人机对话方法、装置和计算机可读存储介质与流程

本公开涉及人工智能技术领域，特别涉及一种人机对话方法、人机对话装置和计算机可读存储介质。

背景技术：

无人客服的“无人”代表着客服行业的发展趋势。伴随数据挖掘的精细化和算法的智能化，客服流程中完全由人工参与的部分会越来越少。

相关技术中，作为无人客服解决方案的重要一环，“解决型机器人”以“解决问题”为第一使命。通过自然语言处理、机器学习等技术，明确用户的问题核心，再通过应答引擎和用户进行交互。

技术实现要素：

本公开的发明人发现上述相关技术中存在如下问题：仅关注问题的解决，忽略用户感受，从而影响人机对话效果，导致用户体验差。

鉴于此，本公开提出了一种人机对话技术方案，能够改善人机对话效果，提升用户体验。

根据本公开的一些实施例，提供了一种人机对话方法，包括：对用户与机器人的对话内容进行自然语言处理，获取所述用户的对话意图和当前情绪的类型；在所述当前情绪的类型为负面情绪类型的情况下，对所述当前情绪类型在本次对话中出现的次数进行累加；在所述对话意图为业务咨询的情况下，生成相应的业务回答；判断所述业务回答是否属于配置的负面情绪回答集合；在不属于所述负面情绪回答集合的情况下，向所述用户提供所述业务回答；在属于所述负面情绪回答集合的情况下，根据所述累加结果确定回答方式。

在一些实施例中，所述负面情绪回答集合根据回答涉及的事件的严重程度被划分为高等级集合和低等级集合；所述根据所述累加结果确定回答方式包括：在所述业务回答属于所述低等级集合的情况下，根据所述累加结果和所述业务回答的默认回答方式确定所述回答方式。

在一些实施例中，判断所述累加结果是否小于第一阈值；在小于所述第一阈值的情况下，采用所述默认回答方式向用户提供回答；在大于等于所述第一阈值的情况下，判断所述累加结果是否小于第二阈值，所述第二阈值大于所述第一阈值；在大于等于所述第二阈值的情况下，自动转为人工回答；在小于所述第二阈值的情况下，且所述默认回答方式为向所述用户提供所述业务回答的情况下，提示所述用户手动转为人工回答；在小于所述第二阈值的情况下，且所述默认回答方式为提示所述用户手动转为人工回答的情况下，自动转为人工回答。

在一些实施例中，在所述业务回答属于所述高等级集合的情况下，判断所述累加结果是否小于第一阈值；在小于所述第一阈值的情况下，向所述用户提供所述业务回答；在大于等于所述第一阈值的情况下，自动转为人工回答。

在一些实施例中，获取所述用户的当前情绪属于各情绪类型的隶属度；将所述隶属度最高的情绪类型作为所述当前情绪的类型。

在一些实施例中，该方法还包括：在所述对话意图为非业务咨询的情况下，将所述对话意图依次与配置的各非业务对话类型进行匹配；根据最先匹配的非业务对话类型生成相应的非业务回答。

在一些实施例中，在所述当前情绪的类型为负面情绪类型，且所述当前情绪的类型的隶属度高于隶属度阈值的情况下，生成并向所述用户提供安抚回答。

在一些实施例中，根据所述业务咨询的类型，选择相应的规则树；遍历所述规则树，生成所述相应的业务回答。

根据本公开的另一些实施例，提供一种人机对话装置，包括：处理单元，用于对用户与机器人的对话内容进行自然语言处理，获取所述用户的对话意图和当前情绪的类型；生成单元，用于在所述对话意图为业务咨询的情况下，生成相应的业务回答；累加单元，用于在所述当前情绪的类型为负面情绪类型的情况下，对所述当前情绪类型在本次对话中出现的次数进行累加；判断单元，用于判断所述业务回答是否属于配置的负面情绪回答集合；回答单元，用于在不属于所述负面情绪回答集合的情况下，向所述用户提供所述业务回答，和在属于的所述负面情绪回答集合情况下，根据所述累加结果确定回答方式。

