[发明专利]一种面向中国移动智能客服的对话场景分类方法

说明书

本发明涉及一种面向中国移动智能客服的对话场景分类方法，属于人工智能技术领域。该方法包括：获取中国移动智能客服场景对话相关自然语言的训练文本；采用MapReduce方法计算量化数据的笛卡尔积进行实体的共指消歧；采用词向量表征方式融合多语境描述进行训练文本稀疏表示；采用尺度相关池化方案与训练级联卷积神经网络模型进行对话场景分类。因此，本发明能有效应答用户与客服交互的自然语言信息，满足智能客服需求。

技术领域

本发明属于人工智能技术领域，涉及一种面向中国移动智能客服的对话场景分类方法。

背景技术

近年来，智能客服机器人在国内外的发展应用近几年呈现出快速增长的势头，并逐步开始在电信运营商、金融服务等行业形成产业规模。智能客服对话不仅为企业与用户建立了快捷有效的沟通手段，还为企业提供了精细化管理所需的统计分析信息。

现有技术中，智能客服多采用关键词、关键句匹配的方式判断客户问题是否命中知识库，这种方式会造成对话模式呆板固定，缺乏人性化设计，降低了用户体验，且当用户对意图表述不清楚时，整个咨询周期会变长，降低客服效率。

对于目前存在的情况，迫切需要开发一种新型智能客服交互技术，而深度学习近年来在自然语言处理方向迅猛发展为智能客服提供了新的思路。

发明内容

有鉴于此，本发明的目的在于提供一种面向中国移动智能客服的对话场景分类方法，为用户提供快捷高效的客服体验与人性化的用户体验。

为达到上述目的，本发明给出了一种基于深度学习的对话场景分类系统的实现方法，所述深度学习包括：多特征融合下的文本数据预处理，深度增强学习下的语义解析。本发明提供如下技术方案：

一种面向中国移动智能客服的对话场景分类方法，该场景分类方法包括：

101：获取中国移动智能客服场景对话相关自然语言的训练文本；

102：采用MapReduce方法计算量化数据的笛卡尔积进行实体的共指消歧；

103：采用词向量表征方式融合多语境描述进行训练文本稀疏表示；

104：采用尺度相关池化方案与训练级联卷积神经网络模型进行对话场景分类。

进一步，在所述步骤101中，所述的训练文本的获取，包括：对不同移动客服对话场景的任务需求特点进行解析，根据这些特点，采用网络爬虫和专家设计相互补充的方式，获取事实型、列表型、定义型、关系型、观点型的问题/答案文本训练数据。

进一步，在所述步骤102中，采用MapReduce方法计算量化数据的笛卡尔积，依据相似值计算公式计算每个实体对的相似度；其中，对于n个数据记录，i和j都为0到n之间的自然数，e_i和e_j表示n个实体中的某一个，w表示权重；通过自适应阈值的优化选取相似实体进行融合，完成实体的共指消歧。

进一步，在所述步骤103中，通过HanLP与Stanford parser中的CRF句法分析器与最大熵依存句法分析器将训练文本划分为词或短语，并获取语境量化描述；采用word2vec将其融合成词向量，并与获取的量化描述融合生成新的词向量；借助无监督最大释然学习实现训练文本稀疏表示。

进一步，所述的无监督最大释然学习实现数据稀疏表示，通过在深置信度神经网络的隐藏层神经元中引入稀疏限制和正则项，推导相应的损失函数和惩罚函数，构建稀疏边缘降噪自动编码器；将融合词序、词序、依存关系语境特征的词向量提交给该编码器，借助损失函数的更新完成深度置信神经网络的预训练，微调神经网络的权值、偏置、稀疏限制和正则限制项等参数，完成训练文本的稀疏表示。