一种智能客服服务方法、装置、设备及存储介质

摘要

本发明公开了一种智能客服服务方法，该方法通过对用户咨询的问题进行语义领域的识别划分，并在归属的领域中进一步确定用户意图，从而可以根据相应语义领域下的相应意图对应的问题检索算法实现用户标准问的检索，通过针对不同的业务需求进行流程配置，保障了在复杂应用场景下可以满足多业务可靠响应，然后调用预先配置的知识库确定标准问对应的答案语料，并将答案语料反馈至用户端，从而满足用户的会话需求，提升用户体验。本发明还公开了一种智能客服服务装置、设备及可读存储介质，具有相应的技术效果。

权利要求

1.一种智能客服服务方法，其特征在于，包括：接收到用户咨询的问题后，调用领域分类模型识别所述问题中的语义领域特征，得到目标领域，其中所述领域分类模型为基于TextCNN+MLP融合模型；

调用意图分类模型识别所述问题中的语义意图特征，得到所述目标领域下的用户意图；其中所述用户意图包括常见问题，闲聊问题和业务问题；

调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问；其中，当所述用户意图为闲聊问题时，调用ElasticSearch检索算法检索所述问题对应的标准问，并将得到的检索结果作为粗召回结果；

调用编辑距离算法对所述粗召回结果进行精准度评价，获取精准度最高的所述粗召回结果，作为检索结果；

判断所述检索结果对应的精准度是否达到预先配置的精准匹配阈值；

若达到，将所述检索结果作为标准问；

若未达到，采用TextCNN多分类模型对问题进行泛化转换，并将所述TextCNN多分类模型输出的结果作为标准问；

经过维度过滤后，调用预先配置的知识库确定所述标准问对应的答案语料，并将所述答案语料反馈至用户端。

2.根据权利要求1所述的智能客服服务方法，其特征在于，调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问，包括：当所述用户意图为常见问题时，调用ElasticSearch检索算法检索所述问题对应的标准问，并将得到的检索结果作为粗召回结果；

调用编辑距离算法对所述粗召回结果进行精准度评价，并将精准度最高的所述粗召回结果作为标准问。

3.根据权利要求1所述的智能客服服务方法，其特征在于，调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问，包括：当所述用户意图为业务问题时，对所述问题进行基础特征提取；其中，所述基础特征包括：分词向量、词性以及语义；