在一些实施例中，所述负面情绪回答集合根据回答涉及的事件的严重程度被划分为高等级集合和低等级集合；所述回答单元在所述业务回答属于所述低等级集合的情况下，根据所述累加结果和所述业务回答的默认回答方式确定所述回答方式。

在一些实施例中，所述判断单元在所述业务回答属于所述高等级集合的情况下，判断所述累加结果是否小于第一阈值；所述回答单元在小于所述第一阈值的情况下，向所述用户提供所述业务回答，在大于等于所述第一阈值的情况下，所述回答单元自动转为人工回答。

在一些实施例中，所述判断单元判断所述累加结果是否小于所述第一阈值；所述回答单元在小于所述第一阈值的情况下，采用所述默认回答方式向用户提供回答；所述判断单元在大于等于所述第一阈值的情况下，判断所述累加结果是否小于第二阈值，所述第二阈值大于所述第一阈值；所述回答单元在大于等于所述第二阈值的情况下，自动转为人工回答，在小于所述第二阈值的情况下，且所述默认回答方式为向所述用户提供所述业务回答的情况下，提示所述用户手动转为人工回答，在小于所述第二阈值的情况下，且所述默认回答方式为提示所述用户手动转为人工回答的情况下，自动转为人工回答。

在一些实施例中，所述处理单元获取所述用户的当前情绪属于各情绪类型的隶属度，将所述隶属度最高的情绪类型作为所述当前情绪的类型。

在一些实施例中，所述生成单元在所述对话意图为非业务咨询的情况下，将所述对话意图依次与配置的各非业务对话类型进行匹配，根据最先匹配的非业务对话类型生成相应的非业务回答。

在一些实施例中，所述生成单元在所述当前情绪的类型为负面情绪类型，且所述当前情绪的类型的隶属度高于隶属度阈值的情况下，生成安抚回答；所述回答单元向所述用户提供所述安抚回答。

在一些实施例中，所述生成单元根据所述业务咨询的类型，选择相应的规则树，遍历所述规则树，生成所述相应的业务回答。

根据本公开的又一些实施例，提供一种人机对话装置，包括：存储器；和耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行上述任一个实施例中的人机对话方法中的一个或多个步骤。

根据本公开的再一些实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的人机对话方法中的一个或多个步骤。

在上述实施例中，在人机对话的过程中根据用户的情绪类型选择相应的回答方式。这样，不但保证了回答问题的准确性，还兼顾了用户的感受，从而改善人机对话效果，提升用户体验。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1示出本公开的人机对话方法的一些实施例的流程图；

图2示出图1的步骤110的一些实施例的流程图；

图3示出图1的步骤120的一些实施例的流程图；

图4示出本公开的生成非业务回答方法的一些实施例的流程图；

图5示出图1的步骤160的一些实施例的流程图；

图6示出图5的步骤1630的一些实施例的流程图；

图7示出图5的步骤1640的一些实施例的流程图；

图8示出本公开的人机对话装置的一些实施例的框图；

图9示出本公开的人机对话装置的另一些实施例的框图；

图10示出本公开的人机对话装置的又一些实施例的框图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1示出本公开的人机对话方法的一些实施例的流程图。

如图1所示，该方法包括：步骤110，获取对话意图和情绪类型；步骤120，累加负面情绪类型出现次数；步骤130，生成业务回答；步骤140，判断业务回答是否属于负面情绪回答集合；步骤150，提供业务回答；和步骤160，根据累加结果确定回答方式。

在步骤110中，对用户与机器人的对话内容进行自然语言处理，获取用户的对话意图和当前情绪的类型。例如，对话意图包括业务咨询和非业务咨询(如闲聊等)。

在一些实施例中，在用户进行人机对话时，可以通过机器学习算法模型对用户的当前输入和历史会话内容进行自然语言处理。通过自然语言处理可以确定用户是在进行业务咨询还是非业务咨询。

在一些实施例中，还可以通过自然语言处理方法，如多个逻辑回归(logisticregression)模型，计算出用户的当前情绪属于各情绪类型的隶属度，从而确定用户的当前情绪。例如，可以通过图2中的方式确定用户的当前情绪。

