AI智慧客服系统的制作方法

ai智慧客服系统
技术领域
1.本发明涉及ai智慧客服领域，具体而言，涉及ai智慧客服系统。


背景技术：

2.智慧客服主要涉及到nlp领域相关技术，nlu负责实体抽取和意图识别，前者从用户消息中抽取电话，微信，城市，风格等实体信息，后者负责识别用户当前意图；dst跟踪用户在多轮对话中的状态，dp根据当前识别的意图预测下一个动作；nlg是基于业务场景维护的对照表，用来返回具体话术，深度学习在自然语言处理领域的研究取得了巨大的成功，但是在特殊领域的应用尚不完全。在特定场景的智能对话仍存在两个解决的问题：
3.自然语言数据复杂度方面。存在不同场景下，有特定对话和特殊回答的问题。面对智能家居客服对话场景，往往一段对话内，存在各种各样的基础问题和涉及家居领域的特定问题。这些都是算法需要关注的内容。同时又因为家居客服对话的数据特殊性，用户回答的信息往往比公开数据集更复杂。一般的循环神经网络往往综合上述信息的能力不足，导致对话效率较低；
4.其次是网络模型方面。在实际应用场景下，对话数据不断增加、数据不断扩充，数据集不断变复杂。传统深度学习方法每当对话数据变化时，常常忽略之前未出现的数据，这往往浪费大量的有用信息；
5.因此我们对此做出改进，提出ai智慧客服系统，通过算法自动对不同场景的对话数据进行分析，极大减少对人工客服的需求，并且使用户获得很好的对话体验。


