[发明专利]一种向人工客服推荐回复内容的对话机器人的实现方法

说明书

本发明提供一种向人工客服推荐回复内容的对话机器人的实现方法，包括以下步骤：步骤1、通过第一个LSTM神经张量网络模型对问题进行特征抽取，得到客户问题分词的结果，并用第一个LSTM神经张量网络模型将客户问题分词的结果编码为向量c；步骤2、通过第二个LSTM神经张量网络模型对客服答复进行特征抽取，得到客服答复分词的结果并用第二个LSTM神经张量网络模型将客服答复分词的结果编码为向量r；步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；步骤4、通过神经张量网络层将所述向量c、向量r与向量s通过张量进行直接交互计算；步骤5、输出客户问题对应的相似答复的筛选推荐功能选项。本发明能够智能地向人工客服推荐回复内容。

技术领域

本发明涉及计算机网络领域，尤其涉及一种向人工客服推荐回复内容的客服对话机器人的实现方法。

背景技术

客服对话系统是一种特定领域的对话系统，目前该领域是一项比较前沿的研究内容，主要目标是实现客服自动的内容回复，同时提高解决客户问题的效率。

社区问答系统(CQA)是一种用户可以给提问者分享自己专业知识的平台，这种问答数据与客服系统有些类似，通常可以借鉴CQA中的一些解决方法。但是，客服对话系统中的答案往往是视情况而定的回答，而且不同商家销售商品的属性不同，所以客服对话系统还需要解决针对不同商家同种问题的自动回复。

另外，现有技术中的卷积神经张量网络(CNTN)模型，该模型是分别将问题和答案使用卷积网络进行特征提取，然后将问答对的特征通过一个张量层计算相似度分数，通过排序分数较高的问答对实现问题和答案的匹配。

现有卷积神经张量网络(CNTN)模型采用卷积神经网络提取句子的特征，卷积神经网络通过滤波器提取的主要是空间特征，记忆句子的整体信息，而问题中有一种递进序列关系，前面的文本描述为问题背景，而最后一个问题是核心问题，所以卷积神经网络不适合处理长依赖关系和时间序列的问题。

因此，本领域迫切需要开发一种适用性广并且能够针对所有商家的情况提供一种较准确的智能答复服务。

发明内容

本发明之目的是提供一种向人工客服推荐回复内容的对话机器人的实现方法，能够解决句子中的长短期依赖关系的记忆和时间序列输入的问题，并且能够智能地向人工客服推荐回复内容。

本发明提供一种向人工客服推荐回复内容的对话机器人的实现方法，包括以下步骤：

步骤1、通过第一个LSTM神经张量网络模型(LNTN)对问题进行特征抽取，得到客户问题分词的结果q₁、q₂、…、q_m，并用第一个LSTM神经张量网络模型将客户问题分词的结果q₁、q₂、…、q_m编码为向量c；

其中，q_m表示客户问题的第m个词对应的向量；

步骤2、通过第二个LSTM神经张量网络模型对客服答复进行特征抽取，得到客服答复分词的结果a₁、a₂、…、a_n，并用第二个LSTM神经张量网络模型将客服答复分词的结果a₁、a₂、…、a_n编码为向量r；

其中，a_n表示客服答复的第n个词对应的向量；

步骤3、获取问题所在商店的个性化特征，并编码为商家的特征向量s；

步骤4、通过神经张量网络层(NTN)将所述向量c、向量r与向量s通过张量进行直接交互计算，实现特征表示与相似度匹配；

步骤5、输出客户问题对应的相似答复的筛选推荐功能选项。

优选地，所述步骤3包括：