图2示出图1的步骤110的一些实施例的流程图。

如图2所示，步骤110包括：步骤1110，获取隶属度；步骤1120，确定当前情绪的类型。

在步骤1110中，获取用户的当前情绪属于各情绪类型的隶属度。例如，情绪类型可以包括生气、焦虑等负面情绪类型，还可以包括高兴、平静等正面情绪类型。隶属度可称之为情绪浓度，隶属度可以是当前情绪属于各情绪类型的概率，也可以是当前情绪对于各情绪类型的等级。

在步骤1120中，将隶属度最高的情绪类型作为当前情绪的类型。例如，可以按照获取的隶属度对各情绪类型进行排序，将隶属度最高的情绪类型作为候选类型。

在用户进行业务咨询的情况下，还可以通过机器学习算法模型进一步确定该业务咨询所属的种类。然后，可以通过图1中的步骤120生成业务回答。

在步骤120中，在当前情绪的类型为负面情绪类型的情况下，对当前情绪类型在本次对话中出现的次数进行累加。例如，可以从缓存中获取当前对话中用户情绪的累加结果，并更新用户的历史情绪记录。

在步骤130中，在对话意图为业务咨询的情况下，生成相应的业务回答。步骤130和步骤120没有执行的先后顺序，也可以并行执行。例如，可以采用图3中的规则树方式生成业务答案。

图3示出图1的步骤130的一些实施例的流程图。

如图3所示，步骤130包括：步骤1310，选择规则树；和步骤1320，生成业务回答。

在步骤1310中，根据业务咨询的类型，选择相应的规则树。例如，可以根据业务咨询的类型，路由到指定类型的规则树。

在一些实施例中，规则树的每个非叶子节点为规则节点用于挂载判断规则，每个叶子节点为回答节点用于挂载一个或多个业务回答。

在步骤1320中，遍历所述规则树，生成相应的业务回答。

在一些实施例中，采用由左至右，由上至下顺序对规则树的节点进行遍历。当树路径上所有非叶子节点的条件均满足时，获取对应的叶子节点中的业务回答和节点id。

在用户进行非业务咨询的情况下，可以通过图4中的方式生成非业务回答。

图4示出本公开的生成非业务回答方法的一些实施例的流程图。

如图4所示，该方法包括：步骤410，匹配非业务对话类型；和步骤420，生成非业务回答。

在步骤410中，在对话意图为非业务咨询的情况下，将对话意图依次与配置的各非业务对话类型进行匹配。

在一些实施例中，采用链式判断对非业务咨询进行匹配。例如，非业务对话类型可以包括用户关怀类型、售前类型、售后类型、乱码类型、无法回答类型等。可以根据非业务对话类型设置相应的判断节点，判断节点中包括相应的非业务回答。然后将非业务咨询依次通过各判断节点进行匹配。可以根据实际情况和业务需要设置判断节点的排列顺序。

在步骤420中，根据最先匹配的非业务对话类型生成相应的非业务回答。

在一些实施例中，可以设置判断节点的排列顺序为：用户关怀节点、售前节点、售后节点，现将对话意图与用户关怀节点匹配，如果能够匹配，则不进行后面节点的匹配，直接确定该非业务咨询的对话意图为用户关怀类型，并提取用户关怀节点中的相应回答。

针对用户的对话意图生成了相应的回答后，可以通过图1中的步骤140-160确定回答的方式。

在步骤140中，判断业务回答是否属于配置的负面情绪回答集合。在不属于的情况下，执行步骤150；在属于的情况下，执行步骤160。

在一些实施例中，可以根据历史数据筛选出未能解决用户问题，且使得用户产生负面情绪的业务回答，以生成负面情绪回答集合。负面情绪回答集合中可以包含各业务回答的节点id。负面情绪回答集合中可以包括商家未履约的回答(如配送超期、物品破损等商家自身原因造成的问题)、引起用户生气的回答、被配置为需用户手动转人工服务的回答、问题解决率低的回答等。

在一些实施例中，可以根据负面情绪回答集合中包含的回答涉及的事件的严重程度，将负面情绪回答集合划分为高等级集合和低等级集合。例如，可以业务侧出发，根据实际情况和业务需要评估业务回答涉及事件的严重程度，根据事件的严重程度设置事件等级。

