[發(fā)明專利]結(jié)合RPA和AI的對話機器人回復(fù)方法、模型訓(xùn)練方法及裝置

在審

• 申請?zhí)枺?/td>: 202010792940.4
• 申請日: 2020-08-07
• 公開（公告）號: CN111897938A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計）人: 胡一川;汪冠春;褚瑞;李瑋;段沛宸;張海雷
• 申請（專利權(quán)）人: 北京來也網(wǎng)絡(luò)科技有限公司;北京奔影網(wǎng)絡(luò)科技有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/2458;G06F40/30;G06K9/62
• 代理公司: 北京清亦華知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11201
• 代理人: 張大威

1.一種結(jié)合RPA和AI的對話機器人回復(fù)方法，其特征在于，包括：

接收用戶的提問語句；

基于預(yù)設(shè)檢索模型，確定與所述提問語句滿足相似度要求的目標(biāo)相似問題；其中，所述預(yù)設(shè)檢索模型通過預(yù)設(shè)知識庫中的相似問題訓(xùn)練得到，以建立各相似問題與相似度之間的關(guān)聯(lián)關(guān)系；

將所述目標(biāo)相似問題所屬知識點的答案返回給所述用戶。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)設(shè)檢索模型，確定與所述提問語句滿足相似度要求的目標(biāo)相似問題，包括：

從預(yù)設(shè)知識庫中召回所述提問語句對應(yīng)的各個相似問題；

基于預(yù)設(shè)檢索模型，從召回的各個相似問題中確定與所述提問語句相似度最高的目標(biāo)相似問題。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于預(yù)設(shè)檢索模型，從召回的各個相似問題中確定與所述提問語句相似度最高的目標(biāo)相似問題，包括：

計算所述提問語句與每個相似問題之間的相似度值；

將所有相似度值輸入預(yù)設(shè)檢索模型；

根據(jù)所述預(yù)設(shè)檢索模型輸出的置信度結(jié)果，從所述召回的各個相似問題中確定與所述提問語句相似度最高的目標(biāo)相似問題。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述預(yù)設(shè)檢索模型輸出的置信度結(jié)果，從所述召回的各個相似問題中確定與所述提問語句相似度最高的目標(biāo)相似問題，包括：

基于所述預(yù)設(shè)檢索模型的輸出的所有置信度值，從所述召回的各個相似問題中選擇置信度值最高的相似度問題；

將所述置信度值最高的相似度問題作為與所述提問語句相似度最高的目標(biāo)相似問題。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述計算所述提問語句與每個相似問題之間的相似度值，包括：

計算所述提問語句與所述每個相似問題之間的特征，并將得到的特征作為相似度值；其中，所述特征包括：最小編輯距離、最長公共子串長度、詞頻－逆文件頻率TFIDF加權(quán)平均的詞向量余弦距離、詞移距離WMD分?jǐn)?shù)和基于句對的神經(jīng)網(wǎng)絡(luò)特征中的一種或多種。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述預(yù)設(shè)檢索模型通過如下方式得到：

對訓(xùn)練樣本中的每對相似問題添加標(biāo)簽，其中，所述標(biāo)簽用于表示每對相似問題中的各相似問題是否屬于同一個知識點；

確定所述每對相似問題中各相似問題的相似度；

利用帶有標(biāo)簽和相似度值的訓(xùn)練樣本對預(yù)設(shè)監(jiān)督模型進(jìn)行訓(xùn)練，得到檢索模型；

其中，所述訓(xùn)練樣本中的各相似問題均為預(yù)設(shè)知識庫中的相似問題。

7.一種用于結(jié)合RPA和AI的對話機器人上的檢索模型訓(xùn)練方法，其特征在于，包括：

對訓(xùn)練樣本集中的每對相似問題添加標(biāo)簽，其中，所述標(biāo)簽用于表示所述每對相似問題中的各相似問題是否屬于同一個知識點；

確定所述每對相似問題中各相似問題間的相似度；

利用帶有標(biāo)簽和相似度值的訓(xùn)練樣本集對預(yù)設(shè)監(jiān)督模型進(jìn)行訓(xùn)練，得到檢索模型；

其中，所述訓(xùn)練樣本集中的各相似問題均屬于預(yù)設(shè)知識庫。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述訓(xùn)練樣本集通過如下方式得到：

從預(yù)設(shè)知識庫中選擇設(shè)定數(shù)目的相似問題作為種子問題；

在所述預(yù)設(shè)知識庫中對各種子問題進(jìn)行檢索，召回各種子問題對應(yīng)的相似問題；

對于每個種子問題，將其與對應(yīng)的各相似問題進(jìn)行組合，并將組合后的多對相似問題的集合作為訓(xùn)練樣本集。

9.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述確定所述每對相似問題中各相似問題間的相似度，包括：

計算所述每對相似問題中的各相似問題之間的特征，并將得到的特征作為相似度值；其中，所述特征包括：最小編輯距離、最長公共子串長度、詞頻－逆文件頻率TFIDF加權(quán)平均的詞向量余弦距離、詞移距離WMD分?jǐn)?shù)和基于句對的神經(jīng)網(wǎng)絡(luò)特征中的一種或多種。