[發明專利]提供信息的方法及裝置

有效

• 申請號: 201510340470.7
• 申請日: 2015-06-18
• 公開（公告）號: CN104991887B
• 公開（公告）日: 2018-01-19
• 發明（設計）人: 羅歡;李杰;湯鵬飛;王智
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06Q30/00
• 代理公司: 中原信達知識產權代理有限責任公司11219
• 代理人: 姜勁,陸錦華

技術領域

本發明涉及計算機技術領域，尤其涉及一種提供信息的方法及裝置。

背景技術

在電商客服對話的應用場景下，在客戶開始說話之前，自動客服系統通常會事先向客戶展示一些預測客戶可能問到的問題(簡稱“預測問題”)以及對應的標準答復信息。通過問題預測，可以更快地為客戶服務，讓用戶感到更貼心。

現有技術中，這些預測問題通常是從歷史問題中統計出數量最多的問題進行推薦，或者綜合各種規則進行加權投票，最后進行問題推薦。通過制定規則然后進行加權投票，該方法是一種比較原始的處理方式，需要做大量的實驗后人工調整各種規則的權重；如果規則種類過多并且各自存在一定的關聯時，處理復雜度會成倍的增長，也不易維護；規則制定后也不容易進行調整，擴展性差。

發明內容

有鑒于此，本發明提供一種提供信息的方法及裝置，具有客觀高效、適用范圍廣、可擴展性強等優點。

為實現上述目的，根據本發明的一個方面，提供了一種提供信息的方法，包括：從歷史咨詢會話數據中提取樣本特征向量和所述樣本特征向量對應的樣本決策，其中，所述樣本特征向量中的元素是按預設屬性從歷史咨詢會話數據中提取的屬性值，所述樣本決策為用戶提問語句；利用多個所述樣本特征向量和各個所述樣本特征向量對應的樣本決策作為訓練數據進行訓練，得到概率分類模型；從當前客戶咨詢請求中提取待測特征向量，所述待測特征向量與所述樣本特征向量的格式相同；向所述概率分類模型輸入所述待測特征向量，然后接收所述概率分類模型輸出的一個或多個候選決策以及對應的概率，其中，所述候選決策為候選用戶提問語句；選擇概率最大的K個候選決策作為預測決策，然后將所述預測決策對應的標準答復提供給客戶，其中K為自然數。

可選地，所述預設屬性包括如下選擇中的多種：用戶新老類型、用戶來源入口、用戶畫像信息、以及咨詢商品屬性信息。

可選地，所述樣本決策是由原始用戶提問語句經過分類處理后得到的用戶提問語句。

可選地，所述樣本特征向量和所述待測特征向量是二值化多維離散型向量。

為實現上述目的，根據本發明的另一個方面，提供了一種提供信息的裝置，其特征在于，包括：第一提取模塊，用于從歷史咨詢會話數據中提取樣本特征向量和所述樣本特征向量對應的樣本決策，其中，所述樣本特征向量中的元素是按預設屬性從歷史咨詢會話數據中提取的屬性值，所述樣本決策為用戶提問語句；訓練模塊，用于利用多個所述樣本特征向量和各個所述樣本特征向量對應的樣本決策作為訓練數據進行訓練，得到概率分類模型；第二提取模塊，用于從當前客戶咨詢請求中提取待測特征向量，所述待測特征向量與所述樣本特征向量的格式相同；預測模塊，用于向所述概率分類模型輸入所述待測特征向量，然后接收所述概率分類模型輸出的一個或多個候選決策以及對應的概率，其中，所述候選決策為候選用戶提問語句；信息提供模塊，用于選擇概率最大的K個候選決策作為預測決策，然后將所述預測決策對應的標準答復提供給客戶，其中K為自然數。

可選地，所述預設屬性包括如下選擇中的多種：用戶新老類型、用戶來源入口、用戶畫像信息、以及咨詢商品屬性信息。

可選地，所述樣本決策是由原始用戶提問語句經過分類處理后得到的用戶提問語句。

可選地，所述樣本特征向量和所述待測特征向量是二值化多維離散型向量。

根據本發明的技術方案，先是采集數據訓練概率分類模型，然后利用該模型來預測客戶可能的提問以及對應的概率，最后向客戶提供最可能提問問題的標準答復。該方法至少具有如下優點：(1)避免了人工分析各個特征重要性以及設置權重的工作，避免了主觀性，提高了效率；(2)當影響決策的因素種類很多、復雜程度高時也可以采用該方法，適用范圍廣。(3)當影響決策的因素發生變化時，僅需要修改特征向量的格式即可，擴展性強。

附圖說明

附圖用于更好地理解本發明，不構成對本發明的不當限定。其中：

圖1是根據本發明實施例的提供信息的方法的主要步驟的示意圖；

圖2是根據本發明實施例的提供信息的裝置的主要部件的示意圖。

具體實施方式

以下結合附圖對本發明的示范性實施例做出說明，其中包括本發明實施例的各種細節以助于理解，應當將它們認為僅僅是示范性的。因此，本領域普通技術人員應當認識到，可以對這里描述的實施例做出各種改變和修改，而不會背離本發明的范圍和精神。同樣，為了清楚和簡明，以下的描述中省略了對公知功能和結構的描述。