本發(fā)明涉及人工智能領(lǐng)域，特別涉及一種人工智能客服機(jī)器人的問題解答方法及系統(tǒng)。

背景技術(shù)：

目前，最廣泛的客服聊天機(jī)器人，使用了傳統(tǒng)nlp(naturelanguageprocessing，自然語言處理)技術(shù)，對問題進(jìn)行關(guān)鍵字提取，然后進(jìn)行聚類，并在答案集合中進(jìn)行匹配。在匹配的結(jié)果中，進(jìn)行短文本相似度計算，針對每個候選答案給出一個分值，排序后取前n個返回給用戶。

由于語言表達(dá)的多樣性、語義理解的困惑度，特別是中文的歧義等現(xiàn)象非常常見，導(dǎo)致了nlp技術(shù)的解答準(zhǔn)確率比較低，而且由于自然語言處理中的上下文復(fù)雜性，這種技術(shù)的解答準(zhǔn)確率是受到嚴(yán)重限制的。同時這種技術(shù)的語料庫的維護(hù)成本相當(dāng)高，需要人工給出很多的標(biāo)注，對詞的聚類也需要投入大量的人工，因此在企業(yè)實際應(yīng)用中，在企業(yè)和用戶兩方面都沒有得到很好的反饋。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中客服聊天機(jī)器人使用的nlp技術(shù)解答準(zhǔn)確率低，語料庫的維護(hù)成本高，導(dǎo)致用戶體驗度低的缺陷，提供一種人工智能客服機(jī)器人的問題解答方法及系統(tǒng)。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題：

一種人工智能客服機(jī)器人的問題解答方法，其特點(diǎn)在于，所述問題解答方法包括以下步驟：

s1、接收整段問題信息，對所述整段問題信息進(jìn)行多卷積，并且提取若干個主要特征信息；

s2、對若干個主要特征信息進(jìn)行下采樣處理，并且從若干個主要特征信息提取若干個目標(biāo)特征信息；

s3、根據(jù)若干個目標(biāo)特征信息并基于人工智能分類算法輸出問題類型信息；

s4、根據(jù)所述問題類型信息查詢對應(yīng)類型的語料庫；

s5、從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息，將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配，并且生成相似度列表，所述相似度列表用于表征所述問題序列文本信息分別與若干個解答序列文本信息之間的相似度；

s6、輸出所述相似度列表中相似度最高的解答序列文本信息所對應(yīng)的解答信息。

較佳地，在步驟s1中，基于cnn(convolutionalneuralnetwork，卷積神經(jīng)網(wǎng)絡(luò))模型對所述整段文本信息進(jìn)行多卷積，并且提取若干個主要特征信息；

在步驟s3中，所述人工智能分類算法為softmax算法(機(jī)器學(xué)習(xí)算法)。

較佳地，在步驟s5中，基于bi-lstm模型(雙向長短時記憶模型)及cnn模型，從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息。

較佳地，在步驟s5中，采用cosine(余弦)算法將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配。

較佳地，在步驟s5中，生成所述相似度列表之后，對所述相似度列表中的若干個解答序列文本信息以相似度從高到低的順序進(jìn)行排列，并且選取前五個解答序列文本信息；

在步驟s6中，輸出前五個解答序列文本信息中相似度最高的解答序列文本信息所對應(yīng)的解答信息，還分別輸出其余四個解答序列文本信息所對應(yīng)的解答信息對應(yīng)的問題信息。

一種人工智能客服機(jī)器人的問題解答系統(tǒng)，其特點(diǎn)在于，所述問題解答系統(tǒng)包括問題輸入模塊、特征提取模塊、類型輸出模塊、類型查詢模塊、解答匹配模塊及解答輸出模塊；

所述問題輸入模塊用于接收整段問題信息，并且將所述整段問題信息發(fā)送至所述特征提取模塊；

所述特征提取模塊用于對所述整段問題信息進(jìn)行多卷積，并且提取若干個主要特征信息，所述特征提取模塊還用于對若干個主要特征信息進(jìn)行下采樣處理，并且從若干個主要特征信息提取若干個目標(biāo)特征信息，所述特征提取模塊還用于將若干個目標(biāo)特征信息發(fā)送至所述類型輸出模塊；

