[發(fā)明專利]一種基于知識計算的智能客服助理意圖識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310418807.6
• 申請日: 2023-04-13
• 公開（公告）號: CN116600052A
• 公開（公告）日: 2023-08-15
• 發(fā)明（設(shè)計）人: 丁常坤;夏兵;程磊;汪睿卿
• 申請（專利權(quán)）人: 科大國創(chuàng)軟件股份有限公司
• 主分類號: H04M3/51
• 分類號: H04M3/51;G10L15/16;G10L15/26;G06F40/35;G06N3/0455;G06N3/047;G06N3/08;G06F16/332;G06F16/33
• 代理公司: 合肥昊晟德專利代理事務(wù)所(普通合伙) 34153
• 代理人: 何梓秋

本發(fā)明公開了一種基于知識計算的智能客服助理意圖識別方法及系統(tǒng)，屬于自然語言處理技術(shù)領(lǐng)域，包括以下步驟：S1：模型運營及管理規(guī)則配置；S2：客戶意圖識別。本發(fā)明可適用于咨詢、投訴、建議等多種業(yè)務(wù)場景，應(yīng)用范圍廣泛；能顯著提高人工座席的工作效率、服務(wù)質(zhì)量和客戶滿意度且大幅降低企業(yè)人力成本；提供了可自定義管理的詞庫，建立專有詞、同義詞和停用詞表并進行更新維護，提升了意圖識別的準確率；通過模型管理配置，可基于積累的標注文本數(shù)據(jù)實現(xiàn)模型的版本更新，滿足業(yè)務(wù)變更下的模型持續(xù)迭代優(yōu)化，且易于維護。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語言處理技術(shù)領(lǐng)域，具體涉及一種基于知識計算的智能客服助理意圖識別方法及系統(tǒng)。

背景技術(shù)

人工座席是客服中心體系的重要組成部分，隨著業(yè)務(wù)種類的多元化發(fā)展和用戶基數(shù)的不斷增長，傳統(tǒng)人工座席存在用戶意圖識別準確率較低、需要處理大量重復(fù)需求、服務(wù)效率低下和企業(yè)人力成本居高不下等問題。隨著深度學(xué)習(xí)和自然語言處理相關(guān)技術(shù)的發(fā)展以及大規(guī)模數(shù)據(jù)的出現(xiàn)，考慮利用意圖識別模型輔助人工座席對客戶通話意圖進行自動分類識別、并推送相應(yīng)推薦話術(shù)和服務(wù)方案，以提高服務(wù)質(zhì)量和服務(wù)效率，降低人力成本。

目前主要存在以下幾點問題：傳統(tǒng)方法依賴人工座席的經(jīng)驗和知識，易出現(xiàn)意圖識別不準確，造成工作質(zhì)量較低；大量重復(fù)的工作易使人工座席產(chǎn)生疲勞，造成工作效率低和出現(xiàn)主觀誤判；用戶基數(shù)的不斷增長使得對人工座席的需求相應(yīng)提高，造成企業(yè)運營成本居高不下；人工座席易少記、漏記數(shù)據(jù)，且大量工單數(shù)據(jù)沒有得到規(guī)范管理和充分利用。為此，提出一種基于知識計算的智能客服助理意圖識別方法及系統(tǒng)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于：如何解決傳統(tǒng)方法存在的意圖識別不準確、工作效率低等問題，提供了一種基于知識計算的智能客服助理意圖識別方法。

本發(fā)明是通過以下技術(shù)方案解決上述技術(shù)問題的，本發(fā)明包括以下步驟：

S1：模型運營及管理規(guī)則配置

將意圖識別任務(wù)抽象為文本匹配任務(wù)，構(gòu)建基于孿生網(wǎng)絡(luò)的sentence-Transformer雙塔模型；基于實際業(yè)務(wù)需求，配置模型運行規(guī)則，創(chuàng)建模型訓(xùn)練任務(wù)進行模型訓(xùn)練，模型性能滿足預(yù)設(shè)性能指標則上線運營；配置模型管理規(guī)則，進行模型迭代優(yōu)化；

S2：客戶意圖識別

獲取用戶通話語音，將通話語音轉(zhuǎn)成文本，根據(jù)基于具體業(yè)務(wù)內(nèi)容和先驗知識配置詞庫管理規(guī)則，建立對應(yīng)業(yè)務(wù)場景的行業(yè)詞庫，定義相關(guān)詞表對文本進行預(yù)處理，隨后輸入經(jīng)過訓(xùn)練及迭代優(yōu)化的模型獲得意圖識別結(jié)果。

更進一步地，在所述步驟S1中，所述sentence-Transformer雙塔模型的處理過程如下：

S101：將兩個輸入分別輸入到ERINE預(yù)訓(xùn)練模型，共享同一個ERINE參數(shù)，ERINE預(yù)訓(xùn)練模型采用多層Transformer作為編碼器，通過注意力機制捕獲每個詞向量在文本序列的上下文信息，獲得兩個符合語義表示特性的固定維度初始文本嵌入向量；

S102：采用均值池化層對ERINE預(yù)訓(xùn)練模型生成的嵌入向量進行特征提取，轉(zhuǎn)化為兩個特征向量u、v；

S103：拼接u、v，|u-v|三個特征向量，使用Softmax函數(shù)進行分類輸出，獲得意圖識別結(jié)果。

更進一步地，在所述步驟S1中，所述sentence-Transformer雙塔模型的處理過程如下：

S101：將兩個輸入分別輸入到ERINE預(yù)訓(xùn)練模型，共享同一個ERINE參數(shù)，ERINE預(yù)訓(xùn)練模型采用多層Transformer作為編碼器，通過注意力機制捕獲每個詞向量在文本序列的上下文信息，獲得兩個符合語義表示特性的固定維度初始文本嵌入向量；

S102：采用均值池化層對ERINE預(yù)訓(xùn)練模型生成的嵌入向量進行特征提取，轉(zhuǎn)化為兩個特征向量u、v；