根据所述基础特征获取所述问题对应的对话流；

判断缓存中是否存在历史会话信息；其中，所述历史会话信息包括已完成的槽位信息、上次会话中断处；

若存在，根据所述历史会话信息以及所述对话流进行槽位信息提取；

根据所述槽位信息，匹配对应的标准问。

4.根据权利要求3所述的智能客服服务方法，其特征在于，根据所述基础特征获取所述问题对应的对话流，包括：

将所述问题和所述分词向量在模板库中利用已收集的条件信息进行匹配；

若匹配得到条件信息，将匹配得到的条件信息作为所述问题对应的对话流；

若未匹配到，调用ElasticSearch检索算法匹配所述问题对应的对话流；

调用编辑距离算法对所述ElasticSearch检索算法匹配得到的匹配对话流进行精准度评价，获取精准度最高的所述匹配对话流；

判断所述精准度最高的所述匹配对话流对应的精准度是否达到预先配置的精准匹配阈值；

若达到，将所述精准度最高的所述匹配对话流作为所述问题对应的对话流；

若未达到，采用TextCNN+MLP多分类融合模型对所述问题进行预测，得到预测结果以及对应的相似度；

若所述相似度不小于预置阈值，将所述预测结果作为所述问题对应的对话流；

若所述相似度小于所述预置阈值，启动人工处理。

5.根据权利要求3所述的智能客服服务方法，其特征在于，根据所述槽位信息，匹配对应的标准问，包括：

利用Drools规则库对所述槽位信息进行组合运算，得到组合信息；

判断所述组合信息是否存在对应的标准问；

若存在，将所述组合信息对应的标准问作为匹配得到的标准问；

若不存在，确定满足最多所述槽位信息的标准问；

确定所述标准问对应的未收集到的槽位信息；

根据所述未收集到的槽位信息生成用户问，并输出所述用户问；

根据接收到的用户回复的信息对所述槽位信息进行更新，得到更新后的槽位信息；

执行所述利用Drools规则库对所述槽位信息进行组合运算的步骤，其中，所述槽位信息为所述更新后的槽位信息。

6.根据权利要求3所述的智能客服服务方法，其特征在于，在根据所述槽位信息，匹配对应的标准问之前，还包括：

判断是否有未补全的槽位；

若存在，获取所述未补全的槽位对应的槽位信息。

7.一种智能客服服务装置，其特征在于，该装置包括：领域确定单元，用于接收到用户咨询的问题后，调用领域分类模型识别所述问题中的语义领域特征，得到目标领域，其中所述领域分类模型为基于TextCNN+MLP融合模型；

意图确定单元，用于调用意图分类模型识别所述问题中的语义意图特征，得到所述目标领域下的用户意图；其中所述用户意图包括常见问题，闲聊问题和业务问题；

标准问检索单元，用于调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问；其中，当所述用户意图为闲聊问题时，调用ElasticSearch检索算法检索所述问题对应的标准问，并将得到的检索结果作为粗召回结果；

调用编辑距离算法对所述粗召回结果进行精准度评价，获取精准度最高的所述粗召回结果，作为检索结果；

判断所述检索结果对应的精准度是否达到预先配置的精准匹配阈值；

若达到，将所述检索结果作为标准问；

若未达到，采用TextCNN多分类模型对问题进行泛化转换，并将所述TextCNN多分类模型输出的结果作为标准问；

语料输出单元，经过维度过滤后，用于调用预先配置的知识库确定所述标准问对应的答案语料，并将所述答案语料反馈至用户端。

8.一种智能客服服务设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述智能客服服务方法的步骤。

9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述智能客服服务方法的步骤。

说明书

一种智能客服服务方法、装置、设备及存储介质

技术领域

[0001] 本发明涉及电子技术领域，特别是涉及一种智能客服服务方法、装置、设备及可读存储介质。

背景技术

[0002] 为了方便随时对用户对于税务领域、商业服务等领域的问题咨询的快速响应，以满足用户日常咨询需求，目前针对存在面向开发者的会话系统，支持在不同的消息端上实
现基于自然语言处理的智能会话。

[0003] 随着应用领域业务发展的壮大，智能会话系统应用的业务场景繁多且复杂，垂直领域业务场景划分精细，业务之间耦合严重，针对用户的咨询，目前的智能会话系统大多是
通过端到端的单轮会话实现用户请求的响应的，由于业务场景的复杂化导致无法通过端到
端的方式统一解决，且不同的业务场景需要某一种或某几种算法相结合，需要对算法进行
统一调度管理，目前的会话响应机制难以有效解决客户日常咨询问题，导致用户体验差。

