结合深度学习的智慧企服用户数据处理方法及系统与流程

1.本技术涉及智慧企服技术领域，尤其涉及一种结合深度学习的智慧企服用户数据处理方法及系统。


背景技术：

2.随着社会的发展，传统的企业服务已经难以满足当下数字时代的各类业务办理请求，而依附于人工智能/机器学习的新一代数字化企业服务（智慧企服）正逐渐取代传统模式，并实现异地、错时、高效的企业服务办理。在实际应用过程中，智慧企服的业务服务的不断改进和升级是毋庸置疑的，实现这一技术的关键环节在于精准定位用户兴趣，因此针对智慧企服的用户数据挖掘和分析是现目前的工作重点。


技术实现要素：

3.本技术的一个目的是提供一种结合深度学习的智慧企服用户数据处理方法及系统。
4.本技术的技术方案是通过如下至少部分实施例实现的。
5.一种结合深度学习的智慧企服用户数据处理方法，应用于智慧企服系统，所述方法包括：依据第一交互会话处理模型对携带参考操作习惯标签的智慧企服交互会话session1进行操作习惯标签调整，获得携带实时操作习惯标签的智慧企服交互会话session2；其中，所述智慧企服交互会话session1为预配置交互会话；结合所述智慧企服交互会话session2和所述智慧企服交互会话session1的交互行为偏好变化，对用户行为偏好挖掘模型进行调试，从而利用完成调试的所述用户行为偏好挖掘模型对智慧企服交互会话的交互行为偏好变化进行挖掘。
6.在一些可独立实施的设计思路下，在所述对用户行为偏好挖掘模型进行调试之前，所述方法还包括：对所述第一交互会话处理模型和事先部署的第一操作习惯标签评价模型进行联合调试，其中，所述第一操作习惯标签评价模型，用于识别所述第一交互会话处理模型导出的智慧企服交互会话的操作习惯标签为实时操作习惯标签还是为参考操作习惯标签。
7.在一些可独立实施的设计思路下，在所述对用户行为偏好挖掘模型进行调试之前，所述方法还包括：通过第二交互会话处理模型对所述智慧企服交互会话session2进行操作习惯标签调整，获得携带参考操作习惯标签的智慧企服交互会话session3；经由所述智慧企服交互会话session3相较于所述智慧企服交互会话session1的代价指标，改进第一交互会话处理模型和/或第二交互会话处理模型的模型变量；其中，所述方法还包括：基于所述第二交互会话处理模型对携带实时操作习惯标签的智慧企服交互会话session4进行操作习惯标签调整，获得携带参考操作习惯标签的智
慧企服交互会话session5，所述智慧企服交互会话session4为实时采集的交互会话；对所述第二交互会话处理模型和事先部署的第二操作习惯标签评价模型进行联合调试，其中，所述第二操作习惯标签评价模型，用于识别所述第二交互会话处理模型导出的智慧企服交互会话session5的操作习惯标签为实时操作习惯标签还是为参考操作习惯标签。
8.在一些可独立实施的设计思路下，所述第一交互会话处理模型包含第一局部会话处理单元，所述方法还包括：经由所述第一局部会话处理单元导出的局部会话细节知识part knowledge1，以及所述智慧企服交互会话session1的交互行为偏好变化，确定第一已调整局部会话细节知识；根据第一已调整局部会话细节知识相较于所述第一局部会话处理单元导出的局部会话细节知识part knowledge2的代价指标，改进所述第一交互会话处理模型的模型变量；其中，所述局部会话细节知识part knowledge1与所述局部会话细节知识part knowledge2之间存在活动兴趣关联。
9.在一些可独立实施的设计思路下，所述第二交互会话处理模型包含第二局部会话处理单元，所述方法还包括：基于所述用户行为偏好挖掘模型确定所述智慧企服交互会话session4的预测交互行为偏好变化；经由所述第二局部会话处理单元导出的局部会话细节知识part knowledge3，以及所述智慧企服交互会话session3的预测交互行为偏好变化，确定第二已调整局部会话细节知识；经由第二已调整局部会话细节知识相较于所述第二局部会话处理单元导出的局部会话细节知识part knowledge4的代价指标，改进所述第二交互会话处理模型的模型变量，所述局部会话细节知识part knowledge3与所述局部会话细节知识part knowledge4之间存在活动兴趣关联。
10.在一些可独立实施的设计思路下，所述方法还包括：基于所述第二交互会话处理模型对第一先验智慧企服交互会话进行操作习惯标签调整，获得第一预配智慧企服交互会话；基于所述第一交互会话处理模型对所述第一预配智慧企服交互会话进行操作习惯标签调整，获得已调整智慧企服交互会话；将所述第一先验智慧企服交互会话加载至所述用户行为偏好挖掘模型中，获得第一会话活动描述短语；将所述已调整智慧企服交互会话加载至所述用户行为偏好挖掘模型中，获得第二会话活动描述短语；经由所述第一会话活动描述短语和第二会话活动描述短语之间的代价指标，改进所述第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量；其中，所述用户行为偏好挖掘模型包含局部行为偏好挖掘单元；所述第一会话活动描述短语涵盖所述局部行为偏好挖掘单元导出的第一会话活动描述短语；所述第二会话活动描述短语涵盖所述局部行为偏好挖掘单元导出的第二会话活动描述短语；所述用户行
为偏好挖掘模型的模型变量涵盖所述局部行为偏好挖掘单元的模型变量。
