[發明專利]一種向人工客服推薦回復內容的對話機器人的實現方法

有效

• 申請號: 201710753876.7
• 申請日: 2017-08-29
• 公開（公告）號: CN107330130B
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 馬曉宇;辛欣;李理
• 申請（專利權）人: 北京易掌云峰科技有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F40/289;G06N3/04
• 代理公司: 北京安度修典專利代理事務所(特殊普通合伙) 11424
• 代理人: 楊方成

1.一種向人工客服推薦回復內容的對話機器人的實現方法，其特征在于，包括以下步驟：

步驟1、通過第一個LSTM神經張量網絡模型(LNTN)對問題進行特征抽取，得到客戶問題分詞的結果q₁、q₂、…、q_m，并用第一個LSTM神經張量網絡模型將客戶問題分詞的結果q₁、q₂、…、q_m編碼為向量c；

其中，q_m表示客戶問題的第m個詞對應的向量；

步驟2、通過第二個LSTM神經張量網絡模型對客服答復進行特征抽取，得到客服答復分詞的結果a₁、a₂、…、a_n，并用第二個LSTM神經張量網絡模型將客服答復分詞的結果a₁、a₂、…、a_n編碼為向量r；

其中，a_n表示客服答復的第n個詞對應的向量；

步驟3、獲取問題所在商店的個性化特征，并編碼為商家的特征向量s；

步驟4、通過神經張量網絡層(NTN)將所述向量c、向量r與向量s通過張量進行直接交互計算，實現特征表示與相似度匹配；

步驟5、輸出客戶問題對應的相似答復的篩選推薦功能選項；

所述步驟3包括：

將所有商店的數據同時用來訓練神經張量網絡模型進行答復內容的協同推薦，進而得出訓練出的商店個性化特征，并將其編碼為向量s；

所述步驟3中的個性化特征包括商家的類別、商家的星級或商家的服務質量；

所述步驟4包括：

1)、將所述q_m或a_n作為LSTM神經張量網絡模型的輸入，經過LSTM神經張量網絡模型的記憶單元運算，輸出客戶問題或客服答復的句向量，即向量c與向量r；

2)、將步驟1)中輸出的向量c與向量r結合訓練好的商店個性化特征向量s，通過張量進行直接交互計算問題與答復的相似性；

所述記憶單元包括輸入門、遺忘門、輸出門與cell單元，所述cell單元用于將當前狀態與之后狀態產生關聯，即將cell單元信息返回至所述輸入門、遺忘門與輸出門中進行下一步的計算；

所述記憶單元的運算公式為：

輸入門：i_t＝f(W_xix_t+W_hib_t-1+W_cic_t-1+b_i)；

遺忘門：f_t＝f(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)；

Cell狀態：

輸出門：o_t＝f(W_xox_t+W_hoh_t-1+W_coc_t+b_o)；

隱層狀態輸出：h_t＝o_t⊙g(c_t)；

其中，x_t，h_t-1，c_t-1是神經元的輸入，即是來自前級神經元的軸突的信息A，W_xf，W_hf，W_cf分別是神經元對x_t，h_t-1，c_t-1的權系數，也即突觸的傳遞效率；i_t，f_t，c_t，o_t是神經元的輸出；f()是激發函數，它決定神經元受到輸入x_t，h_t-1，c_t-1的共同刺激達到閥值時以何種方式輸出；

所述隱層 狀態輸出為LSTM神經張量網絡模型的映射輸出，所述LSTM神經張量網絡模型的映射輸出為問題或答復的句向量表示；

所述步驟1中的第一個LSTM神經張量網絡模型和步驟2中的第二個LSTM神經張量網絡模型為相同的網絡結構。