[0004] 综上所述，如何精准确定用户咨询业务问题并做出精准应答，从而提升用户体验，是目前本领域技术人员急需解决的技术问题。

发明内容

[0005] 本发明的目的是提供一种智能客服服务方法、装置、设备及可读存储介质，可以精准确定用户咨询业务问题并做出精准应答。

[0006] 为解决上述技术问题，本发明提供如下技术方案：

[0007] 一种智能客服服务方法，包括：

[0008] 接收到用户咨询的问题后，调用领域分类模型识别所述问题中的语义领域特征，得到目标领域；

[0009] 调用意图分类模型识别所述问题中的语义意图特征，得到所述目标领域下的用户意图；

[0010] 调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问；

[0011] 调用预先配置的知识库确定所述标准问对应的答案语料，并将所述答案语料反馈至用户端。

[0012] 可选地，调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问，包括：

[0013] 当所述用户意图为常见问题时，调用ElasticSearch检索算法检索所述问题对应的标准问，并将得到的检索结果作为粗召回结果；

[0014] 调用编辑距离算法对所述粗召回结果进行精准度评价，并将精准度最高的所述粗召回结果作为标准问。

[0015] 可选地，调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问，包括：

[0016] 当所述用户意图为闲聊问题时，调用ElasticSearch检索算法检索所述问题对应的标准问，并将得到的检索结果作为粗召回结果；

[0017] 调用编辑距离算法对所述粗召回结果进行精准度评价，获取精准度最高的所述粗召回结果，作为检索结果；

[0018] 判断所述检索结果对应的精准度是否达到预先配置的精准匹配阈值；

[0019] 若达到，将所述检索结果作为标准问；

[0020] 若未达到，采用TextCNN多分类模型对问题进行泛化转换，并将所述TextCNN多分类模型输出的结果作为标准问。

[0021] 可选地，调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问，包括：

[0022] 当所述用户意图为业务问题时，对所述问题进行基础特征提取；其中，所述基础特征包括：分词向量、词性以及语义；

[0023] 根据所述基础特征获取所述问题对应的对话流；

[0024] 判断缓存中是否存在历史会话信息；其中，所述历史会话信息包括已完成的槽位信息、上次会话中断处；

[0025] 若存在，根据所述历史会话信息以及所述对话流进行槽位信息提取；

[0026] 根据所述槽位信息，匹配对应的标准问。

[0027] 可选地，根据所述基础特征获取所述问题对应的对话流，包括：

[0028] 将所述问题和所述分词向量在模板库中利用已收集的条件信息进行匹配；

[0029] 若匹配得到条件信息，将匹配得到的条件信息作为所述问题对应的对话流；

[0030] 若未匹配到，调用ElasticSearch检索算法匹配所述问题对应的对话流；

[0031] 调用编辑距离算法对所述ElasticSearch检索算法匹配得到的匹配对话流进行精准度评价，获取精准度最高的所述匹配对话流；

[0032] 判断所述精准度最高的所述匹配对话流对应的精准度是否达到所述精准匹配阈值；

[0033] 若达到，将所述精准度最高的所述匹配对话流作为所述问题对应的对话流；

[0034] 若未达到，采用TextCNN+MLP多分类融合模型对所述问题进行预测，得到预测结果以及对应的相似度；

[0035] 若所述相似度不小于预置阈值，将所述预测结果作为所述问题对应的对话流；

[0036] 若所述相似度小于所述预置阈值，启动人工处理。

[0037] 可选地，根据所述槽位信息，匹配对应的标准问，包括：

[0038] 利用Drools规则库对所述槽位信息进行组合运算，得到组合信息；

[0039] 判断所述组合信息是否存在对应的标准问；

[0040] 若存在，将所述组合信息对应的标准问作为匹配得到的标准问；

[0041] 若不存在，确定满足最多所述槽位信息的标准问；

[0042] 确定所述标准问对应的未收集到的槽位信息；

[0043] 根据所述未收集到的槽位信息生成用户问，并输出所述用户问；

[0044] 根据接收到的用户回复的信息对所述槽位信息进行更新，得到更新后的槽位信息；

[0045] 执行所述利用Drools规则库对所述槽位信息进行组合运算的步骤，其中，所述槽位信息为所述更新后的槽位信息。

[0046] 可选地，在根据所述槽位信息，匹配对应的标准问之前，还包括：

