一种智能应答的方法和装置与流程

本发明涉及人工智能技术领域，特别涉及一种智能应答的方法和装置。

背景技术

伴随着人工智能的发展以及机器学习的不断成熟，原本处在学术研究阶段的机器学习技术变得切实可行，逐渐被应用在各种实际工作和生活场景，在这种趋势的演化下，很多繁琐、重复的人工岗位将逐步被智能机器/系统所取代。

智能应答是一种通过人工智能和机器学习实现的，用来替代一部分人力成本解决繁琐的问答工作的方法。目前智能应答被广泛运用在大量领域，如企业客服、聊天娱乐、来电回复等，大大降低了人力成本，为用户带来了便利。然而，现阶段的智能应答系统的整体成效还远未达到预期，经常需要过多的人工干预，并且需要人工采集数据来进行模型训练，导致远远无法满足各个领域对智能应答的需求。故而，目前亟需一种无需人工过多干预，能够自主学习，可以精准应答的智能应答方法。

技术实现要素：

为了解决现有技术的问题，本发明实施例提供了一种智能应答的方法和装置。所述技术方案如下：

第一方面，提供了一种智能应答的方法，所述方法包括：

周期性根据应答记录和预设资料集训练应答模型库中的应答模型；

当接收到客户端发送的会话信息时，在所述应答模型库中确定并调用目标应答模型；

通过所述目标应答模型生成所述会话信息的应答信息，向所述客户端反馈所述应答信息，并添加所述会话信息和所述应答信息至所述应答记录中。

可选的，所述周期性根据应答记录和预设资料集训练应答模型库中的应答模型，包括：

周期性从应答记录中提取问答组数据，并从预设资料集中提取应答模型库中应答模型的预设应答数据对应的问题数据，其中，所述问答组数据包括提问数据和所述提问数据对应的应答数据；

对所述问答组数据和所述问题数据进行数据预处理，并将处理后的问答组数据和问题数据添加至模型训练语料库；

周期性基于所述模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型。

可选的，对所述问答组数据和所述问题数据进行数据预处理，包括：

对所述问答组数据和所述问题数据进行分词处理，并基于预设的文本数值转化规则将分词得到的词组转换为空间向量。

可选的，所述周期性基于所述模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型，包括：

周期性获取所述模型训练语料库中的新增数据，将所述新增数据按比例随机分为训练数据、测试数据和验证数据；

分别基于所述训练数据、测试数据和验证数据，通过多层神经网络对所述应答模型库中的应答模型进行训练、测试和验证处理。

可选的，所述当接收到客户端发送的会话信息时，在所述应答模型库中确定并调用目标应答模型，包括：

当接收到客户端发送的会话信息时，确定所述会话信息所属的应答领域；

在所述应答模型库中确定并调用所述应答领域对应的目标应答模型。

可选的，所述通过所述目标应答模型生成所述会话信息的应答信息，包括：

对所述会话信息进行数据转换生成模型输入数据；

在所述目标应答模型提供的预设提问数据中选取与所述模型输入数据最匹配的目标提问数据；

将所述目标提问数据对应的预设应答数据作为所述会话信息的应答信息。

可选的，所述方法还包括：

如果所述目标提问数据与所述模型输入数据的匹配度低于预设匹配度阈值，则向预设的人工应答端口提供所述会话信息。

可选的，所述向所述客户端反馈所述应答信息之后，还包括：

如果接收到所述客户端发送的携带有所述会话信息的人工应答请求，则将所述会话信息和所述应答信息标记为待检验会话记录。

第二方面，提供了一种智能应答的装置，所述装置包括：

训练模块，用于周期性根据应答记录和预设资料集训练应答模型库中的应答模型；

调用模块，用于当接收到客户端发送的会话信息时，在所述应答模型库中确定并调用目标应答模型；

反馈模块，用于通过所述目标应答模型生成所述会话信息的应答信息，向所述客户端反馈所述应答信息，并添加所述会话信息和所述应答信息至所述应答记录中。

可选的，所述训练模块，具体用于：

周期性从应答记录中提取问答组数据，并从预设资料集中提取应答模型库中应答模型的预设应答数据对应的问题数据，其中，所述问答组数据包括提问数据和所述提问数据对应的应答数据；

