[发明专利]人工智能客服机器人的问题分类方法及系统

说明书

技术领域

本发明涉及人工智能领域，特别涉及一种人工智能客服机器人的问题分类方法及系统。

背景技术

人工智能领域常用的分类网络有很多，例如SVM(Support Vector Machine，支持向量机)、Bayes(贝叶斯分类算法)、CNN(Convolutional Neural Network，卷积神经网络)、RNN(Recurrent Neural Networks，循环神经网络)等。但是实际应用中，特别是在文本分类领域，分类准确率不能较好地满足工业化应用的需求。以多分类问题举例，通常在大规模语料的情况下，即使是使用深度模型，如CNN或RNN，准确率也较低，很难进一步提升。

发明内容

本发明要解决的技术问题是为了克服现有技术中人工智能客服机器人在问题分类方面，分类准确率不能较好地满足工业化应用的需求的缺陷，提供一种人工智能客服机器人的问题分类方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种人工智能客服机器人的问题分类方法，其特点在于，所述问题分类方法包括以下步骤：

S₁、接收整段问题信息，对所述整段问题信息进行动态卷积，并且提取若干个主要特征信息；

S₂、对若干个主要特征信息进行下采样处理，并且从若干个主要特征信息提取若干个目标特征信息；

S₃、根据若干个目标特征信息并基于人工智能分类算法输出问题类型信息。

较佳地，在步骤S₁中，基于CNN模型对所述整段问题信息进行动态卷积，并且提取若干个主要特征信息。

较佳地，在步骤S₃中，若干个目标特征信息通过highway网络(一种解决深层次网络训练困难的网络框架)后，根据若干个目标特征信息并基于人工智能分类算法输出问题类型信息。

较佳地，在步骤S₃中，所述人工智能分类算法为softmax算法(机器学习算法)。

一种人工智能客服机器人的问题分类系统，其特点在于，所述问题分类系统包括问题输入模块、特征提取模块及类型输出模块；

所述问题输入模块用于接收整段问题信息，并且将所述整段问题信息发送至所述特征提取模块；

所述特征提取模块用于对所述整段问题信息进行动态卷积，并且提取若干个主要特征信息，所述特征提取模块还用于对若干个主要特征信息进行下采样处理，并且从若干个主要特征信息提取若干个目标特征信息，所述特征提取模块还用于将若干个目标特征信息发送至所述类型输出模块；

所述类型输出模块用于根据若干个目标特征信息并基于人工智能分类算法输出问题类型信息。

较佳地，所述特征提取模块用于基于CNN模型对所述整段问题信息进行动态卷积，并且提取若干个主要特征信息。

较佳地，所述特征提取模块还用于将若干个目标特征信息通过highway网络后发送至所述类型输出模块。

较佳地，所述人工智能分类算法为softmax算法。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明提供的人工智能客服机器人的问题分类方法及系统在CNN模型的基础上，提高神经网络层数、增加动态卷积核的同时加入了highway网络，从而极大地提高了分类准确率，较好地满足工业化应用的需求，并且较好地防止梯度消失或梯度爆炸的问题。

附图说明

图1为本发明较佳实施例的人工智能客服机器人的问题分类方法的流程图。

图2为本发明较佳实施例的人工智能客服机器人的问题分类系统的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，本实施例提供的人工智能客服机器人的问题分类方法包括以下步骤：

步骤101、接收整段问题信息。

在本步骤中，人工智能客服机器人接收用户输入的问题后，即整段问题信息，并且准备进行问题的分类工作。

步骤102、基于CNN模型对整段问题信息进行动态卷积，并且提取若干个主要特征信息。

在本步骤中，在CNN模型的基础上，提高神经网络层数，并且将原有的静态卷积核改为动态卷积核。

步骤103、进行下采样处理，并且从若干个主要特征信息提取若干个目标特征信息。