技术实现要素：

6.本发明的目的在于：针对目前存在的背景技术提出的问题，为了实现上述发明目的，本发明提供了以下技术方案：ai智慧客服系统，以改善上述问题。本技术具体是这样的：包括对话数据采集与预处理模块，所述对话数据采集与预处理模块将辅助对话处理模块数据连接，所述辅助对话处理模块将数据导入到循环语义理解模块，所述循环语义理解模块将数据导入到智能语义回复模块中，所述智能语义回复模块将数据导入到结果解码及保存模块中，所述结果解码及保存模块用于结果解码和结果保存。
7.作为本技术优选的技术方案，所述对话数据采集与预处理模块从前端采集对话数据并对对话数据进行io数据交换，通过io数据交换后将数据导入到数据流读取并进行预处理，同时将对话数据编码，为循环语义分析理解分类模块做前期的数据准备。
8.作为本技术优选的技术方案，所述辅助对话处理模块由卷积神经网络模型和带注意力机制的长短时记忆文本分类模型组成，所述卷积神经网络模型和所述带注意力机制的长短时记忆文本分类模型分别接收图像数据和文本信息作为输入，输出数据的类别信息。通过数据集对设计的算法模型训练，使模型具有良好的分类能力，模型训练好后在本地硬盘进行保存，当有新任务数据时，从本地硬盘恢复模型及其权重参数并将模型部署，以供分类模块使用。
9.作为本技术优选的技术方案，所述循环语义理解模块会给出当前最优的用户回复信息，当用户输入数据被送入循环语义理解模块时，循环语义理解分类模块首先会初始化神经网络模型，然后将之前训练好的权重文件加载进网络模型中，使得网络模型对数据进行分析计算，最终待分析的文本数据经过网络模型输出返回给用户回答的最优信息。
10.作为本技术优选的技术方案，所述循环语义理解模块将模型进行加载并进行初始化后进行权重加载，通过权重加载后进行数据序列化，并通过模型计算后输出文本序列。
11.作为本技术优选的技术方案，所述智能语义回复模块根据输入文本序列和辅助对话处理模块获得的文本分类结果，综合文本序列和文本分类结果，所述智能语义回复模块综合以上信息后，根据规则从智能客服文本数据库中取出数据，调整循环语义理解模块输出的文本序列，并加以修饰，返回最终输出序列给用结果解码及保存模块。
12.作为本技术优选的技术方案，所述智能语义回复模块进行数据加载，并通过序列和状态分析网络进行状态分析，并通过对比数据库进行数据对比，并输出调整网络后进行保存输出序列。
13.作为本技术优选的技术方案，所述结果解码及保存模块将智能语义回复模块结果进行返回及保存，所述结果解码及保存模块对返回文本数据解码的数据和分类的数据以及对话的状态记录进行实时的显示并进行本地保存，所述结果解码及保存模块通过本地保存之后进行数据反馈。
14.与现有技术相比，本发明的有益效果：
15.在本技术的方案中：
16.1.通过所述循环语义理解模块会给出当前最优的用户回复信息，当用户输入数据被送入循环语义理解模块时，循环语义理解分类模块首先会初始化神经网络模型，然后将之前训练好的权重文件加载进网络模型中，使得网络模型对数据进行分析计算，最终待分析的文本数据经过网络模型输出返回给用户回答的最优信息通过算法自动对不同场景的对话数据进行分析，极大减少对人工客服的需求，并且使用户获得很好的对话体验；
17.2.通过所述辅助对话处理模块由卷积神经网络模型和带注意力机制的长短时记忆文本分类模型组成，所述卷积神经网络模型和所述带注意力机制的长短时记忆文本分类模型分别接收图像数据和文本信息作为输入，输出数据的类别信息。通过数据集对设计的算法模型训练，使模型具有良好的分类能力，模型训练好后在本地硬盘进行保存；
18.3.通过所述智能语义回复模块根据输入文本序列和辅助对话处理模块获得的文本分类结果，综合文本序列和文本分类结果，所述智能语义回复模块综合以上信息后，根据规则从智能客服文本数据库中取出数据，调整循环语义理解模块输出的文本序列，并加以修饰，返回最终输出序列给用结果解码及保存模块。
附图说明：
19.图1为本技术提供的对话数据采集与预处理模块流程图；
20.图2为本技术提供的辅助对话处理模块结构流程图；
21.图3为本技术提供的循环语义理解模块流程图；
22.图4为本技术提供的智能语义回复模块流程图；
23.图5为本技术提供的结果解码及保存模块流程图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的具体实施方式，不限于全部的实施例。
25.因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围，需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合，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定义和解释。
26.如图1-图5，ai智慧客服系统，包括对话数据采集与预处理模块，对话数据采集与预处理模块将辅助对话处理模块数据连接，辅助对话处理模块将数据导入到循环语义理解模块将数据导入到智能语义回复模块中，智能语义回复模块将数据导入到结果解码及保存模块中，结果解码及保存模块用于结果解码和结果保存，对话数据采集与预处理模块从前端采集对话数据并对对话数据进行io数据交换，通过io数据交换后将数据导入到数据流读取并进行预处理，同时将对话数据编码，为循环语义分析理解分类模块做前期的数据准备。
27.作为优选的实施方式在上述方式的基础上进一步的，辅助对话处理模块由卷积神经网络模型和带注意力机制的长短时记忆文本分类模型组成，卷积神经网络模型和带注意力机制的长短时记忆文本分类模型分别接收图像数据和文本信息作为输入，输出数据的类别信息。通过数据集对设计的算法模型训练，使模型具有良好的分类能力，模型训练好后在本地硬盘进行保存，当有新任务数据时，从本地硬盘恢复模型及其权重参数并将模型部署，以供分类模块使用。
28.作为优选的实施方式在上述方式的基础上进一步的，循环语义理解模块会给出当前最优的用户回复信息，当用户输入数据被送入循环语义理解模块时，循环语义理解分类模块首先会初始化神经网络模型，然后将之前训练好的权重文件加载进网络模型中，使得网络模型对数据进行分析计算，最终待分析的文本数据经过网络模型输出返回给用户回答的最优信息。
29.作为优选的实施方式在上述方式的基础上进一步的，循环语义理解模块将模型进行加载并进行初始化后进行权重加载，通过权重加载后进行数据序列化，并通过模型计算后输出文本序列。
30.作为优选的实施方式在上述方式的基础上进一步的，智能语义回复模块根据输入文本序列和辅助对话处理模块获得的文本分类结果，综合文本序列和文本分类结果，所述智能语义回复模块综合以上信息后，根据规则从智能客服文本数据库中取出数据，调整循环语义理解模块输出的文本序列，并加以修饰，返回最终输出序列给用结果解码及保存模块。
31.作为优选的实施方式在上述方式的基础上进一步的，智能语义回复模块进行数据加载，并通过序列和状态分析网络进行状态分析，并通过对比数据库进行数据对比，并输出调整网络后进行保存输出序列。
32.作为优选的实施方式在上述方式的基础上进一步的，结果解码及保存模块将智能
语义回复模块结果进行返回及保存，结果解码及保存模块对返回文本数据解码的数据和分类的数据以及对话的状态记录进行实时的显示并进行本地保存，结果解码及保存模块通过本地保存之后进行数据反馈。
33.工作原理：本发明在使用的过程中，包括对话数据采集与预处理模块，对话数据采集与预处理模块将辅助对话处理模块数据连接，辅助对话处理模块将数据导入到循环语义理解模块将数据导入到智能语义回复模块中，智能语义回复模块将数据导入到结果解码及保存模块中，结果解码及保存模块用于结果解码和结果保存，对话数据采集与预处理模块从前端采集对话数据并对对话数据进行io数据交换，通过io数据交换后将数据导入到数据流读取并进行预处理，同时将对话数据编码，为循环语义分析理解分类模块做前期的数据准备，辅助对话处理模块由卷积神经网络模型和带注意力机制的长短时记忆文本分类模型组成，卷积神经网络模型和带注意力机制的长短时记忆文本分类模型分别接收图像数据和文本信息作为输入，输出数据的类别信息。通过数据集对设计的算法模型训练，使模型具有良好的分类能力，模型训练好后在本地硬盘进行保存，当有新任务数据时，从本地硬盘恢复模型及其权重参数并将模型部署，以供分类模块使用。
34.循环语义理解模块会给出当前最优的用户回复信息，当用户输入数据被送入循环语义理解模块时，循环语义理解分类模块首先会初始化神经网络模型，然后将之前训练好的权重文件加载进网络模型中，使得网络模型对数据进行分析计算，最终待分析的文本数据经过网络模型输出返回给用户回答的最优信息，循环语义理解模块将模型进行加载并进行初始化后进行权重加载，通过权重加载后进行数据序列化，并通过模型计算后输出文本序列，智能语义回复模块根据输入文本序列和辅助对话处理模块获得的文本分类结果，综合文本序列和文本分类结果，所述智能语义回复模块综合以上信息后，根据规则从智能客服文本数据库中取出数据，调整循环语义理解模块输出的文本序列，并加以修饰，返回最终输出序列给用结果解码及保存模块，智能语义回复模块进行数据加载，并通过序列和状态分析网络进行状态分析，并通过对比数据库进行数据对比，并输出调整网络后进行保存输出序列，结果解码及保存模块将智能语义回复模块结果进行返回及保存，结果解码及保存模块对返回文本数据解码的数据和分类的数据以及对话的状态记录进行实时的显示并进行本地保存，结果解码及保存模块通过本地保存之后进行数据反馈。
35.以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。