对所述问答组数据和所述问题数据进行数据预处理，并将处理后的问答组数据和问题数据添加至模型训练语料库；

周期性基于所述模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型。

可选的，所述训练模块，具体用于：

对所述问答组数据和所述问题数据进行分词处理，并基于预设的文本数值转化规则将分词得到的词组转换为空间向量。

可选的，所述训练模块，具体用于：

周期性获取所述模型训练语料库中的新增数据，将所述新增数据按比例随机分为训练数据、测试数据和验证数据；

分别基于所述训练数据、测试数据和验证数据，通过多层神经网络对所述应答模型库中的应答模型进行训练、测试和验证处理。

可选的，所述调用模块，具体用于：

当接收到客户端发送的会话信息时，确定所述会话信息所属的应答领域；

在所述应答模型库中确定并调用所述应答领域对应的目标应答模型。

可选的，所述反馈模块，具体用于：

对所述会话信息进行数据转换生成模型输入数据；

在所述目标应答模型提供的预设提问数据中选取与所述模型输入数据最匹配的目标提问数据；

将所述目标提问数据对应的预设应答数据作为所述会话信息的应答信息。

可选的，所述装置还包括：

人工应答模块，用于如果所述目标提问数据与所述模型输入数据的匹配度低于预设匹配度阈值，则向预设的人工应答端口提供所述会话信息。

可选的，所述装置还包括：

标记模块，用于如果接收到所述客户端发送的携带有所述会话信息的人工应答请求，则将所述会话信息和所述应答信息标记为待检验会话记录。

第三方面，提供了一种智能应答设备，所述智能应答设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的智能应答的方法。

第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的智能应答的方法。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例中，周期性根据应答记录和预设资料集训练应答模型库中的应答模型；当接收到客户端发送的会话信息时，在应答模型库中确定并调用目标应答模型；通过目标应答模型生成会话信息的应答信息，向客户端反馈应答信息，并添加会话信息和应答信息至应答记录中。这样，定期整理应答记录和预设资料集来训练完善应答模型，当存在应答需求时自动通过应答模型来进行智能应答，同时将应答记录作为应答模型的训练素材，从而可以实现无需人工过多干预，能够自主学习，可以精准应答的智能应答处理。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1是本发明实施例提供的一种智能应答的方法流程图；

图2是本发明实施例提供的一种智能应答的完整处理示意图；

图3是本发明实施例提供的一种智能应答的装置结构示意图；

图4是本发明实施例提供的一种智能应答的装置结构示意图；

图5是本发明实施例提供的一种智能应答的装置结构示意图；

图6是本发明实施例提供的一种智能应答设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种智能应答的方法，该方法的执行主体可以是智能应答设备，智能应答设备可以是任意业务提供商的后台服务器，也可以是用于聊天的智能机器人，还可以是其它具备智能应答功能的设备。智能应答设备可以通过内置的应答模型库中的应答模型来进行应答响应，同时还可以通过不断训练完善应答模型。此外，智能应答设备还提供有人工应答功能，在必要时刻，可以由人工来辅助完成部分应答任务。智能应答设备可以包括处理器、存储器、收发器，处理器可以用于进行下述流程中对于智能应答的处理，存储器可以用于存储处理过程中需要的数据以及产生的数据，如预设资料集、应答记录等，收发器可以用于接收和发送处理过程中的相关数据，如用于接收会话信息，反馈应答信息等。本实施例中以智能应答设备为业务提供商的后台服务器为例进行说明，其它情况与之类似，必要处会具体解释。

下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：

步骤101，周期性根据应答记录和预设资料集训练应答模型库中的应答模型。

在实施中，智能应答设备中可以设置有应答模型库，应答模型库中可以包含有大量用于智能应答的应答模型，这些应答模型可以用于执行不同领域内的智能应答任务。智能应答设备可以周期性根据本地产生的应答记录，和预设资料集来对应答模型库中的应答模型进行训练，通过机器学习来不断调整和完善应答模型的应答规则，从而提高智能应答的准确性和丰富度。此处的预设资料集可以是智能应答设备按照预设规则的从网络上爬取并过滤后得到的，预设资料集中可以包含文档、图片、视频等多种格式的数据资料。