所述類型輸出模塊用于根據(jù)若干個目標(biāo)特征信息并基于人工智能分類算法輸出問題類型信息；

所述類型查詢模塊用于根據(jù)所述問題類型信息查詢對應(yīng)類型的語料庫；

所述解答匹配模塊用于從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息，將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配，并且生成相似度列表，所述相似度列表用于表征所述問題序列文本信息分別與若干個解答序列文本信息之間的相似度；

所述解答輸出模塊用于輸出所述相似度列表中相似度最高的解答序列文本信息所對應(yīng)的解答信息。

較佳地，所述特征提取模塊用于基于cnn模型對所述整段文本信息進(jìn)行多卷積，并且提取若干個主要特征信息；

所述人工智能分類算法為softmax算法。

較佳地，所述解答匹配模塊用于基于bi-lstm模型及cnn模型，從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息。

較佳地，所述解答匹配模塊用于采用cosine算法將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配。

較佳地，所述解答匹配模塊用于生成所述相似度列表之后，對所述相似度列表中的若干個解答序列文本信息以相似度從高到低的順序進(jìn)行排列，并且選取前五個解答序列文本信息；

所述解答輸出模塊用于輸出前五個解答序列文本信息中相似度最高的解答序列文本信息所對應(yīng)的解答信息，還分別輸出其余四個解答序列文本信息所對應(yīng)的解答信息對應(yīng)的問題信息。

在符合本領(lǐng)域常識的基礎(chǔ)上，上述各優(yōu)選條件，可任意組合，即得本發(fā)明各較佳實例。

本發(fā)明的積極進(jìn)步效果在于：

本發(fā)明提供的人工智能客服機(jī)器人的問題解答方法及系統(tǒng)使用深度學(xué)習(xí)模型，極大地提高了人工智能客服機(jī)器人的解答準(zhǔn)確率，降低了語料庫的維護(hù)成本，從而較好地滿足在企業(yè)實際應(yīng)用中的各項要求，提高了用戶體驗度。

附圖說明

圖1為本發(fā)明較佳實施例的人工智能客服機(jī)器人的問題解答方法的流程圖。

圖2為本發(fā)明較佳實施例的人工智能客服機(jī)器人的問題解答系統(tǒng)的結(jié)構(gòu)示意圖。

圖3為本發(fā)明較佳實施例中的分布式容器化部署的示意圖。

具體實施方式

下面通過實施例的方式進(jìn)一步說明本發(fā)明，但并不因此將本發(fā)明限制在所述的實施例范圍之中。

如圖1所示，本實施例提供的人工智能客服機(jī)器人的問題解答方法包括以下步驟：

步驟101、接收整段問題信息，對整段問題信息進(jìn)行多卷積，并且提取若干個主要特征信息。

在本實施例中，所述問題解答方法采用兩級的深度學(xué)習(xí)模型，第一級trigger模型(深度學(xué)習(xí)的常用模型)負(fù)責(zé)對輸入問題進(jìn)行分類，從而為第二級的模型選擇提供依據(jù)。第二級的qa模型(深度學(xué)習(xí)的常用模型)負(fù)責(zé)對該分類下的問題進(jìn)行答案匹配并輸出結(jié)果。

在本步驟中，人工智能客服機(jī)器人接收用戶輸入的問題后，即整段問題信息，并且準(zhǔn)備進(jìn)行問題的分類工作。

在本步驟中，基于cnn模型對所述整段文本信息進(jìn)行多卷積，并且提取若干個主要特征信息。

步驟102、對若干個主要特征信息進(jìn)行下采樣處理，并且從若干個主要特征信息提取若干個目標(biāo)特征信息。

在本步驟中，對若干個主要特征信息進(jìn)行下采樣處理，從而進(jìn)一步提取若干個目標(biāo)特征信息。在本實施例中，并不具體限定主要特征信息及目標(biāo)特征信息的提取數(shù)量，均可根據(jù)實際情況及實際算法來提取。