11.在一些可独立实施的设计思路下，所述方法还包括：分别对所述智慧企服交互会话session1的咨询会话细节字段和应答会话细节字段进行优化操作，获得已优化咨询会话细节字段和已优化应答会话细节字段；将所述已优化咨询会话细节字段和所述已优化应答会话细节字段，分别加载到所述第一交互会话处理模型中，获得与所述已优化咨询会话细节字段对应的咨询会话活动描述短语，以及与所述已优化应答会话细节字段对应的应答会话活动描述短语；经由所述咨询会话活动描述短语和所述应答会话活动描述短语之间的向量差异，改进所述第一交互会话处理模型的模型变量，以使完成改进的第一交互会话处理模型导出的咨询会话活动描述短语和应答会话活动描述短语之间的向量差异大于改进前的向量差异；其中，所述分别对所述智慧企服交互会话session1的咨询会话细节字段和应答会话细节字段进行优化操作，获得已优化咨询会话细节字段和已优化应答会话细节字段，包括：在所述智慧企服交互会话session1的咨询会话细节字段中增设第一兴趣描述文本，获得所述已优化咨询会话细节字段；在所述智慧企服交互会话session1的应答会话细节字段中增设第二兴趣描述文本，获得所述已优化应答会话细节字段。
12.在一些可独立实施的设计思路下，结合所述智慧企服交互会话session2和所述智慧企服交互会话session1的交互行为偏好变化，对用户行为偏好挖掘模型进行调试，包括：将所述智慧企服交互会话session2加载至所述用户行为偏好挖掘模型中处理，获得所述智慧企服交互会话session2的预测交互行为偏好变化；经由所述预测交互行为偏好变化相较于所述智慧企服交互会话session1的交互行为偏好变化的代价指标，改进所述用户行为偏好挖掘模型的模型变量。
13.在一些可独立实施的设计思路下，所述方法还包括：通过用户行为偏好挖掘模型对指定智慧企服交互会话的交互行为偏好变化进行挖掘，获得预测交互行为偏好变化；其中，所述指定智慧企服交互会话由交互会话收集线程获取，所述交互会话收集线程配置于智慧企服客户端上；在所述获得预测交互行为偏好变化后，所述方法还包括：经由所述预测交互行为偏好变化，确定所述指定智慧企服交互会话中目标政企服务事件与所述交互会话收集线程之间的相关度；经由所述相关度指示所述智慧企服客户端的交互操作步骤。。
14.一种智慧企服系统，包括：用于存储可执行计算机程序的存储器，用于执行所述存储器中存储的可执行计算机程序时实现上述方法的处理器。
15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述方法。
16.在本技术实施例中，可以利用事先设置的智慧企服交互会话获得精准的咨询-应答交互行为偏好变化，鉴于携带实时操作习惯标签的智慧企服交互会话是通过事先设置的智慧企服交互会话调整所得的，且操作习惯标签调整前后的智慧企服交互会话的交互行为偏好变化不存在偏移，这样能够将事先设置的智慧企服交互会话的咨询-应答交互行为偏好变化，作为经操作习惯标签调整后获得的携带实时操作习惯标签的智慧企服交互会话的
咨询-应答交互行为偏好变化。这样可以获得注释精准的携带实时操作习惯标签的智慧企服交互会话，以实现对用户行为偏好挖掘模型的调试。这样能够通过调试获得用户行为偏好挖掘模型，对实时采集的智慧企服交互会话进行交互行为偏好变化挖掘。如此设计，可以显著改善用户行为偏好挖掘模型的偏好挖掘精度，确保得到的交互行为偏好变化的完整性和可靠性。
附图说明
17.图1是示出可以实现本技术的实施例的智慧企服系统的一种通信配置的示意图。
18.图2是示出可以实现本技术的实施例的结合深度学习的智慧企服用户数据处理方法的流程示意图。
19.图3是示出可以实现本技术的实施例的结合深度学习的智慧企服用户数据处理方法的应用环境的架构示意图。
具体实施方式
20.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。为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，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它实施例，都属于本技术保护的范围。在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
21.图1是示出可以实现本技术的实施例的智慧企服系统100的一种通信配置的框图，智慧企服系统100包括用于存储可执行计算机程序的存储器101，用于执行所述存储器101中存储的可执行计算机程序时实现本技术实施例中结合深度学习的智慧企服用户数据处理方法的处理器102。
22.图2是示出可以实现本技术的实施例的结合深度学习的智慧企服用户数据处理方法的流程示意图，结合深度学习的智慧企服用户数据处理方法可以通过图1所示的智慧企服系统100实现，进一步可以包括以下相关步骤所描述的技术方案。
23.node11、依据第一交互会话处理模型对携带参考操作习惯标签的智慧企服交互会话session1进行操作习惯标签调整，获得携带实时操作习惯标签的智慧企服交互会话session2。
24.其中，所述智慧企服交互会话session1为预配置交互会话，进一步地，预配置交互会话可以理解为手动或者通过相关程序合成的交互会话。此外，智慧企服交互会话可以涉及企业资质办理、业务来往服务办理、企业信息安全防护办理、企业服务推送/推广办理等，但不限于此。
25.进一步地，智慧企服交互会话可以涵盖咨询类交互会话和应答类交互会话，咨询类交互会话和应答类交互会话突出智慧企服交互会话的交互特征。
26.又比如，本技术实施例中的智慧企服交互会话session1和智慧企服交互会话session2分别反映相异的智慧企服交互会话，智慧企服交互会话session1可以反映携带参考操作习惯标签的智慧企服交互会话，智慧企服交互会话session2可以反映第一交互会话处理模型导出的智慧企服交互会话，即携带实时操作习惯标签的智慧企服交互会话。进一步地，参考操作习惯标签可以是虚拟的操作习惯标签，实时操作习惯标签可以理解为真实的、实际的操作习惯标签。
27.在本技术实施例中，携带参考操作习惯标签的智慧企服交互会话可以是事先设置的智慧企服交互会话，比如可以是通过指定程序输出的不同条件下的交互会话，通过调整会话采集线程参量可以获得相异的预配置交互会话。事先设置的智慧企服交互会话是通过相关系统生成的，通常可以准确地获得咨询类交互会话和应答类交互会话的交互行为偏好变化。