可选的，步骤101中训练应答模型的处理具体可以如下：周期性从应答记录中提取问答组数据，并从预设资料集中提取应答模型库中应答模型的预设应答数据对应的问题数据；对问答组数据和问题数据进行数据预处理，并将处理后的问答组数据和问题数据添加至模型训练语料库；周期性基于模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型。

其中，问答组数据包括提问数据和提问数据对应的应答数据。

在实施中，智能应答设备在训练应答模型的过程中，可以周期性从应答记录中提取问答组数据，问答组数据中可以包含提问数据和提问数据对应的应答数据，不难理解，提问数据即用户通过客户端发来的问题，而应答数据则是智能应答设备通过应答模型针对问题所作的回复。同时，智能应答设备还可以按照应答模型库中应答模型的预设应答数据，从预设资料集中提取对应的问题数据，此处的预设应答数据可以是应答模型中的标准应答数据，应答模型可以针对不同形式的提问数据反馈同一预设应答数据，例如，对于“发货时间？”、“什么时候发货？”、“多久发货？”等多种形式的提问数据，应答模型均可以输出预设应答数据：“下单后2小时内发货”作为反馈，故而，智能应答设备在使用预设资料集来训练应答模型时，可以以应答模型的预设应答数据为标准，仅提取预设应答数据对应的不同形式的问题数据。

之后，智能应答设备可以对提取出的问答组数据和问题数据进行数据预处理，将这些数据的格式转换为适合进行模型训练的格式，并可以将处理后的问答组数据和问题数据添加至模型训练语料库中。具体的，智能应答设备可以对问答组数据和问题数据进行分词处理，将长句拆分为多个词组，然后可以基于预设的文本数值转化规则，将拆分得到的多个词组转换为适合于模型训练的空间向量。这样，智能应答设备可以周期性使用模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型，从而结合现阶段的算法语言可以训练出包含语义理解、多轮对话及情感分析等功能的应答模型。在训练过程中，智能应答设备可以周期性获取模型训练语料库中当前周期内的新增数据，然后将新增数据按照比例随机分为训练数据、测试数据和验证数据。之后，智能应答设备可以分别基于所述训练数据、测试数据和验证数据，通过多层神经网络对所述应答模型库中的应答模型进行训练、测试和验证处理，从而实现对应答模型的参数的不断调节和完善。需要说明的是，上述提取问答组数据、问题数据的周期与训练应答模型的周期的持续时长和起始点可以相同，也可以不同。

步骤102，当接收到客户端发送的会话信息时，在应答模型库中确定并调用目标应答模型。

在实施中，用户可以在客户端上安装智能应答应用，通过该智能应答应用可以与智能应答设备进行智能会话，此处的客户端可以是计算机、手机、平板等任意具备数据交互功能的网络设备。当用户使用客户端发起与智能应答设备的会话时，智能应答设备可以接收到客户端发送的会话信息，之后，智能应答设备可以在本地设置的应答模型库中确定负责本次会话任务的目标应答模型，并调用该目标应答模型。可以理解，应答模型库中包含有多个应答模型，每个应答模型可以用于执行不同应答领域内的智能应答任务，故而在接收到上述会话信息后，智能应答设备可以先根据会话信息确定本次智能应答任务所属的应答领域，然后在应答模型库中选取并调用该应答领域对应的应答模型。

步骤103，通过目标应答模型生成会话信息的应答信息，向客户端反馈应答信息，并添加会话信息和应答信息至应答记录中。

在实施中，智能应答设备在调用了目标应答模型之后，可以通过目标应答模型生成会话信息的应答信息，然后将应答信息反馈给客户端。同时，智能应答设备还可以将本次客户端发来的会话信息和上述应答信息添加至应答记录中，以便于后续可以基于本次会话内容对应答模型库中的应答模型进行进一步的训练。值得一提的是，客户端在与智能应答设备的一次会话过程中，往往会进行多次会话信息和应答信息的发送和反馈，故而为了简化应答记录的添加处理，可以将一次会话过程中的所有会话信息和应答信息统一添加至应答记录，因此可以设定如果在向客户端反馈应答信息后的预设时长内未接收到该客户端发送的新的会话信息，智能应答设备则将本次会话的所有会话信息和应答信息一并添加至应答记录中。