例如，可以设置配送超期事件的事件等级低，涉及的业务回答可以划分到低等级集合；可以设置退款失败节事件的事件等级高(因涉及到资金问题)，涉及的业务回答可以划分到低等级集合。

在步骤150中，向用户提供业务回答。

在步骤160中，在属于的情况下，根据累加结果确定回答方式。例如，可以根据累加结果确定是否需要转人工回答。回答方式可以包括提供业务回答、提示用户转人工回答、自动转人工回答等。

在一些实施例中，可以通过图5中的方式执行步骤160。

图5示出图1的步骤160的一些实施例的流程图。

如图5所示，步骤160包括：步骤1610，将业务回答与负面情绪回答集合匹配；步骤1620，判断业务回答是否属于高级集合；步骤1630，根据累加结果确定回答方式；和步骤1640，根据累加结果和默认方式确定回答方式。

在步骤1610中，将业务回答与负面情绪回答集合匹配。例如，可以将业务回答的节点id与负面情绪回答集合中业务回答的节点id匹配。

在步骤1620中，判断业务回答是否属于负面情绪回答集合中的高级集合。在属于的情况下，执行步骤1630；在不属于的情况下，执行步骤1640。

在步骤1630中，根据累加结果确定回答方式。

在步骤1640中，根据累加结果和业务回答的默认回答方式确定回答方式。例如，可以预先设置业务回答的默认回答方式，默认回答方式可以包括提供业务回答、提示用户手动转人工回答等。

在一些实施例中，可以通过图6中的方式执行步骤1630。

图6示出图5的步骤1630的一些实施例的流程图。

如图6所示，步骤1630包括：步骤16301，获取累加结果；步骤16302，判断累加结果是否小于第一阈值；步骤16303，提供业务回答；和步骤16304，自动转人工回答。

在步骤16301中，获取用户在本次对话中出现当前情绪的类型的累加结果。

在步骤16302中，判断累加结果是否小于第一阈值。在小于的情况下，执行步骤16303；在大于等于的情况下，执行步骤16304。例如，可以根据实际情况和业务需要设定第一阈值，第一阈值为正整数，如可以为3。

在步骤16303中，向用户提供业务回答。

在步骤16304中，自动转为人工回答。

在一些实施例中，可以通过图7中的方式执行步骤1640。

图7示出图5的步骤1640的一些实施例的流程图。

如图7所示，步骤1640包括：步骤16401，获取累加结果；步骤16402，判断累加结果是否小于第一阈值；步骤16403，采用默认回答方式；步骤16404，判断累加结果是否小于第二阈值；步骤16405，自动转人工回答；和步骤16406，根据默认方式确定回答方式。

在步骤16401中，获取用户在本次对话中出现当前情绪的类型的累加结果。

在步骤16402中，判断累加结果是否小于第一阈值。在小于的情况下，执行步骤16403；在大于等于的情况下，执行步骤16404。

在步骤16403中，采用默认回答方式向用户提供回答。

在步骤16404中，判断累加结果是否小于第二阈值。在大于等于的情况下，执行步骤16405；在小于的情况下，执行步骤1606；

第二阈值是大于第一阈值的正整数，可以根据实际情况和业务需求设置第一阈值和第二阈值，例如，第一阈值为3，第二阈值为5。落在小于第一阈值的情况表明用户出现了轻微的负面情绪，无需人工服务；落在第一阈值和第二阈值之间的情况表明用户出现了负面情绪，但尚不严重，需要提升用户的服务感受；落在大于等于第二阈值的情况表明用户出现了严重的负面情绪，需要进行人工服务。

在步骤16405中，自动转为人工回答。

在步骤16406中，需要为用户提供比默认方式的服务感受更好的回答方式。例如，在默认回答方式为向用户提供业务回答的情况下，提示用户手动转为人工回答；在默认回答方式为提示用户手动转为人工回答的情况下，自动转为人工回答。也就是说，采用在服务感受上比默认回答方式更高一级的回答方式。