28.进一步地，携带实时操作习惯标签的智慧企服交互会话可以是通过实时的交互会话收集线程获取的智慧企服交互会话，比如，可以通过两个交互会话收集线程分别获取智慧企服交互会话的咨询类交互会话和应答类交互会话，之后基于咨询类交互会话与应答类交互会话获得智慧企服交互会话。
29.在一些示例下，虽然携带参考操作习惯标签的智慧企服交互会话的交互行为偏好变化是精准的，但是携带参考操作习惯标签的智慧企服交互会话与携带实时操作习惯标签的智慧企服交互会话在一些维度下还存在差异，此外，鉴于携带参考操作习惯标签的智慧企服交互会话与携带实时操作习惯标签的智慧企服交互会话在操作习惯标签上的不同，可以依据第一交互会话处理模型对携带参考操作习惯标签的智慧企服交互会话session1进行操作习惯标签调整，获得携带实时操作习惯标签的智慧企服交互会话session2。第一交互会话处理模型能够将携带参考操作习惯标签的智慧企服交互会话调整成携带实时操作习惯标签的智慧企服交互会话，第一交互会话处理模型可以通过进行调试获得。进一步地，操作习惯标签可以反映不同企业用户的操作习惯风格。
30.node12、结合所述智慧企服交互会话session2和所述智慧企服交互会话session1的交互行为偏好变化，对用户行为偏好挖掘模型进行调试。
31.进一步地，智慧企服交互会话session1的交互行为偏好变化可以是智慧企服交互会话session1中咨询类交互会话和应答类交互会话的交互行为偏好变化，对用户行为偏好挖掘模型进行调试后，可以通过完成调试的用户行为偏好挖掘模型对智慧企服交互会话的交互行为偏好变化进行挖掘。
32.示例性的，在将智慧企服交互会话session1调整为携带实时操作习惯标签的智慧企服交互会话session2后，鉴于智慧企服交互会话session1中相同会话节点的分布维持不变，这样能够将智慧企服交互会话session1的交互行为偏好变化作为智慧企服交互会话session2的交互行为偏好变化。换言之，在对用户行为偏好挖掘模型进行调试的过程中，可以将智慧企服交互会话session1的交互行为偏好变化作为注释交互行为偏好变化，将智慧企服交互会话session2作为输入信息。这样调试过程所采用的智慧企服交互会话是携带实时操作习惯标签的交互会话，且调试所采用的注释交互行为偏好变化是精准的交互行为偏好变化，由此，调试获得的用户行为偏好挖掘模型的质量较佳。
33.示例性的，可以利用携带参考操作习惯标签的智慧企服交互会话获得精准的咨
询-应答交互行为偏好变化，同时将携带参考操作习惯标签的智慧企服交互会话调整为携带实时操作习惯标签的智慧企服交互会话，鉴于操作习惯标签调整前后的智慧企服交互会话的交互行为偏好变化不存在偏移，这样能够通过注释交互行为偏好变化精准的携带实时操作习惯标签的智慧企服交互会话，对挖掘模型进行调试。通过交互行为偏好变化注释精准的携带实时操作习惯标签的调试范例调试获得的用户行为偏好挖掘模型，对实时采集的智慧企服交互会话进行交互行为偏好变化挖掘的质量较佳。
34.在一些示例性的设计思路下，利用智慧企服交互会话session2和智慧企服交互会话session1的交互行为偏好变化，对用户行为偏好挖掘模型进行调试，可以包括如下内容：将智慧企服交互会话session2加载至用户行为偏好挖掘模型中处理，获得智慧企服交互会话session2的预测交互行为偏好变化；根据预测交互行为偏好变化相较于智慧企服交互会话session1的交互行为偏好变化的代价指标，改进用户行为偏好挖掘模型的模型变量。如此，通过改进用户行为偏好挖掘模型的模型变量，以使完成改进的用户行为偏好挖掘模型导出的预测交互行为偏好变化相较于智慧企服交互会话session1的交互行为偏好变化的代价指标尽可能小，提高用户行为偏好挖掘模型进行交互行为偏好变化挖掘的精度及可信度。
35.在一些示例性的设计思路下，在所述对用户行为偏好挖掘模型进行调试之前，所述方法还可以包括如下内容：对所述第一交互会话处理模型和事先部署的第一操作习惯标签评价模型进行联合调试（对抗训练）。
36.进一步地，所述第一操作习惯标签评价模型用于识别所述第一交互会话处理模型导出的智慧企服交互会话是实时采集的还是事先设置的。第一交互会话处理模型和第一操作习惯标签评价模型能够构成联合处理模型（对抗模型）。
37.可以理解的是，在该示例中，联合调试步骤可以是在node11之前实施，也可以是在node11之后实施，本技术实施例对此不做进一步的限制。
38.进一步地，在进行联合调试的过程中，可以依据第一操作习惯标签评价模型对第一交互会话处理模型生成的智慧企服交互会话session2进行评价，获得第一评价内容，第一评价内容用于反映智慧企服交互会话session2属于携带实时操作习惯标签或者携带参考操作习惯标签的程度。比如，第一评价内容（评价分值）可以是在[0，1]之间的可信系数，在第一评价内容趋向于0的前提下，反映对智慧企服交互会话session2的评价内容为携带参考操作习惯标签；在第一评价内容趋向于1的前提下，反映对智慧企服交互会话session2的评价内容为携带实时操作习惯标签。
[0039]
在获得第一评价内容后，可以基于第一评价内容分别对第一操作习惯标签评价模型和第一交互会话处理模型的模型变量进行改进，以实现对第一操作习惯标签评价模型和第一交互会话处理模型的调试。
[0040]
在本技术实施例中，第一操作习惯标签评价模型的调试期望是，更加精准及全面地评价智慧企服交互会话是携带实时操作习惯标签的还是携带参考操作习惯标签的，鉴于智慧企服交互会话session2是第一交互会话处理模型对智慧企服交互会话session1调整所得的，智慧企服交互会话session2不是实时采集的，由此第一评价内容应为携带参考操作习惯标签。鉴于此，在调试第一操作习惯标签评价模型的过程中，会基于第一评价内容，对第一操作习惯标签评价模型的模型变量进行改进，以使得完成改进的第一操作习惯标签