步驟103、根據(jù)若干個目標(biāo)特征信息并基于softmax算法輸出問題類型信息。

步驟104、根據(jù)所述問題類型信息查詢對應(yīng)類型的語料庫。

在本步驟中，根據(jù)輸出的問題類型信息來查詢對應(yīng)類型的語料庫，例如，當(dāng)用戶輸入旅游相關(guān)問題，問題類型信息可以為“簽證類”、“自由行類”、“團(tuán)隊游類”等，接下來查詢并匹配相應(yīng)類型的簽證語料庫、自由行語料庫、團(tuán)隊游語料庫等，當(dāng)然本實施例中并不具體限定語料庫的類型，均可根據(jù)實際情況來自行設(shè)定。

步驟105、從整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息，將問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配，并且生成相似度列表。

在本步驟中，基于bi-lstm模型及cnn模型，從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息。

在本步驟中，采用cosine算法將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配。

在本步驟中，所述相似度列表用于表征所述問題序列文本信息分別與若干個解答序列文本信息之間的相似度。

在本實施例中，采用了qa模型的混合模型，即bi-lstm模型和cnn模型的混合模型，充分利用了bi-lstm模型對序列文本的解析能力，同時通過雙向計算，大大提高了模型的穩(wěn)定性和多特征綜合提取。在級聯(lián)cnn模型的基礎(chǔ)上，摒棄了softmax層，選擇了cosine算法對向量進(jìn)行比較，從而輸出相似度。

步驟106、對相似度列表中的若干個解答序列文本信息以相似度從高到低的順序進(jìn)行排列，并且選取前五個解答序列文本信息。

在本步驟中，雖然僅示出選取前五個解答序列文本信息的方案，但是并不具體所選取的解答序列文本信息的數(shù)量，也可根據(jù)實際情況進(jìn)行或多或少的調(diào)整。

步驟107、輸出前五個解答序列文本信息中相似度最高的解答序列文本信息所對應(yīng)的解答信息，還分別輸出其余四個解答序列文本信息所對應(yīng)的解答信息對應(yīng)的問題信息。

在本實施例中，在人工智能客服機(jī)器人訓(xùn)練階段中，首先需要對語料庫進(jìn)行技術(shù)整理，整理出相應(yīng)的問答分類，并歸入各分類的對應(yīng)語料庫。送入模型進(jìn)行訓(xùn)練。切出其中的10％作為測試數(shù)據(jù)集，并在訓(xùn)練完成后進(jìn)行測試驗證。驗證通過后，即可進(jìn)行實際提問，并得到相應(yīng)的回答分類。

如圖3所示，在人工智能客服機(jī)器人實施階段中，由于深度模型依賴的實施環(huán)境和運(yùn)行環(huán)境都較復(fù)雜，本實施例中采用了分布式容器化部署，結(jié)果證明其對于系統(tǒng)監(jiān)控、loadbalance(負(fù)載均衡)及穩(wěn)定性都提供了很好的保障，mesos為開源分布式資源管理框架，是分布式系統(tǒng)的內(nèi)核，docker為虛擬機(jī)容器。

在本實施例中，所述問題解答方法應(yīng)用人工智能的深度學(xué)習(xí)模型，可以在以下幾個方面獲得顯著的效果：

1、由于深度學(xué)習(xí)模型的模型層數(shù)較深，對于語言的解析更加全面且多層次；

2、多深度模型混合，可以從更多方面根據(jù)各自特性綜合對同一問答對進(jìn)行分析，大幅度提升了準(zhǔn)確率；

3、由于深度學(xué)習(xí)模型的本質(zhì)屬于機(jī)器學(xué)習(xí)，所以伴隨著語料庫樣本的不斷增加，模型準(zhǔn)確率和召回率可以不斷提升，并達(dá)到和保持在一個高可用的基準(zhǔn)上；