在一些实施例中，无论是对业务咨询还是非业务咨询，在当前情绪的类型为负面情绪类型，且当前情绪的类型的隶属度高于隶属度阈值的情况下，生成并向用户提供安抚回答。

上述实施例中，在人机对话的过程中根据用户的情绪类型选择相应的回答方式。这样，不但保证了回答问题的准确性，还兼顾了用户的感受，从而改善人机对话效果，提升用户体验。

图8示出本公开的人机对话装置的一些实施例的框图。

如图8所示，人机对话装置8包括处理单元81、生成单元82、累加单元83、判断单元84、判断单元85和回答单元86。

处理单元81对用户与机器人的对话内容进行自然语言处理，获取用户的对话意图和当前情绪的类型。例如，处理单元81获取用户的当前情绪属于各情绪类型的隶属度，将隶属度最高的情绪类型作为当前情绪的类型。

在对话意图为业务咨询的情况下，生成单元82生成相应的业务回答。例如，生成单元83根据业务咨询的类型，选择相应的规则树，遍历规则树，生成相应的业务回答。

在一些实施例中，在对话意图为非业务咨询的情况下，生成单元82将对话意图依次与配置的各非业务对话类型进行匹配，根据最先匹配的非业务对话类型生成相应的非业务回答。

在一些实施例中，生成单元82在当前情绪的类型为负面情绪类型，且当前情绪的类型的隶属度高于隶属度阈值的情况下，生成安抚回答。回答单元85向用户提供安抚回答。

累加单元83在当前情绪的类型为负面情绪类型的情况下，对当前情绪类型在本次对话中出现的次数进行累加。例如，负面情绪回答集合根据其中包含的回答涉及的事件等级被划分为高等级集合和低等级集合。

判断单元84判断业务回答是否属于配置的负面情绪回答集合。在不属于的情况下，回答单元85向用户提供所述业务回答；在属于的情况下，回答单元85根据累加结果确定回答方式。

在一些实施例中，负面情绪回答集合根据回答涉及的事件的严重程度被划分为高等级集合和低等级集合。在业务回答属于高等级集合的情况下，回答单元85根据累加结果确定回答方式；在业务回答属于低等级集合的情况下，回答单元85根据累加结果和业务回答的默认回答方式确定回答方式。

在一些实施例中，判断单元84判断累加结果是否小于第一阈值。在小于第一阈值的情况下，回答单元85向用户提供业务回答；在大于等于第一阈值的情况下，回答单元85自动转为人工回答。

在一些实施例中，判断单元84判断累加结果是否小于第一阈值。在小于第一阈值的情况下，回答单元85采用默认回答方式向用户提供回答。在大于等于第一阈值的情况下，判断单元84判断累加结果是否小于第二阈值。

在大于等于第二阈值的情况下，回答单元85自动转为人工回答；在小于第二阈值的情况下，且默认回答方式为向用户提供业务回答的情况下，回答单元85提示用户手动转为人工回答；在小于第二阈值的情况下，且默认回答方式为提示用户手动转为人工回答的情况下，回答单元85自动转为人工回答。

上述实施例中，在人机对话的过程中根据用户的情绪类型选择相应的回答方式。这样，不但保证了回答问题的准确性，还兼顾了用户的感受，从而改善人机对话效果，提升用户体验。

图9示出本公开的人机对话装置的另一些实施例的框图。

如图9所示，该实施例的人机对话装置9包括：存储器91以及耦接至该存储器91的处理器92，处理器92被配置为基于存储在存储器91中的指令，执行本公开中任意一个实施例中的人机对话方法中的一个或多个步骤。

其中，存储器91例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)、数据库以及其他程序等。

图10示出本公开的人机对话装置的又一些实施例的框图。

如图10所示，该实施例的人机对话装置10包括：存储器101以及耦接至该存储器101的处理器102，处理器102被配置为基于存储在存储器101中的指令，执行前述任意一个实施例中的人机对话方法。

存储器101例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。

人机对话装置10还可以包括输入输出接口103、网络接口104、存储接口105等。这些接口103、104、105以及存储器101和处理器102之间例如可以通过总线106连接。其中，输入输出接口103为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口104为各种联网设备提供连接接口。存储接口104为sd卡、u盘等外置存储设备提供连接接口。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

至此，已经详细描述了根据本公开的人机对话方法、人机对话装置和计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。