评价模型对智慧企服交互会话session2的评价内容更加趋向于预配置操作习惯标签。比如，倘若第一评价内容趋向于1，反映对智慧企服交互会话session2的评价内容属于携带实时操作习惯标签，则可以对第一操作习惯标签评价模型的模型变量进行改进，以使完成改进的第一操作习惯标签评价模型对智慧企服交互会话session2的评价内容更趋向于0。
[0041]
第一交互会话处理模型的调试目的是，将携带参考操作习惯标签的智慧企服交互会话的操作习惯标签调整成符合实际场景的携带实时操作习惯标签，以使第一操作习惯标签评价模型将智慧企服交互会话session2评价为携带实时操作习惯标签。由此，在调试第一交互会话处理模型的过程中，会基于第一评价内容，对第一交互会话处理模型的模型变量进行改进，以使第一操作习惯标签评价模型对完成改进的第一交互会话处理模型生成的智慧企服交互会话的评价内容更加趋近于属于携带实时操作习惯标签。比如，倘若第一评价内容趋向于0，反映对智慧企服交互会话session2的评价内容属于携带参考操作习惯标签，则可以对第一交互会话处理模型的模型变量进行改进，以使第一操作习惯标签评价模型对完成改进的第一交互会话处理模型生成的智慧企服交互会话的评价内容更趋向于1。
[0042]
示例性的，可以利用对第一操作习惯标签评价模型和第一交互会话处理模型进行联合调试，提高第一操作习惯标签评价模型和第一交互会话处理模型的精度，使得第一交互会话处理模型获得的智慧企服交互会话session2尽可能符合实际会话情况。从而使用于用户行为偏好挖掘模型调试的携带实时操作习惯标签的智慧企服交互会话session2更趋向于实时采集的质量。这样用于用户行为偏好挖掘模型调试的调试范例不仅存在实施采集的质量，同时还满足了所用交互行为偏好变化的精度，从而进一步提高用户行为偏好挖掘模型的交互行为偏好变化挖掘精度，这样在对实时采集的智慧企服交互会话进行交互行为偏好变化挖掘的过程中，可以获得更加精准的交互行为偏好变化挖掘结果，比如智慧企服交互会话的交互行为偏好变化。举例而言，该交互行为偏好变化能够反映动态更新的交互行为偏好数据，能够反映用户在不同时间节点的用户兴趣偏好。
[0043]
在一些示例性的设计思路下，在所述对用户行为偏好挖掘模型进行调试之前，所述方法还可以包括如下node21和node22。
[0044]
node21、通过第二交互会话处理模型对所述智慧企服交互会话session2进行操作习惯标签调整，获得携带参考操作习惯标签的智慧企服交互会话session3。
[0045]
node22、经由所述智慧企服交互会话session3相较于所述智慧企服交互会话session1的代价指标，改进第一交互会话处理模型和/或第二交互会话处理模型的模型变量。
[0046]
可以理解的是，在该示例中，联合调试步骤可以是在node11之前实施，也可以是在node11之后实施，本技术实施例对此不做进一步的限制。
[0047]
在本技术实施例中，第一交互会话处理模型可以将携带参考操作习惯标签的智慧企服交互会话调整成携带实时操作习惯标签的交互会话，而第二交互会话处理模型可以将携带实时操作习惯标签的智慧企服交互会话调整成携带参考操作习惯标签的交互会话。倘若第一交互会话处理模型和第二交互会话处理模型足够准确，智慧企服交互会话session1在逐一经由第一交互会话处理模型和第二交互会话处理模型后，获得的智慧企服交互会话session3应当与智慧企服交互会话session1保持一致。由此，通过根据智慧企服交互会话session3相较于智慧企服交互会话session1的代价指标（损失函数），改进第一交互会话处
理模型和/或第二交互会话处理模型的模型变量，可以提高第一交互会话处理模型和/或第二交互会话处理模型的准确性。
[0048]
在该示例中，可以仅对第一交互会话处理模型进行改进，也可以仅对第二交互会话处理模型进行改进，也可以对第一交互会话处理模型和第二交互会话处理模型都进行改进，本技术实施例对此不作限制。
[0049]
可以理解的是，在对交互会话进行处理时，可以将交互会话表示为交互会话分布信息进行处理，在进行模型调试的过程中，两个交互会话之间的代价指标可以表示为两个交互会话的交互会话分布信息之间的偏差，在实际实施时，代价指标可以通过代价函数对两个交互会话的交互会话分布信息进行运算获得，代价函数示例性可以为交叉熵代价函数，也可以是铰链代价函数，本技术实施例对示例性的代价函数不作进一步的限制。比如，智慧企服交互会话session3相较于智慧企服交互会话session1的代价指标，可以利用代价函数对智慧企服交互会话session1和智慧企服交互会话session3的交互会话分布信息进行确定获得。
[0050]
示例性的，鉴于智慧企服交互会话session1和智慧企服交互会话session3之间的偏差越小，反映第一交互会话处理模型和第二交互会话处理模型的性能越高，由此，在调试过程中，通过改进第一交互会话处理模型和/或第二交互会话处理模型的模型变量，使得智慧企服交互会话session1和智慧企服交互会话session3之间的偏差变小，以提升第一交互会话处理模型和/或第二交互会话处理模型的准确性，这样第一交互会话处理模型获得的智慧企服交互会话session2也尽可能符合实际应用场景，更趋向于实时采集质量。以更加趋近于实时采集质量的智慧企服交互会话session2来调试用户行为偏好挖掘模型，从而进一步提高用户行为偏好挖掘模型的交互行为偏好变化挖掘准确度。
[0051]
在一些示例性的设计思路下，所述方法还可以包括如下node31和node32。
[0052]
node31、通过第二交互会话处理模型对携带实时操作习惯标签的智慧企服交互会话session4进行操作习惯标签调整，获得携带参考操作习惯标签的智慧企服交互会话session5，所述智慧企服交互会话session4为实时采集的交互会话。