4、由于深度學(xué)習(xí)模型的特性是端到端的學(xué)習(xí)，因此不需要對語料進(jìn)行關(guān)鍵字提取、聚類、關(guān)鍵字匹配等步驟，大大減少了該環(huán)節(jié)的人工成本和技術(shù)成本；

5、應(yīng)用深度學(xué)習(xí)模型后，對于多國語言的訓(xùn)練和模型輸出也會變得更通用和低成本，而這一點(diǎn)在傳統(tǒng)nlp技術(shù)上是無法實現(xiàn)或者代價很大。

如圖2所示，本實施例還提供一種人工智能客服機(jī)器人的問題解答系統(tǒng)1，包括問題輸入模塊11、特征提取模塊12、類型輸出模塊13、類型查詢模塊14、解答匹配模塊15及解答輸出模塊16。

在本實施例中，人工智能客服機(jī)器人的問題解答系統(tǒng)1采用兩級的深度學(xué)習(xí)模型，第一級trigger模型(深度學(xué)習(xí)的常用模型)負(fù)責(zé)對輸入問題進(jìn)行分類，從而為第二級的模型選擇提供依據(jù)。第二級的qa模型(深度學(xué)習(xí)的常用模型)負(fù)責(zé)對該分類下的問題進(jìn)行答案匹配并輸出結(jié)果。

問題輸入模塊11用于接收整段問題信息，并且將所述整段問題信息發(fā)送至特征提取模塊12。在本實施例中，人工智能客服機(jī)器人接收用戶輸入的問題后，即整段問題信息，并且準(zhǔn)備進(jìn)行問題的分類工作。

特征提取模塊12用于基于cnn模型對所述整段文本信息進(jìn)行多卷積，并且提取若干個主要特征信息，特征提取模塊12還用于對若干個主要特征信息進(jìn)行下采樣處理，并且從若干個主要特征信息提取若干個目標(biāo)特征信息，特征提取模塊12還用于將若干個目標(biāo)特征信息發(fā)送至類型輸出模塊13。在本實施例中，并不具體限定主要特征信息及目標(biāo)特征信息的提取數(shù)量，均可根據(jù)實際情況及實際算法來提取。

類型輸出模塊13用于根據(jù)若干個目標(biāo)特征信息并基于softmax算法輸出問題類型信息。

類型查詢模塊14用于根據(jù)所述問題類型信息查詢對應(yīng)類型的語料庫。在本實施例中，根據(jù)輸出的問題類型信息來查詢對應(yīng)類型的語料庫，例如，當(dāng)用戶輸入旅游相關(guān)問題，問題類型信息可以為“簽證類”、“自由行類”、“團(tuán)隊游類”等，接下來查詢并匹配相應(yīng)類型的簽證語料庫、自由行語料庫、團(tuán)隊游語料庫等，當(dāng)然本實施例中并不具體限定語料庫的類型，均可根據(jù)實際情況來自行設(shè)定。

解答匹配模塊15用于基于bi-lstm模型及cnn模型，從所述整段問題信息中提取問題序列文本信息，從對應(yīng)類型的語料庫中的若干個解答信息中分別提取若干個解答序列文本信息，采用cosine算法將所述問題序列文本信息分別與若干個解答序列文本信息進(jìn)行匹配，并且生成相似度列表，所述相似度列表用于表征所述問題序列文本信息分別與若干個解答序列文本信息之間的相似度。

在本實施例中，采用了qa模型的混合模型，即bi-lstm模型和cnn模型的混合模型，充分利用了bi-lstm模型對序列文本的解析能力，同時通過雙向計算，大大提高了模型的穩(wěn)定性和多特征綜合提取。在級聯(lián)cnn模型的基礎(chǔ)上，摒棄了softmax層，選擇了cosine算法對向量進(jìn)行比較，從而輸出相似度。

