[发明专利]一种基于FSM多轮问答的语义相似度计算方法

说明书

本发明公开了一种基于FSM多轮问答的语义相似度计算方法，利用基于FSM多轮问答的语义相似度计算方法，根据用户输入问题，将其和知识库问答对数据带入到Transformer DSSM语义相似度计算模型中进行多轮匹配，并返回候选答案给用户，解决传统的客服系统在面对服务峰值人数不足，低谷人数不足的情况下，往往会消耗大量人力资源的问题，并提高用户获取相关领域中常见问题的答案的效率。

技术领域

本发明涉及一种在电信智能客服系统中用于提高问答对匹配速度和精度的方法——基于FSM多轮问答的语义相似度计算方法。

背景技术

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。是计算机科学，人工智能，语言学关注计算机和人类(自然)语言之间的相互作用的领域。由于传统的人工客服系统在面对服务峰值人数不足，低谷人数不足的情况下，往往会消耗大量人力资源。因此，自然语言处理在智能客服问答系统中的应用，一方面能够提高用户获取相关领域中常见问题的答案的效率，另一方面能够解决传统人工客服响应速度慢，成本高等问题。

深度学习中一种基于数据进行表征学习的方法，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。它能通过组合低层特征形成更加抽象的高层特征表示属性类别或特征，以发现数据的分布式特征表示。在智能客服问答系统中，对于电信领域来说，由于存在大量常见问题及其对应答案的数据，通过对这些数据进行整理，形成知识库，再引入深度学习中用来计算两个句子对语义相似度的技术，根据用户所输入的问题，采用提前训练好的语义相似度计算模型TransformerDSSM，在知识库中匹配得到与用户输入问题最相近的答案，并输出给用户。

基于FSM多轮问答的语义相似度计算方法与传统问答系统的主要区别在于系统能够与用户连续进行多次交流，每一次交流内容都是基于上一次，或前面几次的交流结果来进行，其目的在于针对不熟悉业务的用户，在每一轮问答过程中，逐步缩小用户问题与知识库中问题的匹配范围，提高问答对匹配精度，从而引导用户寻找到其所需要的答案。因此，在该基于FSM多轮问答的语义相似度计算方法中，除了需要对用户所给问题进行相似度计算匹配以外，还需要根据用户反馈结果，来决定是否采取下一轮问答过程。

发明内容

发明目的：本发明针对传统的电信FAQ问答系统中，提出一种新的提高问答对匹配速度和精度的方法——在语义相似度计算模型的基础上引入基于FSM的多轮问答，该方法不仅适用于电信领域的智能客服系统，还适应于其他具有大量问答对知识库的垂直领域。

技术方案：本发明使用的基于FSM多轮问答的语义相似度计算方法包括两个部分，即基于Transformer DSSM的语义相似度计算模型和和基于FSM的多轮问答。基于Transformer DSSM的语义相似度计算模型部分包括：(1)用Transformer代替传统的双向RNN来对输入句子进行特征提取，从而加快模型训练速度和问答对匹配速度；(2)使用DSSM来进行特征向量相似度计算，返回给用户top-k个候选答案。基于FSM的多轮问答部分包括：(1)根据具体业务场景构建的用于多轮问答的FSM；(2)引入用户问题类型判断及反馈功能。

有益效果：本发明的显著优点是利用基于FSM多轮问答的语义相似度计算方法，解决传统的客服系统在面对服务峰值人数不足，低谷人数不足的情况下，往往会消耗大量人力资源的问题，并提高用户获取相关领域中常见问题的答案的效率。并且该方法不仅适用于电信领域的智能客服系统，还适应于其他具有大量问答对知识库的垂直领域。

附图说明

图1 是本发明的总体结构图。

图2 是本发明的处理流程图。

图3 DSSM模型结构图。

图4 Transformer编码器结构图。