[0053]
node32、对所述第二交互会话处理模型和事先部署的第二操作习惯标签评价模型进行联合调试。
[0054]
进一步地，所述第二操作习惯标签评价模型，用于识别第二交互会话处理模型导出的智慧企服交互会话session5的操作习惯标签为实时操作习惯标签还是为参考操作习惯标签，第二交互会话处理模型和第二操作习惯标签评价模型能够构成联合处理模型。
[0055]
可以理解的是，在该示例中，联合调试步骤可以是在node11之前实施，也可以是在node11之后实施，本技术实施例对此不做进一步的限制。
[0056]
在本技术实施例中，在进行联合调试的过程中，通过第二操作习惯标签评价模型对第二交互会话处理模型生成的智慧企服交互会话session5进行评价，获得第二评价内容，第二评价内容表征第二交互会话处理模型导出的交互会话属于携带实时操作习惯标签或携带参考操作习惯标签的程度。比如，第二评价内容可以是[0，1]之间的可信系数，在第二评价内容趋向于0的前提下，反映对智慧企服交互会话session5的评价内容为携带参考操作习惯标签；在第二评价内容趋向于1的前提下，反映对智慧企服交互会话session5的评价内容为携带实时操作习惯标签。
[0057]
在获得第二评价内容后，会基于第二评价内容分别对第二操作习惯标签评价模型和第二交互会话处理模型的模型变量进行改进，以实现对第二操作习惯标签评价模型和第二交互会话处理模型的调试。
[0058]
第二操作习惯标签评价模型的调试目的是，更加精准及全面地评价智慧企服交互会话是携带实时操作习惯标签的还是携带参考操作习惯标签的，鉴于智慧企服交互会话session5自身时由实时采集交互会话调整得到的，由此，第二评价内容应为携带实时操作习惯标签。由此，在调试第二操作习惯标签评价模型的过程中，会基于第二评价内容，对第二操作习惯标签评价模型的模型变量进行改进，以使完成改进的第二操作习惯标签评价模型对智慧企服交互会话session5的评价内容更趋向于携带实时操作习惯标签。比如，如果第二评价内容趋向于0，反映对智慧企服交互会话session5的评价内容为携带参考操作习惯标签，则可以对第二操作习惯标签评价模型的模型变量进行改进，以使完成改进的第二操作习惯标签评价模型对智慧企服交互会话session5的评价内容更趋向于1。
[0059]
第二交互会话处理模型的调试目的是，将携带实时操作习惯标签的智慧企服交互会话的操作习惯标签调整成携带参考操作习惯标签，以使第二操作习惯标签评价模型将第二交互会话处理模型的输出评判为携带实时操作习惯标签。由此，在调试第二交互会话处理模型的过程中，会基于第二评价内容，对第二交互会话处理模型的模型变量进行改进，以使第二操作习惯标签评价模型对完成改进的第二交互会话处理模型生成的智慧企服交互会话的评价内容更趋向于携带参考操作习惯标签。比如，倘若第二评价内容趋向于1，反映对智慧企服交互会话session5的评价内容属于携带实时操作习惯标签，则可以对第二交互会话处理模型的模型变量进行改进，以使第二操作习惯标签评价模型对完成改进的第二交互会话处理模型生成的智慧企服交互会话的评价内容更趋向于0。
[0060]
示例性的，可以利用对第二操作习惯标签评价模型和第二交互会话处理模型进行联合调试，提高第二操作习惯标签评价模型和第二交互会话处理模型的精度，使得第二交互会话处理模型获得的智慧企服交互会话session5的操作习惯标签更加趋近于携带参考操作习惯标签。使得第二交互会话处理模型更准确，结合上述相关内容，鉴于第二交互会话处理模型可以协助第一交互会话处理模型的调试，因此能够让第一交互会话处理模型获得的智慧企服交互会话的操作习惯标签尽可能匹配实际会话场景，即更趋向于实时采集质量。以更加趋近于实时采集质量的智慧企服交互会话session2来调试用户行为偏好挖掘模型，从而进一步提高用户行为偏好挖掘模型的交互行为偏好变化挖掘准确度。
[0061]
在一些示例性的设计思路下，所述第一交互会话处理模型包含第一局部会话处理单元，所述方法还可以包括node41和node42。
[0062]
node41、经由所述第一局部会话处理单元导出的局部会话细节知识part knowledge1，以及所述智慧企服交互会话session1的交互行为偏好变化，确定第一已调整局部会话细节知识。
[0063]
node42、根据第一已调整局部会话细节知识相较于所述第一局部会话处理单元导出的局部会话细节知识part knowledge2的代价指标，改进所述第一交互会话处理模型的模型变量。
[0064]
进一步地，所述局部会话细节知识part knowledge1（子会话特征/局部会话特征）与所述局部会话细节知识part knowledge2之间存在活动兴趣关联（比如不同兴趣事件之
knowledge3，以及所述智慧企服交互会话session3的预测交互行为偏好变化，确定第二已调整局部会话细节知识。
[0073]
node53、经由第二已调整局部会话细节知识相较于所述第二局部会话处理单元导出的局部会话细节知识part knowledge4的代价指标，改进所述第二交互会话处理模型的模型变量，所述局部会话细节知识part knowledge3与所述局部会话细节知识part knowledge4之间存在活动兴趣关联。
[0074]
在本技术实施例中，在局部会话细节知识part knowledge3为第二应答会话细节字段、局部会话细节知识part knowledge4为第二咨询会话细节字段的基础上，可以通过用户行为偏好挖掘模型确定智慧企服交互会话session4的预测交互行为偏好变化；经由第二局部会话处理单元导出的第二应答会话细节字段，以及智慧企服交互会话session4的预测交互行为偏好变化，确定第二已调整咨询会话细节字段；经由第二已调整咨询会话细节字段相较于第二局部会话处理单元导出的第二咨询会话细节字段的代价指标，改进第二交互会话处理模型的模型变量。