可选的，智能应答设备通过应答模型生成应答信息的具体处理可以如下：对会话信息进行数据转换生成模型输入数据；在目标应答模型提供的预设提问数据中选取与模型输入数据最匹配的目标提问数据；将目标提问数据对应的预设应答数据作为会话信息的应答信息。

在实施中，智能应答设备在接收到客户端发送的会话信息之后，可以对会话信息进行数据转换处理，生成模型输入数据。此处的数据转换处理可以是对会话信息进行格式转换，即转换为应答模型可识别的数据，如可以转换为词向量或字向量。之后，智能应答设备可以在目标应答模型提供的预设提问数据中，选取与上述模型输入数据最匹配的目标提问数据，再将目标提问数据对应的预设应答数据作为会话信息的应答信息。需要说明的是，每个应答模型均可以维护有多个“问题”和“答案”的对应项，“问题”即为上述预设提问数据，“答案”即为上述预设应答数据，一个“问题”仅对应一个“答案”，不同“问题”可以对应同一“答案”，当向应答模型输入“问题”时，应答模型将会自动输出对应的“答案”。

可选的，当应答模型无法准确对会话信息进行应答时，可以由人工进行应答，相应的处理可以如下：如果目标提问数据与模型输入数据的匹配度低于预设匹配度阈值，则向预设的人工应答端口提供会话信息。

在实施中，智能应答设备在支持通过应答模型进行智能应答的同时，还提供有人工应答的方式。具体的，智能应答设备在基于会话信息生成模型输入数据后，如果发现目标应答模型提供的所有预设提问数据与该模型输入数据的匹配度均低于预设匹配度阈值(也即上述目标提问数据与模型输入数据的匹配度低于预设匹配度阈值)，则可以向预设的人工应答端口提供会话信息，从而实现对本次会话的人工应答处理。当然，用户还可以在客户端上直接选择人工应答模式，这样，智能应答设备在接收到人工应答模式下的会话信息后，可以直接向预设的人工应答端口提供相应的会话信息。值得一提的是，人工应答过程中产生的会话信息和应答信息同样可以添加至应答记录中，以用于后续对应答模型的训练。

可选的，可以通过客户端的后续会话模式来评判智能应答的准确性，相应的，步骤103之后可以有以下处理：如果接收到客户端发送的携带有会话信息的人工应答请求，则将会话信息和应答信息标记为待检验会话记录。

在实施中，智能应答设备通过目标应答模型生成应答信息，并向客户端反馈该应答信息之后，如果该应答信息能够未有效地解决用户的问题，则用户有很大概率会要求人工来进行应答，故而如果智能应答设备接收到了上述客户端发送的携带有相同会话信息的人工应答请求，可以认为本次会话中反馈的应答信息未能很好地解决用户的问题，即应答模型针对本次接收到的会话信息生成的应答信息准确性较差，这样，智能应答设备可以将会话信息和应答信息标记为待检验会话记录，以便后续人工对这些待检验会话记录进行检验校正。进一步的，智能应答设备还可以将待检验会话记录从本地存储的应答记录中删除，避免基于待检验会话记录训练出偏差较大的应答模型。

为了便于理解，图2示意性地给出了本实施例中智能应答的完整处理流程，其中，一方面，客户端发送会话信息至智能应答设备，智能应答设备从应答模型库中挑选应答模型，生成并反馈应答信息，同时将保留应答记录；另一方面，智能应答设备从预设资料集中提取问题数据，从应答记录中提取问答组数据，然后对这两类数据进行数据预处理，训练应答模型，再将训练完成的应答模型存储在应答模型库中。