[0047] 判断是否有未补全的槽位；

[0048] 若存在，获取所述未补全的槽位对应的槽位信息。

[0049] 一种智能客服服务装置，该装置包括：

[0050] 领域确定单元，用于接收到用户咨询的问题后，调用领域分类模型识别所述问题中的语义领域特征，得到目标领域；

[0051] 意图确定单元，用于调用意图分类模型识别所述问题中的语义意图特征，得到所述目标领域下的用户意图；

[0052] 标准问检索单元，用于调用所述用户意图对应的问题检索算法进行用户标准问检索，确定所述问题对应的标准问；

[0053] 语料输出单元，用于调用预先配置的知识库确定所述标准问对应的答案语料，并将所述答案语料反馈至用户端。

[0054] 本发明所提供的智能客服服务方法，通过对用户咨询的问题进行语义领域的识别划分，并在归属的领域中进一步确定用户意图，从而可以根据相应语义领域下的相应意图
对应的问题检索算法实现用户标准问的检索，通过针对不同的业务需求进行流程配置，保
障了在复杂应用场景下可以满足多业务可靠响应，然后调用预先配置的知识库确定标准问
对应的答案语料，并将答案语料反馈至用户端，从而满足用户的会话需求，提升用户体验。

[0055] 相应地，本发明中还提供了与上述智能客服服务方法相对应的智能客服服务装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。

附图说明

[0056] 为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。

[0057] 图1为本发明实施例中一种智能客服服务方法的实施流程图；

[0058] 图2为本发明实施例中一种税务领域的智能客服服务的整体实现架构示意图；

[0059] 图3为本发明实施例中一种业务问题标准问的匹配实现流程示意图；

[0060] 图4为本发明实施例中一种智能客服服务装置的结构示意图；

[0061] 图5为本发明实施例中一种智能客服服务设备的结构示意图。

具体实施方式

[0062] 本发明的核心是提供一种智能客服服务方法，可以精准确定用户咨询业务问题并做出精准应答。

[0063] 为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是
全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提
下所获得的所有其他实施例，都属于本发明保护的范围。

[0064] 请参考图1，图1为本发明实施例中一种智能客服服务方法的流程图，该方法包括以下步骤：

[0065] S101、接收到用户咨询的问题后，调用领域分类模型识别问题中的语义领域特征，得到目标领域；

[0066] 首先通过语义特征领域分类模型，根据预先配置的服务领域(个数以及类型不做限定)，将用户问划分为服务领域之一。本实施例中根据业务应用场景进行语义领域特征的
划分，以便于调用相应领域下的语义特征分析包(或组件)实现对于用户问题的精准分析。

[0067] 以税务领域为例，可以依据税法的分类划分服务领域，比如可以划分为13个税法划分领域(包括个人所得税、增值税、企业所得税等)，则将用户咨询的问题划分为13个领域
之一，从而调用相应领域(比如个人所得税)下配置的信息进行该领域下的精准问题识别。

[0068] 而其中，语义领域特征的识别是通过预训练的领域分类模型来实现的，本实施例中对于领域分类模型的具体模型类型、模型结构以及训练方式不做限定，为了提升识别精
准度，可以调用基于TextCNN+MLP融合模型构建的领域分类模型识别问题中的语义领域特
征，经验证，将相应领域中的样本输入至模型中进行训练后，基于TextCNN+MLP融合模型对
于领域特征分类效果较好，本实施例中仅以上述模型类型为例进行介绍，其它模型类型均
可参照本实施例的介绍，在此不再赘述。

[0069] S102、调用意图分类模型识别问题中的语义意图特征，得到目标领域下的用户意图；

[0070] 根据用户问的语义意图特征，调用意图分类模型进行语义意图特征识别，判断用户意图(比如闲聊问题、业务问题、常见问题(FAQ)，从而可以依据相应的用户问题检索算法
实现精准识别。当然，除了上述三种用户意图的划分形式外，也可以采用其它用户意图的划
分，比如划分为两类，业务问题以及闲聊问题等，本实施例中对于用户意图的划分不做限
定，可以根据实际使用的需要进行相应的设置，在此不再赘述。

[0071] 另外，本实施例中对于调用的预训练的用于识别用户意图的意图分类模型的具体模型类型、模型结构以及训练方式不做限定，为了提升识别精准度，可以采用TextCNN三分
类模型进行语义意图特征识别，其它模型均可参照本实施例的介绍，在此不再赘述。

