智能机器人服务系统技术方案

本发明专利技术提供一种智能机器人服务系统，其特征在于，包括四层结构：底层是关键字识别层，具有基础数据库，存储常见的客服问答；第二层是流程化SOP层，根据行业常规标准化客服流程及话术，建立初步的流程服务模块，并在每一个流程节点中连接动态数据库；第三层是网状架构层，是将底层和第二层，封层，并整合形成网状交叉重叠的架构，进行用户的任意节点跳转；第四层是人机交互层，搭载人机交互和人机双混系统，以行业专业客服本身作为神经元，建立机器学习机制。本发明专利技术的智能机器人服务系统解决提高客服的工作效率，节省了人工成本。

Intelligent robot service system

The invention provides an intelligent robot service system, which consists of four layers: the bottom is the keyword identification layer, the base database, the common customer service question and answer, the second layer is the flow SOP layer, and the initial process service module is set up according to the routine standardization of the customer service flow and words. Each process node connects the dynamic database; the third layer is the network architecture layer, which is the bottom and second layers, the sealing layer, and the integration of the network overlapping and overlapping structure, the user's arbitrary node jump; the fourth layer is the human-computer interaction layer, carrying the human-computer interaction and the man-machine double mixing system, which is made by the professional customer service of the industry itself. The machine learning mechanism is established for the neuron. The intelligent robot service system of the invention solves the problem of improving the work efficiency of customer service and saving labor cost.