[0075]
进一步地，第二交互会话处理模型是将携带实时操作习惯标签的智慧企服交互会话调整成携带参考操作习惯标签的智慧企服交互会话，并且希望在调整过程中维持智慧企服交互会话的咨询类交互会话和应答类交互会话的交互行为偏好变化不变。由此，这里基于确定第二已调整咨询会话细节字段相较于第二局部会话处理单元导出的第二咨询会话细节字段的代价指标，来改进第二交互会话处理模型的模型变量。
[0076]
鉴于智慧企服交互会话session4为实时采集的智慧企服交互会话，由此该交互会话没有精准的注释交互行为偏好变化，那么，可以通过用户行为偏好挖掘模型确定智慧企服交互会话session4的预测交互行为偏好变化，以该预测交互行为偏好变化来确定第二已调整咨询会话细节字段。
[0077]
在本技术实施例中，在局部会话细节知识part knowledge3为第二咨询会话细节字段、局部会话细节知识part knowledge4为第二应答会话细节字段的基础上，还可以通过用户行为偏好挖掘模型确定智慧企服交互会话session4的预测交互行为偏好变化；经由第二局部会话处理单元导出的第二咨询会话细节字段，以及智慧企服交互会话session4的预测交互行为偏好变化，确定第二已调整应答会话细节字段；经由第二已调整应答会话细节字段相较于第二局部会话处理单元导出的第二应答会话细节字段的代价指标，改进第二交互会话处理模型的模型变量。
[0078]
示例性的，获得的第二交互会话处理模型的局部会话处理单元能够在调整过程中维持智慧企服交互会话的交互行为偏好变化不变，使得第二交互会话处理模型的调整更加精准，结合上述相关内容，鉴于第二交互会话处理模型可以协助第一交互会话处理模型的调试，因而能够让第一交互会话处理模型获得的智慧企服交互会话的操作习惯标签尽可能匹配实际会话场景，即更趋向于实时采集质量。以更加趋近于实时采集质量的智慧企服交互会话session2来调试用户行为偏好挖掘模型，从而进一步提升用户行为偏好挖掘模型的交互行为偏好变化挖掘准确度。
[0079]
在一可能的实施例下，所述方法还可以包括node61-node65。
[0080]
node61、基于所述第二交互会话处理模型对第一先验智慧企服交互会话进行操作习惯标签调整，获得第一预配智慧企服交互会话。
[0081]
node62、基于所述第一交互会话处理模型对所述第一预配智慧企服交互会话进行操作习惯标签调整，获得已调整智慧企服交互会话。
[0082]
node63、将所述第一先验智慧企服交互会话加载至所述用户行为偏好挖掘模型中，获得第一会话活动描述短语。
[0083]
node64、将所述已调整智慧企服交互会话加载至所述用户行为偏好挖掘模型中，获得第二会话活动描述短语。
[0084]
node65、经由所述第一会话活动描述短语和第二会话活动描述短语之间的代价指标，改进所述第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量。
[0085]
在本技术实施例中，鉴于智慧企服交互会话session4的预测交互行为偏好变化是由用户行为偏好挖掘模型预测获得的，并不一定是完全精准的交互行为偏好变化，鉴于预测交互行为偏好变化、局部会话细节知识part knowledge3和局部会话细节知识part knowledge4在一定程度上可能会一并产生偏差，为了规避第二已调整局部会话细节知识相较于局部会话细节知识part knowledge4的代价指标尽可能小却无法作为调试参考的情况，可以将第一先验智慧企服交互会话与已调整智慧企服交互会话分别加载至用户行为偏好挖掘模型中，以使得局部行为偏好挖掘单元对第一先验智慧企服交互会话和已调整智慧企服交互会话的输出结果之间的差异越少越佳。
[0086]
在实际应用时，已调整智慧企服交互会话逐一经过了第一交互会话处理模型、第二交互会话处理模型、用户行为偏好挖掘模型，获得了第二会话活动描述短语；第一先验智慧企服交互会话经过了用户行为偏好挖掘模型，获得了第一会话活动描述短语。这样能够根据第一会话活动描述短语和第二会话活动描述短语之间的代价指标，改进第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量，实现了对第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的有标签调试（监督调试）。
[0087]
在一些示例性的设计思路下，用户行为偏好挖掘模型可以包含多个局部行为偏好挖掘单元，所述第一会话活动描述短语涵盖所述局部行为偏好挖掘单元导出的第一会话活动描述短语；所述第二会话活动描述短语涵盖所述局部行为偏好挖掘单元导出的第二会话活动描述短语；所述用户行为偏好挖掘模型的模型变量涵盖所述局部行为偏好挖掘单元的模型变量。
[0088]
在该示例中，已调整智慧企服交互会话依次经过了第一交互会话处理模型、第二交互会话处理模型、局部行为偏好挖掘单元，获得了第二会话活动描述短语；第一先验智慧企服交互会话经过了局部行为偏好挖掘单元，获得了第一会话活动描述短语。这样能够根据第一会话活动描述短语和第二会话活动描述短语之间的代价指标，改进第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量，实现了对第一交互会话处理模型、第二交互会话处理模型和局部行为偏好挖掘单元的有标签调试。
[0089]
示例性的，将第一先验智慧企服交互会话与已调整智慧企服交互会话分别输入用户行为偏好挖掘模型中，根据局部行为偏好挖掘单元对两者的输出结果之间的比较结果，改进第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量。可以显著规避预测交互行为偏好变化、第二咨询类交互会话和第二应答类交互会话一