[0072] S103、调用用户意图对应的问题检索算法进行用户标准问检索，确定问题对应的标准问；

[0073] 预先为各语义领域下的不同用户意图配置适应性的问题检索算法，以满足不同用户意图下的精准识别分析，而针对每个领域下用于识别不同用户意图的问题检索算法的具
体算法配置本实施例中不做限定，可以根据业务方的需求进行配置，比如可以预先配置多
种匹配算法，比如规则库(用来快速匹配固定句型的用户问、以及通过若干条件组合，触发
对话流中不同流程的入口)、编辑距离(一种文本相似度衡量算法)以及深度模型匹配(包括
CNN多分类、FastText多分类、Bert多分类等深度模型算法)等。

[0074] S104、调用预先配置的知识库确定标准问对应的答案语料，并将答案语料反馈至用户端。

[0075] 确定标准问后，从知识库中根据标准问取对应的预先配置的答案语料(即用户问对应的答案)，知识库中预先配置若干标准问以及对应的答案语料，可以满足用户的基本问
答需要。

[0076] 为加深理解，在此介绍一种税务领域的智能客服服务的整体实现架构，如图2所示为一种税务领域的智能客服服务的整体实现架构示意图，用户输入的税务问题经过领域分
类模型进行领域分类后，得到所属的税务领域，在所属的税务领域下进一步通过三分类模
型确定用户意图(常见问题、闲聊问题以及业余问题)，从而可以根据不同用户意图对应的
标准问匹配算法确定对应的标准问，确定标准问后经过维度过滤(指提问的基础，不同的基
础对应不同的答案，基础可以为省市县地区，时间、年度、身份等，在此不做限定)后从知识
库中取出对应的答案语料。

[0077] 基于上述介绍，本实施例提供的智能客服服务方法中，通过对用户咨询的问题进行语义领域的识别划分，并在归属的领域中进一步确定用户意图，从而可以根据相应语义
领域下的相应意图对应的问题检索算法实现用户标准问的检索，通过针对不同的业务需求
进行流程配置，保障了在复杂应用场景下可以满足多业务可靠响应，然后调用预先配置的
知识库确定标准问对应的答案语料，并将答案语料反馈至用户端，从而满足用户的会话需
求，提升用户体验。

[0078] 上述实施例中对于调用用户意图对应的问题检索算法进行用户标准问检索确定问题对应的标准问的具体实现方式不做限定，其中匹配的算法以及对应的实现流程可以根
据实际标准问的匹配需要进行相应设定，为加深理解，在此介绍一种标准问的检索实现方
式，具体如下：

[0079] 1、当用户意图为常见问题时，为了提升针对常见问题下识别精准度以及识别效率，一种调用用户意图对应的问题检索算法进行用户标准问检索，确定问题对应的标准问
的实现方式如下：

[0080] (1)当用户意图为常见问题时，调用ElasticSearch检索算法检索问题对应的标准问，并将得到的检索结果作为粗召回结果；

[0081] ElasticSearch检索准确率不高，但是检索得到的所有匹配标准问的数量多，范围广，可以依据ElasticSearch检索得到的大量检索结果实现进一步精准的标准问分析。

[0082] (2)调用编辑距离算法对粗召回结果进行精准度评价，并将精准度最高的粗召回结果作为标准问。

[0083] 对粗召回的结果进一步通过编辑距离算法进行过滤，编辑距离算法可以针对每个粗召回的结果进行与用户问咨询的问题间距离的评价，即精准度评价，可以根据评价结果
进行阈值的筛选的结果以及按照编辑距离大小进行排序的结果(比如可以先筛选超过阈值
的粗召回结果再对超过阈值的粗召回结果进行编辑距离大小排序(由大到小或由小到大)，
确定最小值；也可以直接对所有粗召回结果的编辑距离大小进行排序，确定最小值)，将最
小距离对应的粗召回结果(即精准度最高的粗召回结果)作为标准问。

