命中标签相对应的会话：
[0135]
当坐席用户想要处理某一命中标签相对应的会话时，可在其图形用户界面中选中会话列表提供的一个命中标签，提交给智能客服系统，用于指示智能客服系统为其过滤会话。智能客服系统于是根据该指定的命中标签过滤出新的会话列表，使该会话列表仅包含与该指定的命中标签相对应的会话。同理，更新后的会话列表也被推送至用户侧的图形用户界面中显示。
[0136]
步骤s1900、响应该坐席用户选中所述会话列表中任意一个会话的参与请求，建立该坐席用户与该会话的提问用户之间的数据通信链路，以由该坐席用户与该提问用户继续该会话：
[0137]
在所述会话列表的基础上，该坐席用户可以该会话列表中的任意一个会话，从而触发参与请求发送给智能客服系统，于是智能客服系统据此建立该坐席用户与该会话的提问用户之间的数据通信链路，由此持续该会话，由该坐席用户应答所述提问用户的提问，实现人工客服接入。
[0138]
需要提请注意的是，本实施例的各步骤可以与所述步骤s1600并发处理，本实施例的执行，无需依赖于所述步骤s1600的执行。
[0139]
本实施例的实施，为坐席用户开放自行过滤适合其自身处理的会话的功能，使得坐席用户可以根据其主观选中的命中标签而获取适于其自身处理的会话列表，使坐席用户回复消费者用户的消息时更为主次，更能掌握主动权，从而提升智能客服系统的应答效率。
[0140]
请参阅图7，适应本技术的目的之一而提供的一种客服会话调度装置，是对本技术的客服会话调度方法的功能化体现，该装置包括：包括：数据获取模块1300、语义提取模块1400、标签确定模块1500，以及通信建立模块1600，其中，所述数据获取模块1300，用于获取智能客服系统中任意会话的对话数据，所述对话数据包括该会话的提问用户产生的提问文本及该系统产生的回复文本；所述语义提取模块1400，用于从所述对话数据中提取出其中的各个分词相对应的词向量的深层语义信息，获得各个词向量相对应的语义向量；所述标签确定模块1500，用于计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，根据相关性矩阵确定与全量语义向量满足预设相关匹配条件的标签向量所对应的标签作为命中标签；所述通信建立模块1600，用于将确定了命中标签的对话数据相对应的会话接入与所述命中标签相对应的坐席接口，以由该坐席接口相应的坐席
用户与所述的会话的提问用户继续该会话。
[0141]
深化的实施例中，所述语义提取模块1400，包括：文本拼接子模块，用于将所述对话数据中的提问文本与回复文本按照其创建的时间顺序进行有序拼接构成对话文本；文本规范子模块，用于将所述对话文本进行预设的标准化预处理使其成为规范文本；文本分词子模块，用于对所述规范文本进行分词处理，获得该规范文本的分词序列；分词编码子模块，用于查询预设的词向量表，确定所述分词序列中各个分词相对应的词向量，获得所述规范文本相对应的词向量序列；语义提取子模块，用于采用预先训练至收敛状态的文本提取模型参考上下文信息对所述词向量序列中的各个词向量提取其深层语义信息并映射到高维空间，获得与各个词向量相对应的语义向量。
[0142]
深化的实施例中，所述标签确定模块1500，包括：矩阵构造子模块，用于采用预设的相关性算法计算预设的标签库中各个标签相对应的标签向量与各个所述的语义向量之间的相关性矩阵，该相关性矩阵包含每个语义向量映射到每个标签向量的相关系数；系数综合子模块，用于根据所述相关系数，应用预设的投票算法计算所有语义向量映射到每一个所述的标签向量相对应的综合相关系数以代表所述对话数据属于各个标签向量的相关概率；标签命中子模块，用于根据预设相关匹配条件进行筛选，确定所述相关概率最高的一个或多个标签向量为与全量语义向量最相关的标签向量，其所对应的标签为命中标签。
[0143]
扩展的实施例中，本技术的客服会话调度装置，还包括：配置获取模块，用于获取智能客服系统相对应的标签配置信息，所述标签配置信息包括标签与其一个或多个关键词之间的映射关系数据；标签提取模块，用于采用预先训练至收敛状态的标签编码模型对所述标签配置信息中的各个关键词进行编码，获得相对应的深层语义信息相对应的标签向量，将该标签向量存储于所述的标签库中。
[0144]
深化的实施例中，所述通信建立模块1600，包括：坐席确定子模块，用于查询各个预设的坐席接口相对应的标注标签，将标注标签完全包含所有命中标签的坐席接口确定为与该命中标签相对应的坐席接口；链路建立子模块，用于建立被确定的坐席接口与确定了命中标签的对话数据相对应的会话的提问用户之间的数据通信链路，以由该坐席接口相应的坐席用户与所述的会话的提问用户继续该会话；通知推送子模块，用于向该会话相对应的提问用户侧的聊天界面推送表征切换坐席用户的通知消息。
[0145]
扩展的实施例中，本技术的客服会话调度装置，还包括：初始推送子模块，用于响应任意坐席用户的会话管理请求，向其推送会话列表，所述会话列表包含智能客服系统正在进行的所有会话及其所述命中标签之间的映射关系数据；更新推送子模块，用于接收该坐席用户指定的命中标签，更新所述会话列表，使该会话列表仅包含与该指定的命中标签相对应的会话；通话切换子模块，用于响应该坐席用户选中所述会话列表中任意一个会话的参与请求，建立该坐席用户与该会话的提问用户之间的数据通信链路，以由该坐席用户与该提问用户继续该会话。
[0146]
为解决上述技术问题，本技术实施例还提供计算机设备。如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种客服会话调度方法。该计算机设备的处理器用于提供计算和控制能
力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本技术的客服会话调度方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8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。
[0147]
本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术的客服会话调度装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0148]
本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的客服会话调度方法的步骤。
[0149]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
[0150]
本领域普通技术人员可以理解实现本技术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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等计算机可读存储介质，或随机存储记忆体(random access memory，ram)等。
[0151]
综上所述，本技术能够全面提升智能客服系统的智能化程度，根据会话的对话数据与预设标签在语义上的关联程度而实现会话与坐席接口的精准匹配，提升智能客服系统的分流调度效率，为提问用户节省等待时长，为配置智能客服系统的商家用户降本增效。
[0152]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0153]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。