[发明专利]基于深度神经网络的游戏客服对话系统

说明书

技术领域

本发明涉及一种基于深度神经网络的游戏客服对话系统，属于互联网游戏开发技术领域。

背景技术

互联网和手机游戏存在大量客服问题，例如用户对游戏机制、规则、购买、和网络语言暴力等问题的询问和反应。如果游戏规模很大的话，客服成本将成为其中一个非常重要的成本。目前互联网游戏和手机游戏还没有使用自动客服系统。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于深度神经网络的游戏客服对话系统，能够让游戏用户在玩游戏过程中迅速得到反馈。

为解决上述技术问题，本发明提供一种基于深度神经网络的游戏客服对话系统，包括对话控制模块，用户查询模块，问题模型模块，答案模型模块和知识库查询模块；其中，

所述对话控制模块接收来自用户的查询语言，通过对用户查询语言的分析，判断进行查询知识库或者转接人工服务；如果是进行查询知识库，则进入问题模型模块；

所述问题模型模块通过深度神经网络的Seq2Seq机制对用户查询的问题进行编码，得到能够用于查询知识库的形式化语言，然后将该转化后的语言输入至知识库查询模块；

所述知识库查询模块构建知识库，知识库查询模块接收来自问题模型模块的输入，对知识库进行查询，并输出查询结果至答案模型模块；如果知识库中没有相关答案，对话控制模块通过继续询问用户得到更多的信息；

所述答案模型模块通过深度神经网络的Seq2Seq机制对知识库查询结果进行编码，输出用户能够理解的自然语言至用户交互界面；

所述用户查询模块是指用户使用自然语言进行查询。

前述的对话控制模块通过深度学习方法对历史数据进行学习，对问题进行分类；所述深度学习过程为：设计一个双层神经网络，第一层对对话双方的状态进行建模，第二层对对话中每一句话进行建模，对所有历史数据进行神经网络建模得到统计数据，然后进行分类。

前述的对用户查询语言进行分析包括通过神经网络读入用户语言，识别语义，根据深度学习的学习结果，判断所查询的问题属于哪一类。

前述的问题模型模块通过深度神经网络的Seq2Seq机制对用户查询的问题进行编码是指，第一个Seq模型通过每一个词的词向量积累到下一个词的词向量上，最终得到整句话的向量；第二个Seq模型以此向量为输入，进行解码，从而得到第二句话或者查询语句的输出。

前述的知识库初期是对常见问题及相应的答案进行整理，存储在知识库中，问题及相应的答案通常是在现实中采集得到，然后在游戏进行中与人的交互中会学到新的知识，尤其是经常转向人工服务的问题，对新的知识进行整理，并手工录入知识库，实现知识库的扩充；另外，还可以通过信息抽取的方法对新知识进行提取。

前述的答案模型模块通过深度神经网络的Seq2Seq机制对知识库查询结果进行编码是指，第一个Seq模型通过对知识库结构化数据进行编码，得到一个向量空间的向量，第二个Seq模型以该向量为输入，通过解码器得到一句用户能够理解的自然语言。

前述的用户查询模块查询内容支持多种自然语言查询。

本发明所达到的有益效果：

本发明能够让游戏用户在玩游戏过程中迅速得到反馈。

附图说明

图1 为本发明的游戏客服对话系统结构示意图。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的基于深度神经网络的游戏客服对话系统，包括对话控制模块，用户查询模块，问题模型模块，答案模型模块和知识库查询模块。

其中，对话控制模块接收来自用户的查询语言，通过对用户查询语言的分析，判断进行查询知识库或者转接人工服务。对用户查询语言进行分析包括通过神经网络读入用户语言，识别语义（如对该问题进行分类、得到相关的实体和属性等）。如果是进行查询知识库，则进入问题模型模块。另外在对话系统中，通过对多个对话的理解，实现有逻辑的回答。对话控制模块通过深度学习方法对历史数据进行学习。如果没有历史数据，我们可以通过写入规则的方法进行。

对历史数据的学习过程通过设计一个双层神经网络，第一层对对话双方的状态进行建模，第二层对对话中每一句话进行建模。对所有历史数据进行神经网络建模可以得到一些统计数据，例如用户经常对什么进行提问，客服的回答经常使用什么规则。