[0084] 由于常见问题对应的提问方式较多，标准问的检索难度较大，本实施例中提供的针对于常见问题的标准问检索方式首先通过ElasticSearch检索进行大范围的结果查找，
再基于粗召回结果根据编辑距离算法进行精准标准问的定位，从而可以实现有效的标准问
匹配查找。

[0085] 2、当用户意图为闲聊问题时，为了提升针对闲聊问题下识别精准度以及识别效率，一种调用用户意图对应的问题检索算法进行用户标准问检索，确定问题对应的标准问
的实现方式如下：

[0086] (1)当用户意图为闲聊问题时，调用ElasticSearch检索算法检索问题对应的标准问，并将得到的检索结果作为粗召回结果；

[0087] ElasticSearch检索准确率不高，但是检索得到的所有匹配标准问的数量多，范围广，可以依据ElasticSearch检索得到的大量检索结果实现进一步精准的标准问分析。

[0088] (2)调用编辑距离算法对粗召回结果进行精准度评价，获取精准度最高的粗召回结果，作为检索结果；

[0089] (3)判断检索结果对应的精准度是否达到预先配置的精准匹配阈值；

[0090] (4)若达到，将检索结果作为标准问；

[0091] (5)若未达到，采用TextCNN多分类模型对问题进行泛化转换，并将TextCNN多分类模型输出的结果作为标准问。

[0092] 闲聊问题的提问形式以及提问对象多种多样，语法形式多，传统方式下经常采用TF‑IDF算法来实现标准问的检索，但是实际上针对闲聊问题多种多样的语言形式，检索精
准度较低。为解决上述问题，提升标准问的检索精准度，本实施例中提出首先采用
ElasticSearch检索进行粗过滤，然后根据编辑距离算法进行近似精确匹配(精准匹配阈值
比如可以设置为一个字的误差对应的匹配值)，若未匹配到，则采用TextCNN多分类模型问
题泛化转换，进一步确定用户的子意图。该方法可以保障多提问语法形式下的精准检索。

[0093] 3、当用户意图为业务问题时，为了提升针对业务问题下识别精准度以及识别效率，一种调用用户意图对应的问题检索算法进行用户标准问检索，确定问题对应的标准问
的实现方式如下：

[0094] (1)当用户意图为业务问题时，对问题进行基础特征提取；其中，基础特征包括：分词向量、词性以及语义；

[0095] 基础特征提取主要指提取问题的分词向量、词性标注以及语义分析，还可以进一步提取其它特征信息，本实施例中对此不做限定。另外，本实施例中对于基础特征提取的实
现方式不做限定，可以参照相关技术的实现方式，比如可以利用结巴分词对用户问进行分
词、词性标注以及语义分析，并结合百科的词向量得到用户问中每个分词的词向量。本实施
例中仅以上述实现方式为例，其它实现方式在此不再赘述。

[0096] (2)根据基础特征获取问题对应的对话流；

[0097] 根据业务场景进行划分，一个对话流包含多个场景，一个场景智能属于其中一个对话流，对话流为对话数据，对话流可以指示用户意图。对话流的具体概念可以参照相关智
能客服系统中的介绍，在此不再赘述。本实施例中通过问题中展现的基础特征实现对于对
话流的匹配获取，相比直接基于问题数据进行匹配获取可以提升匹配精准度，并提升匹配
精准度。而具体地基于基础特征进行对话流匹配获取的实现过程本实施例中不做限定，可
以选取一种或多种匹配算法进行匹配，比如可以选取规则库、ElasticSearch检索、编辑距
离算法、多分类融合预测中的一种或多种实现对话流的匹配。