并产生偏差的前提下，第二已调整应答会话细节字段相较于第二应答会话细节字段的代价指标难以对模型调试起到参考作用的情形，提高了用户行为偏好挖掘模型对实时采集的智慧企服交互会话进行交互行为偏好变化挖掘的准确度。
[0090]
示例性的，所述方法还可以包括如下node71-node73所记录的内容。
[0091]
node71、分别对所述智慧企服交互会话session1的咨询会话细节字段和应答会话细节字段进行优化操作，获得已优化咨询会话细节字段和已优化应答会话细节字段。
[0092]
node72、将所述已优化咨询会话细节字段和所述已优化应答会话细节字段，分别加载到所述第一交互会话处理模型中，获得与所述已优化咨询会话细节字段对应的咨询会话活动描述短语，以及与所述已优化应答会话细节字段对应的应答会话活动描述短语。
[0093]
node73、经由所述咨询会话活动描述短语和所述应答会话活动描述短语之间的向量差异，改进所述第一交互会话处理模型的模型变量，以使完成改进的第一交互会话处理模型导出的咨询会话活动描述短语和应答会话活动描述短语之间的向量差异大于改进前的向量差异。
[0094]
在本技术实施例中，改进前的向量差异（向量距离），是第一交互会话处理模型在模型变量改进前导出的咨询会话活动描述短语和应答会话活动描述短语之间的向量差异。
[0095]
进一步地，对智慧企服交互会话session1的咨询会话细节字段和应答会话细节字段进行优化操作的实现思路可以有多种，在一些示例性的设计思路下，所述分别对所述智慧企服交互会话session1的咨询会话细节字段和应答会话细节字段进行优化操作，获得已优化咨询会话细节字段和已优化应答会话细节字段，可以包括如下内容：在所述智慧企服交互会话session1的咨询会话细节字段中增设第一兴趣描述文本，获得所述已优化咨询会话细节字段；在所述智慧企服交互会话session1的应答会话细节字段中增设第二兴趣描述文本，获得所述已优化应答会话细节字段。
[0096]
在本技术实施例中，第一兴趣描述文本和第二兴趣描述文本可以是相同的兴趣描述文本也可以是相异的兴趣描述文本。一般而言，第一兴趣描述文本和第二兴趣描述文本是非限制性兴趣描述文本，那么，可以通过正态分布随机来实现在咨询会话细节字段和应答会话细节字段中增设非限制性兴趣描述文本。
[0097]
本技术实施例中的已优化咨询会话细节字段和已优化应答会话细节字段之间的向量差异，可以是欧几里得向量差异，欧几里得向量差异可以反映已优化咨询会话细节字段和已优化应答会话细节字段之间的共性度（相似度）。
[0098]
为了突出非限制性兴趣描述文本的贡献，应当使得已优化咨询会话细节字段和已优化应答会话细节字段之间的向量差异越大越好。由此，通过改进所述第一交互会话处理模型的模型变量，使完成改进的第一交互会话处理模型导出的咨询会话活动描述短语和应答会话活动描述短语之间的向量差异大于改进前的向量差异，以实现对第一交互会话处理模型的调试。
[0099]
示例性的，考虑到实时采集的智慧企服交互会话，会由于各类干扰因素导致咨询类交互会话和应答类交互会话之间也存在些许噪声，由此，通过在智慧企服交互会话的咨询类交互会话和应答类交互会话中分别增设非限制性兴趣描述文本，可以使第一交互会话处理模型导出的咨询类交互会话和应答类交互会话具有多样性，实现信息显著化处理，使得获得的智慧企服交互会话session2的操作习惯标签更加趋近于实际的交互会话的操作
习惯标签。
[0100]
本技术提供的模型调试思路的一种可能的实现方式中，该模型可以包括：第一交互会话处理模型、第二交互会话处理模型、第一操作习惯标签评价模型、第二操作习惯标签评价模型、用户行为偏好挖掘模型。
[0101]
进一步地，第一交互会话处理模型将事先设置的智慧企服交互会话session1调整成携带实时操作习惯标签的智慧企服交互会话session2，第一操作习惯标签评价模型对实时采集的智慧企服交互会话session4和智慧企服交互会话session2进行评价，第一交互会话处理模型和第一操作习惯标签评价模型进行联合调试，联合调试的代价指标为loss1。
[0102]
第二交互会话处理模型将实时采集的智慧企服交互会话session4调整成携带参考操作习惯标签的智慧企服交互会话session5，第二操作习惯标签评价模型对事先设置的智慧企服交互会话session4和智慧企服交互会话session5进行评价，第二交互会话处理模型和第二操作习惯标签评价模型进行联合调试，联合调试的代价指标为loss2。
[0103]
用户行为偏好挖掘模型对智慧企服交互会话session2进行交互行为偏好变化挖掘，获得预测交互行为偏好变化，根据预测交互行为偏好变化与智慧企服交互会话session1的交互行为偏好变化的代价指标loss3，对用户行为偏好挖掘模型的模型变量进行改进。
[0104]
第一交互会话处理模型的第一局部会话处理单元输出第一应答会话细节字段和第一咨询会话细节字段，根据第一应答会话细节字段和智慧企服交互会话session1的交互行为偏好变化确定第一已调整咨询会话细节字段，根据第一已调整咨询会话细节字段相较于第一咨询会话细节字段的代价指标loss4，改进第一交互会话处理模型的模型变量。
[0105]
第二交互会话处理模型的第二局部会话处理单元输出第二应答会话细节字段和第二咨询会话细节字段，经由第二应答会话细节字段和智慧企服交互会话session1的交互行为偏好变化确定第二已调整咨询会话细节字段，经由第二已调整咨询会话细节字段相较于第二咨询会话细节字段的代价指标loss5，改进第二交互会话处理模型的模型变量。
[0106]
用户行为偏好挖掘模型的用户行为偏好挖掘模型对第一先验智慧企服交互会话和已调整智慧企服交互会话进行处理，获得第一会话活动描述短语和第二会话活动描述短语，然后根据第一会话活动描述短语和第二会话活动描述短语之间的代价指标loss6，改进第一交互会话处理模型、第二交互会话处理模型和用户行为偏好挖掘模型的模型变量。