解答匹配模塊15還用于生成所述相似度列表之后，對所述相似度列表中的若干個解答序列文本信息以相似度從高到低的順序進(jìn)行排列，并且選取前五個解答序列文本信息。在本實施例中，雖然僅示出選取前五個解答序列文本信息的方案，但是并不具體所選取的解答序列文本信息的數(shù)量，也可根據(jù)實際情況進(jìn)行或多或少的調(diào)整。

解答輸出模塊16用于輸出前五個解答序列文本信息中相似度最高的解答序列文本信息所對應(yīng)的解答信息，還分別輸出其余四個解答序列文本信息所對應(yīng)的解答信息對應(yīng)的問題信息。

在本實施例中，在人工智能客服機(jī)器人訓(xùn)練階段中，首先需要對語料庫進(jìn)行技術(shù)整理，整理出相應(yīng)的問答分類，并歸入各分類的對應(yīng)語料庫。送入模型進(jìn)行訓(xùn)練。切出其中的10％作為測試數(shù)據(jù)集，并在訓(xùn)練完成后進(jìn)行測試驗證。驗證通過后，即可進(jìn)行實際提問，并得到相應(yīng)的回答分類。

如圖3所示，在人工智能客服機(jī)器人實施階段中，由于深度模型依賴的實施環(huán)境和運(yùn)行環(huán)境都較復(fù)雜，本實施例中采用了分布式容器化部署，結(jié)果證明其對于系統(tǒng)監(jiān)控、loadbalance(負(fù)載均衡)及穩(wěn)定性都提供了很好的保障，mesos為開源分布式資源管理框架，是分布式系統(tǒng)的內(nèi)核，docker為虛擬機(jī)容器。

在本實施例中，人工智能客服機(jī)器人的問題解答系統(tǒng)1應(yīng)用人工智能的深度學(xué)習(xí)模型，可以在以下幾個方面獲得顯著的效果：

1、由于深度學(xué)習(xí)模型的模型層數(shù)較深，對于語言的解析更加全面且多層次；

2、多深度模型混合，可以從更多方面根據(jù)各自特性綜合對同一問答對進(jìn)行分析，大幅度提升了準(zhǔn)確率；

3、由于深度學(xué)習(xí)模型的本質(zhì)屬于機(jī)器學(xué)習(xí)，所以伴隨著語料庫樣本的不斷增加，模型準(zhǔn)確率和召回率可以不斷提升，并達(dá)到和保持在一個高可用的基準(zhǔn)上；

4、由于深度學(xué)習(xí)模型的特性是端到端的學(xué)習(xí)，因此不需要對語料進(jìn)行關(guān)鍵字提取、聚類、關(guān)鍵字匹配等步驟，大大減少了該環(huán)節(jié)的人工成本和技術(shù)成本；

5、應(yīng)用深度學(xué)習(xí)模型后，對于多國語言的訓(xùn)練和模型輸出也會變得更通用和低成本，而這一點(diǎn)在傳統(tǒng)nlp技術(shù)上是無法實現(xiàn)或者代價很大。

本實施例提供的人工智能客服機(jī)器人的問題解答方法及系統(tǒng)使用深度學(xué)習(xí)模型，極大地提高了人工智能客服機(jī)器人的解答準(zhǔn)確率，降低了語料庫的維護(hù)成本，從而較好地滿足在企業(yè)實際應(yīng)用中的各項要求，提高了用戶體驗度。

在現(xiàn)有nlp技術(shù)下，已有問答的解答準(zhǔn)確率僅為72％，而理想情況下的深度模型的解答準(zhǔn)確率為100％；現(xiàn)有nlp技術(shù)在開放問題句式下的解答準(zhǔn)確率為43％，而理想情況下的深度模型在語料庫僅數(shù)千條的情況下，開放問題句式的解答準(zhǔn)確率可達(dá)到70％以上，并且伴隨語料庫的增加還可以獲得較大的提升。

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這僅是舉例說明，本發(fā)明的保護(hù)范圍是由所附權(quán)利要求書限定的。本領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實質(zhì)的前提下，可以對這些實施方式做出多種變更或修改，但這些變更和修改均落入本發(fā)明的保護(hù)范圍。