[0098] 一种根据基础特征获取问题对应的对话流的实现步骤如下：

[0099] (2.1)将问题和分词向量在模板库中利用已收集的条件信息进行匹配；

[0100] 将用户问和分词信息在已配置好的模板库中进行匹配，然后利用规则库(Drools)对已收集的条件信息进行匹配，若没有匹配到，则执行下一个对话流匹配步骤；若匹配到，
可以直接将匹配得到的条件信息作为问题对应的对话流。基于模板库根据已收集的条件信
息进行匹配的过程泛化能力较弱，但是实现效率快，可以首先执行该匹配步骤，以提升实现
效率。

[0101] (2.2)若匹配得到条件信息，将匹配得到的条件信息作为问题对应的对话流；

[0102] (2.3)若未匹配到，调用ElasticSearch检索算法匹配问题对应的对话流；

[0103] ElasticSearch检索准确率不高，但是检索得到的所有匹配标准问的数量多，范围广，可以依据ElasticSearch检索得到的大量检索结果实现进一步精准的标准问分析。

[0104] (2.4)调用编辑距离算法对ElasticSearch检索算法匹配得到的匹配对话流进行精准度评价，获取精准度最高的匹配对话流；

[0105] (2.5)判断精准度最高的匹配对话流对应的精准度是否达到精准匹配阈值；

[0106] (2.6)若达到，将精准度最高的匹配对话流作为问题对应的对话流；

[0107] 采用ElasticSearch检索+编辑距离算法进行近似精确匹配相较规则匹配的方式精准度更高，可以实现更精准的对话流匹配。

[0108] (2.7)若未达到，采用TextCNN+MLP多分类融合模型对问题进行预测，得到预测结果以及对应的相似度；

[0109] (2.8)若相似度不小于预置阈值，将预测结果作为问题对应的对话流；

[0110] (2.9)若相似度小于预置阈值，启动人工处理。

[0111] 采用TextCNN+MLP多分类融合模型，对用户问进行预测，若模型得到的相似度小于已配置的阈值，则直接转人工处理。

[0112] 本实施例中以上述三种匹配方式配置的匹配流程为例进行介绍，上述配置下精准度越来越高，可以在保障实现效率的同时保障精准匹配。其它实现方式均可参照本实施例
的介绍，在此不再赘述。

[0113] (3)判断缓存中是否存在历史会话信息；

[0114] 根据本次会话信息从缓存中恢复之前的历史会话信息，历史会话信息可以包括之前已完成的槽位(初步明确用户意图之后，获取必要信息以最终得到明确用户指令的方式)
信息、上次会话中断处等。

[0115] (4)若存在，根据历史会话信息以及对话流进行槽位信息提取；

[0116] 进行槽位信息提取，本实施例中对于槽位信息的提取实现方式不做限定，可以基于传统的槽位信息提取算法实现。一种实现方式如下：若多轮对话处于冷启动阶段(语料和
数据量较少)，可以通过FastText、TextCNN等文本多分类模型直接对槽位信息进行提取；当
未处于冷启动阶段，即数据量积累到一定程度时，可以采用Bert+CRF模型，进行NER识别，进
一步提高槽位提取的准确率。本实施例中仅以上述实现方式为例进行介绍，其他提取实现
方式均可参照本实施例的介绍，在此不再赘述。

[0117] 而若不存在历史会话信息，可以直接根据当前用户问进行槽位信息的提取，实现过程也可以参照上述介绍，在此不做限定。

[0118] (5)根据槽位信息，匹配对应的标准问。

[0119] 各槽位对应槽位信息，根据与用户的会话信息匹配的各槽位的信息匹配该种槽位信息下对应的标准问，标准问为预先配置的存在标准回答的问题，接收到的用户问题均需
匹配到对应的标准问才能实现问题对应答案的检索。而本实施例中根据槽位信息匹配对应
的标准问的实现方式不做限定，为加深理解，在此介绍一种根据槽位信息，匹配对应的标准
问的实现方式，如下：