[0107]
在一些示例性的设计思路下，基于本技术实施例的模型调试方法，本技术实施例还提供一种结合深度学习的智慧企服用户数据处理方法，可以包括如下内容：通过用户行为偏好挖掘模型对指定智慧企服交互会话的交互行为偏好变化进行挖掘，获得预测交互行为偏好变化；其中，所述用户行为偏好挖掘模型可以是本技术实施例任一实现方式中的用户行为偏好挖掘模型。
[0108]
示例性的，鉴于用户行为偏好挖掘模型是通过交互行为偏好变化注释精准的携带实时操作习惯标签的调试范例调试获得的，由此，用户行为偏好挖掘模型对实时采集的智慧企服交互会话进行交互行为偏好变化挖掘的质量较佳。
[0109]
在一些示例性的设计思路下，所述指定智慧企服交互会话由交互会话收集线程获取，所述交互会话收集线程配置于智慧企服客户端上；在所述获得预测交互行为偏好变化后，所述方法还可以包括如下内容：经由所述预测交互行为偏好变化，确定所述指定智慧企
服交互会话中目标政企服务事件与所述交互会话收集线程之间的相关度；经由所述相关度指示所述智慧企服客户端的交互操作步骤。
[0110]
可以理解的是，智慧企服客户端可以包括电脑、手机、平板电脑等。基于此，能够通过目标政企服务事件与交互会话收集线程的相关性系数，确定智慧企服客户端的交互操作是否匹配对应的政企服务事件，从而进行针对性的交互操作步骤指示处理，提高政企服务交互的智能化程度和效率。
[0111]
在另一些可独立的设计思路下，该方法还可以包括如下内容：在通过完成调试的所述用户行为偏好挖掘模型对最新智慧企服交互会话进行交互行为偏好变化挖掘并得到所述最新智慧企服交互会话的待处理交互行为偏好变化之后，基于所述待处理交互行为偏好变化确定所述最新智慧企服交互会话的目标智慧企服客户端的用户需求事项；利用所述用户需求事项进行智慧企服业务推荐。
[0112]
在一些示例下，待处理交互行为偏好变化可以通过行为偏好变化特征图的形式记录，在获得待处理交互行为偏好变化之后，可以继续结合ai技术挖掘分析出目标智慧企服客户端的用户需求事项，从而结合用户需求事项进行大数据推送，比如根据不同需求进行针对性的业务推荐处理，提高智慧企服的交互智能性。
[0113]
在另一些可独立的设计思路下，基于所述待处理交互行为偏好变化确定所述最新智慧企服交互会话的目标智慧企服客户端的用户需求事项，可以包括如下内容：确定待处理交互行为偏好变化中目标行为偏好向量集对应的至少一个第一偏好主题关键词；根据所述待处理交互行为偏好变化中的目标行为偏好向量集从参考交互行为偏好变化中确定至少一个目标交互行为偏好变化，其中所述目标交互行为偏好变化具有第二偏好主题关键词和对应的需求知识图谱，所述目标交互行为偏好变化的第二偏好主题关键词在所述需求知识图谱中具有匹配的知识单元；根据所述至少一个第一偏好主题关键词和所述目标交互行为偏好变化的第二偏好主题关键词，以及所述第二偏好主题关键词在所述需求知识图谱中匹配的知识单元，确定所述至少一个第一偏好主题关键词在所述需求知识图谱中的目标知识单元；根据所述至少一个第一偏好主题关键词在所述需求知识图谱中的目标知识单元确定所述待处理交互行为偏好变化对应的用户需求事项。如此设计，通过引入需求知识图谱进行辅助分析，能够提高用户需求匹配的精度和可信度，从而得到完整可靠的用户需求事项。
[0114]
在另一些可独立的设计思路下，所述方法还包括：确定至少一个参考交互行为偏好变化，获取所述参考交互行为偏好变化的至少一个第二偏好主题关键词；对每个所述参考交互行为偏好变化的第二偏好主题关键词进行匹配，得到多个第二偏好主题关键词组，每个所述第二偏好主题关键词组中的至少一个所述第二偏好主题关键词用作反映所述目标行为偏好向量集对应的相同分布；根据所述目标行为偏好向量集对应的多个所述第二偏好主题关键词组确定所述参考交互行为偏好变化对应的需求知识图谱，所述需求知识图谱中每一个点与一个所述第二偏好主题关键词组中的至少一个所述第二偏好主题关键词对应。
[0115]
在另一些可独立的设计思路下，所述根据所述待处理交互行为偏好变化中的目标行为偏好向量集从参考交互行为偏好变化中确定至少一个目标交互行为偏好变化，包括：确定每个所述参考交互行为偏好变化对应的需求描述特征；确定所述待处理交互行为偏好
变化对应的初始需求描述；根据所述待处理交互行为偏好变化的初始需求描述和所述参考交互行为偏好变化对应的需求描述特征，从所述参考交互行为偏好变化中确定所述至少一个目标交互行为偏好变化。
[0116]
在另一些可独立的设计思路下，所述确定每个所述参考交互行为偏好变化对应的需求描述特征包括：对于每个所述参考交互行为偏好变化，基于其中包括的每个所述第二偏好主题关键词在所述需求知识图谱中匹配的知识单元执行自然语言处理，得到所述参考交互行为偏好变化对应的需求描述特征。
[0117]
在另一些可独立的设计思路下，所述根据所述至少一个第一偏好主题关键词和所述目标交互行为偏好变化的第二偏好主题关键词，以及所述第二偏好主题关键词在所述需求知识图谱中匹配的知识单元，确定所述至少一个第一偏好主题关键词在所述需求知识图谱中的目标知识单元，包括：将所述待处理交互行为偏好变化与所述目标交互行为偏好变化进行偏好主题关键词匹配，得到每个所述第一偏好主题关键词匹配的第二偏好主题关键词；将每个所述第一偏好主题关键词匹配的所述第二偏好主题关键词在所述需求知识图谱中匹配的知识单元确定为所述目标知识单元。
[0118]
图3是示出可以实现本技术的实施例的结合深度学习的智慧企服用户数据处理方法的应用环境的架构示意图，结合深度学习的智慧企服用户数据处理方法的应用环境中可以包括互相通信的智慧企服系统100和智慧企服客户端200。基于此，智慧企服系统100和智慧企服客户端200在运行时实现或者部分实现本技术实施例的结合深度学习的智慧企服用户数据处理方法。
[0119]
以上所述，仅为本技术的较佳实施例而已，并非用于限定本技术的保护范围。