智能客服方案及技术架构.ppt

智能客服聊天机器人、解决问题型、实现技术、解决方案、架构和开发流程、解决问题型机器人、解决问题型机器人和解决问题型机器人的存在，帮助用户解决具体问题，如售前咨询、售后维修服务、预订机票、酒店、餐厅座位等。并需要提供用户自己不知道的信息-知识库，1。了解用户问题，知道用户在问什么，2。将用户的问题转化为对知识库的查询，理解问题，查询知识库，构建知识库查询，结合上下文，聊天机器人解决方案，自然语言处理，文本挖掘，知识地图，知识库存储一对“问答”对。这些配对可以手动构建，从客户系统或旧知识库中获得，或者从互联网上抓取。用户输入问题后，将它们与知识库中现有的标准问题逐一进行比较，以找到最接近用户问题的标准问题，然后将问题集的答案返回给用户。用户问题-标准问题-答案，解决方案1，用户问题-标准问题的匹配方法可以是关键字匹配(包括正则表达式匹配)；也可以先将用户问题和标准问题转换成向量，然后计算两者之间的距离(余弦距离、欧几里德距离、交叉熵、雅克卡距离等)。)，并找到距离最近且距离值低于预设阈值的标准问题作为搜索结果。然而，关键字匹配的覆盖面太小。如果计算距离，两个在实践中距离最接近的句子可能在语义上不相关，甚至充满曲折(例如，一个比另一个多一个否定词)、“关键词”、解决方案2，知识库存储的不是问答对，而是答案(文档)。收到用户的问题后，直接将问题与知识库中的一个文档进行比较，找到内容最相关的文档，并将其作为答案返回给用户。解决方案3从用户的问题中识别用户的意图，并提取意图所针对的实体。相应地，知识库中存储的知识不仅应该包含知识内容本身，而且应该能够从结构上表达知识之间的关系。提取意图和实体后，构造知识库查询，实现查询，得到结果后生成答案，并回复给用户。用户问题-语义理解-知识库查询-查询结果生成答案、聊天机器人实现技术、语义理解NLU、意图识别、实体提取，用于识别用户问题的意图，即用户想要做什么，用于提取与意图相关的参数(实体)，如时间、地点等。案例1:有粉色的手机外壳吗？意向：商品推荐；实体：产品类型-手机，产品颜色-粉色。案例2: 00183快递到伊利的邮费是多少？意向：咨询邮费；实体：目的地-伊利，商品编号-00183。案例3: 02465有保修吗？意图：保修查询；实体：商品编号-02465。例如，小明是一个小淘宝店主，他想为他的淘宝店开发一个客户服务机器人。他主要回答与商品属性(品牌、价格、邮资、售后服务等)相关的问题。)。00183次快递到伊利的邮费是多少？意向：商品询价；实体：目的地-伊利，商品编号-00183，商品属性-邮费。案例3:02465号商品有保证书吗？意向：商品询价；实体：商品编号-02465，商品属性-保修。具体的定义应该结合知识库的结构和中间控件(语义理解对话管理)来确定它有多简单。意图识别-分类模型、分类模型和seq2seq判别模型的训练都属于监督学习。因此，所有训练数据都被标记为数据。因此，在进入培训阶段之前必须采取一个步骤：手动标记。如果你真的把机器学习应用到你的工作中，贴标签是一件不可逾越的苦差事。实体提取-Seq2Seq判别式模型、手动标记、知识库、知识查询和结果返回、知识库用于存储知识，其本身可以是各种形式：数据库、应用编程接口或文本文件。语义理解之后，用户的问题被提取成意图和几个实体。例如，我们选择MySQL作为小明的淘宝店员知识库。商品相关数据存储在表中。知识库中有一个名为product_query的表，其中每行对应一个产品，每列对应一个属性。00183次快递到伊利的邮费是多少？意向：商品询价；实体：目的地-伊利，商品编号-00183，商品属性-邮费。案例3:02465号商品有保证书吗？意向：商品询价；实体：商品编号-02465，商品属性-保修。table _ name : product _ querycolumn : destination-目标商品标识-product_id邮资-邮资保证-保证案例2 :selectpostagerfrom product _ querywhenproduct _ Id=00183 an Ddddestination=Ili案例3 :selectguaranteefromProduct _ querywherProduct _ ID=02465。在MySQL中运行的查询结果(如26元)被放入预置的商品查询答案模板中生成答案。预设模板：$项目标识项目$项目属性是$ 查询_结果。生成答案：0183的邮资是26元。每当用户新输入信息时，他必须首先理解语言，然后结合当前已经存储的上下文信息，或者更新上下文，或者读取先前的上下文作为补充信息。您可以在上下文中存储对应于几种实体类型的意图和实体值。当输入新的用户语句时，如果可以从中提取新的意图或实体值，则使用新值更新上下文；否则，作为对当前语言理解的补充，读入现有的对应实体值。架构和开发流程、产品架构、用户问题、AIML格式、常见问题解答、模板匹配、构建查询、意图识别、实体提取、语义理解、查询知识库、填充模板、答案处理、关键词提取、自然语言处理、专家系统、文档查询、构建耶拿查询、构建知识地图、语料库获取、网络爬行、开源语料库、用户日志语料库、手动编译、模型训练、分词、词2Vec、卷积神经网络、Keras、文本分类、命名实体识别、词性标注、TensorFlow、语义理解NLU、保存模型、知识地图知识图表、 本体构建、网络爬行、客户文档、本体库、实体字典、语义分析、本体查询、谓词歧义消除语句、本体库、命名实体识别、歧义语句构建、依存句法分析、实体歧义消除语句、语义图构建、语义图语句构建、谓词歧义消除语句、语义理解(意图识别、实体提取):Python TensorFlow RNN和其