[0120] (5.1)利用Drools规则库对槽位信息进行组合运算，得到组合信息；

[0121] 结合当前所有的槽位对应的操作信息，利用Drools规则库对各槽位对应的信息进行组合运算，并判断组合值是否对应标准问题。

[0122] (5.2)判断组合信息是否存在对应的标准问；

[0123] (5.3)若存在，将组合信息对应的标准问作为匹配得到的标准问；

[0124] (5.4)若不存在，确定满足最多槽位信息的标准问；

[0125] 若根据当前槽位组合无法获取到标准问题，需要找到当前需要最少必填槽位才能满足的标准问，并(根据槽位特征、优先级、必填性等)找到该标准问仍未收集到的槽位信
息，向用户进行反问；

[0126] (5.5)确定标准问对应的未收集到的槽位信息；

[0127] (5.6)根据未收集到的槽位信息生成用户问，并输出用户问；

[0128] (5.7)根据接收到的用户回复的信息对槽位信息进行更新，得到更新后的槽位信息；

[0129] 在缓存中更新槽位信息、会话信息。

[0130] (5.8)执行利用Drools规则库对槽位信息进行组合运算的步骤，其中，槽位信息为更新后的槽位信息。

[0131] 为增加槽位信息，从而基于更丰富的槽位信息实现更精准的标准问的匹配，在根据槽位信息，匹配对应的标准问之前，还可以进一步根据当前配置的对话流信息，判断是否
有未补全的槽位，确定某些槽位是否需要补全，如果存在未补全的操作，获取未补全的槽位
对应的槽位信息，而具体地槽位信息的获取方式不做限定，可以从关联系统中提取未补全
的槽位对应的槽位信息，也可以通过反问用户的方式，根据用户的回答补全槽位信息，在此
不再赘述。

[0132] 如图3所示为一种业务问题标准问的匹配实现流程示意图，对于业务问题首先提取对应的基础特征，然后根据提取的基础特征(根据规则库匹配、编辑距离匹配以及语义模
型匹配)识别用户意图(子意图)，基于识别的用户意图进行对话流的提取以及状态更新，并
根据匹配的对话流确定对应的答案语料。

[0133] 相应于上面的方法实施例，本发明实施例还提供了一种智能客服服务装置，下文描述的智能客服服务装置与上文描述的智能客服服务方法可相互对应参照。

[0134] 参见图4所示，该装置包括以下模块：

[0135] 领域确定单元110主要用于接收到用户咨询的问题后，调用领域分类模型识别问题中的语义领域特征，得到目标领域；

[0136] 意图确定单元120主要用于调用意图分类模型识别问题中的语义意图特征，得到目标领域下的用户意图；

[0137] 标准问检索单元130主要用于调用用户意图对应的问题检索算法进行用户标准问检索，确定问题对应的标准问；

[0138] 语料输出单元140主要用于调用预先配置的知识库确定标准问对应的答案语料，并将答案语料反馈至用户端。

[0139] 相应于上面的方法实施例，本发明实施例还提供了一种智能客服服务设备，下文描述的一种智能客服服务设备与上文描述的一种智能客服服务方法可相互对应参照。

[0140] 该智能客服服务设备主要包括：

[0141] 存储器，用于存储计算机程序；

[0142] 处理器，用于执行计算机程序时实现上述方法实施例的智能客服服务方法的步骤。

[0143] 具体的，请参考图5，为本实施例提供的一种智能客服服务设备的具体结构示意图，该智能客服服务设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个
以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储
器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器
332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块
(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央
处理器322可以设置为与存储器332通信，在智能客服服务设备301上执行存储器332中的一
系列指令操作。

[0144] 智能客服服务设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统
341。

[0145] 上文所描述的智能客服服务方法中的步骤可以由智能客服服务设备的结构实现。

[0146] 相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种智能客服服务方法可相互对应参照。

[0147] 一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的智能客服服务方法的步骤。

[0148] 该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代
码的可读存储介质。

[0149] 本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明
硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步
骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条
件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这
种实现不应认为超出本发明的范围。