本发明实施例中，周期性根据应答记录和预设资料集训练应答模型库中的应答模型；当接收到客户端发送的会话信息时，在应答模型库中确定并调用目标应答模型；通过目标应答模型生成会话信息的应答信息，向客户端反馈应答信息，并添加会话信息和应答信息至应答记录中。这样，定期整理应答记录和预设资料集来训练完善应答模型，当存在应答需求时自动通过应答模型来进行智能应答，同时将应答记录作为应答模型的训练素材，从而可以实现无需人工过多干预，能够自主学习，可以精准应答的智能应答处理。

基于相同的技术构思，本发明实施例还提供了一种智能应答的装置，如图3所示，所述装置包括：

训练模块301，用于周期性根据应答记录和预设资料集训练应答模型库中的应答模型；

调用模块302，用于当接收到客户端发送的会话信息时，在所述应答模型库中确定并调用目标应答模型；

反馈模块303，用于通过所述目标应答模型生成所述会话信息的应答信息，向所述客户端反馈所述应答信息，并添加所述会话信息和所述应答信息至所述应答记录中。

可选的，所述训练模块301，具体用于：

周期性从应答记录中提取问答组数据，并从预设资料集中提取应答模型库中应答模型的预设应答数据对应的问题数据，其中，所述问答组数据包括提问数据和所述提问数据对应的应答数据；

对所述问答组数据和所述问题数据进行数据预处理，并将处理后的问答组数据和问题数据添加至模型训练语料库；

周期性基于所述模型训练语料库中的数据，通过多层神经网络训练应答模型库中的应答模型。

可选的，所述训练模块301，具体用于：

对所述问答组数据和所述问题数据进行分词处理，并基于预设的文本数值转化规则将分词得到的词组转换为空间向量。

可选的，所述训练模块301，具体用于：

周期性获取所述模型训练语料库中的新增数据，将所述新增数据按比例随机分为训练数据、测试数据和验证数据；

分别基于所述训练数据、测试数据和验证数据，通过多层神经网络对所述应答模型库中的应答模型进行训练、测试和验证处理。

可选的，所述调用模块302，具体用于：

当接收到客户端发送的会话信息时，确定所述会话信息所属的应答领域；

在所述应答模型库中确定并调用所述应答领域对应的目标应答模型。

可选的，所述反馈模块303，具体用于：

对所述会话信息进行数据转换生成模型输入数据；

在所述目标应答模型提供的预设提问数据中选取与所述模型输入数据最匹配的目标提问数据；

将所述目标提问数据对应的预设应答数据作为所述会话信息的应答信息。

可选的，如图4所示，所述装置还包括：

人工应答模块304，用于如果所述目标提问数据与所述模型输入数据的匹配度低于预设匹配度阈值，则向预设的人工应答端口提供所述会话信息。

可选的，如图5所示，所述装置还包括：

标记模块305，用于如果接收到所述客户端发送的携带有所述会话信息的人工应答请求，则将所述会话信息和所述应答信息标记为待检验会话记录。

本发明实施例中，周期性根据应答记录和预设资料集训练应答模型库中的应答模型；当接收到客户端发送的会话信息时，在应答模型库中确定并调用目标应答模型；通过目标应答模型生成会话信息的应答信息，向客户端反馈应答信息，并添加会话信息和应答信息至应答记录中。这样，定期整理应答记录和预设资料集来训练完善应答模型，当存在应答需求时自动通过应答模型来进行智能应答，同时将应答记录作为应答模型的训练素材，从而可以实现无需人工过多干预，能够自主学习，可以精准应答的智能应答处理。

需要说明的是：上述实施例提供的智能应答的装置在智能应答时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的智能应答的装置与智能应答的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图6是本发明实施例提供的智能应答设备的结构示意图。该智能应答设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器622(例如，一个或一个以上处理器)和存储器632，一个或一个以上存储应用程序662或数据666的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对智能应答设备中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在智能应答设备600上执行存储介质630中的一系列指令操作。

智能应答设备600还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，一个或一个以上键盘656，和/或，一个或一个以上操作系统661，例如windowsserver，macosx，unix，linux，freebsd等等。

智能应答设备600可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行上述智能应答的指令。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。