【技术实现步骤摘要】
智能机器人服务系统
本专利技术涉及一种智能机器人服务系统，属于智能客服领域。
技术介绍
许多研究表明，为了能够学习表示高阶抽象概念的复杂函数，解决目标识别、语音感知和语言理解等人工智能相关的任务，需要引入深度学习(deeplearning)。深度学习架构由多层非线性运算单元组成，每个较低层的输出作为更高层的输入，可以从大量输入数据中学习有效的特征表示，学习到的高阶表示中包含输入数据的许多结构信息，是一种从数据中提取表示的好方法，能够用于分类、回归和信息检索等特定问题中。深度学习的概念起源于人工神经网络的研究，有多个隐层的多层感知器是深度学习模型的一个很好的范例。对神经网络而言，深度指的是网络学习得到的函数中非线性运算组合水平的数量。当前神经网络的学习算法是针对较低水平的网络结构，将这种网络称为浅结构神经网络，如一个输入层、一个隐层和一个输出层的神经网络；与此相反，将非线性运算组合水平较高的网络称为深度结构神经网络，如一个输入层、三个隐层和一个输出层的神经网络。深度学习比浅学习具有更强的表示能力，而由于深度的增加使得非凸目标函数产生的局部最优解是造成学习困难的主要因素。反向传播基于局部梯度下降，从一些随机初始点开始运行，通常陷入局部极值，并随着网络深度的增加而恶化，不能很好地求解深度结构神经网络问题。2006年，Hinton等人提出的用于深度信任网络(deepbeliefnetwork，DBN)的无监督学习算法，解决了深度学习模型优化困难的问题。求解DBN方法的核心是贪婪逐层预训练算法，在与网络大小和深度呈线性的时间复杂度上优化DBN的权值，将求解的问题分解成为若干更简单的子问题进行求解。从具有开创性的文献发表之后，Bengio、Hinton、Jarrett、Larochelle、Lee、Ranza、Salakhutdinov、Taylor和Vincent等大量研究人员对深度学习进行了广泛的研究以提高和应用深度学习技术。Bengio和Ranzato等人提出用无监督学习初始化每一层神经网络的想法；Erhan等人尝试理解无监督学习对深度学习过程起帮助作用的原因；Glorot等人研究深度结构神经网络的原始训练过程失败的原因。许多研讨会都致力于深度学习及其在信号处理领域的应用。文献对深度学习进行了较为全面的综述，基于无监督学习技术提出贪婪逐层预训练学习过程用于初始化深度学习模型的参数，从底层开始训练每层神经网络形成输入的表示，在无监督初始化之后，堆栈各层神经网络转换为深度监督前馈神经网络，用梯度下降进行微调。用于深度学习的学习方法主要集中在学习数据的有用表示，在神经网络较高层中使学习到的特征不随变化的因素而变化，对实际数据中的突发变化具有更强的鲁棒性。文献给出了训练深度学习模型的相关技巧，尤其是受限玻尔兹曼机(restrictedBoltzmannmachine，RBM)，许多来自神经网络训练的想法也可以用于深度结构神经网络学习。Bengio在文献中给出了用于不同种类深度结构神经网络的训练方法的指导意见。深度学习方法已经被成功用于文本数据学习任务和视觉识别任务上。鉴于深度学习的理论意义和实际应用价值，国内对深度结构的研究尚处于起步阶段，这方面已经发表的文献相对较少而且多是侧重于应用领域。为进一步深入研究深度学习理论和拓展其应用领域奠定了一定的基础。并行分布式深度学习平台：1.由于海量的高维数据需要规模极大的模型与之匹配，因此模型和数据只能分布式地存储在大量点上。2.尽管有海量的数据，但是由于数据的稀疏性，过拟合仍然是需要时刻警惕的问题。3.并行分布式深度学习平台对同时需要稠密矩阵运算和稀疏矩阵运算的场景进行了优化。近年来在人工智能领域最受关注的，非深度学习莫属。自2006年吉奥夫雷·辛顿(GeofferyHinton)等在《科学》(Science)杂志发表那篇著名的论文开始，深度学习的热潮从学术界席卷到了工业界。2012年6月，《纽约时报》披露“谷歌大脑(GoogleBrain)”项目，由著名的斯坦福大学机器学习教授吴恩达(AndrewNg)和大规模计算机系统世界顶级专家杰夫·迪恩(JeffDean)共同主导，用1.6万个CPU核的并行计算平台训练深度神经网络(DeepNeuralNetworks,DNN)的机器学习模型，在语音和图像识别等领域获得巨大成功。国内方面，2013年1月，百度成立深度学习研究院，公司CEO李彦宏担任院长。短短两年时间，深度学习技术被应用到百度的凤巢广告系统、网页搜索、语音搜索、图像识别等领域，涵盖几十项产品。今天，用户在百度平台上的几乎每个服务请求，都被深度学习系统所处理。人工智能的特征之一是学习的能力，即系统的性能是否会随着经验数据的积累而不断提升。所以，大数据时代的到来给人工智能的发展提供前所未有的机遇。在这个时代背景下，深度学习在包括图像识别等方面所取得的突破性进展并非偶然。1)从统计和计算的角度看，深度学习特别适合处理大数据。2)深度学习不是一个黑箱系统。它像概率模型一样，提供一套丰富的、基于联接主义的建模语言(建模框架)3)深度学习几乎是唯一的端到端机器学习系统。大数据技术：随着云时代的来临，大数据(Bigdata)技术通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理(MPP)数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。BP人脑逻辑神经：BP(BackPropagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hiddenlayer)和输出层(outputlayer)。现有的人工客服，存在着成本高，管理难，流失率大，以及工作时间不足的问题，大大提高客服的工作效率。现有的虚拟客服系统，存在着以下问题：1.需要不断设置关键字，客户工作量巨大繁重2.需要客户团队配合系统工作甚至高技术JAVA工程师支持3.部署慢，非智能化系统，靠传统代码式完成，更改流程复杂，上线6-8个月，配置系统重。4.无法标准化，成本高，无法为中小企业提供服务只能进行简单一问一答的FAQ搜索式回答，无法进行逻辑化流程设计，无上下文联系，生硬的体验，无法正真解决用户需求。5.无法实现统一平台，每个渠道需要建立单个独立机器人及独立数据库。
技术实现思路
本专利技术的目的在于提供一种智能机器人服务系统，以解决上述问题。本专利技术采用了如下技术方案：一种智能机器人服务系统，其特征在于，包括四层结构：底层是关键字识别层，具本文档来自技高网...

【技术保护点】
1.一种智能机器人服务系统，其特征在于，包括四层结构：底层是关键字识别层，具有基础数据库，存储常见的客服问答；第二层是流程化SOP层，根据行业常规标准化客服流程及话术，建立初步的流程服务模块，并在每一个流程节点中连接动态数据库；第三层是网状架构层，是将所述底层和第二层，封层，并整合形成网状交叉重叠的架构，进行用户的任意节点跳转；第四层是人机交互层，搭载人机交互和人机双混系统，以行业专业客服本身作为神经元，建立机器学习机制。

【技术特征摘要】
1.一种智能机器人服务系统，其特征在于，包括四层结构：底层是关键字识别层，具有基础数据库，存储常见的客服问答；第二层是流程化SOP层，根据行业常规标准化客服流程及话术，建立初步的流程服务模块，并在每一个流程节点中连接动态数据库；第三层是网状架构层，是将所述底层和第二层，封层，并整合形成网状交叉重叠的架构，进行用户的任意节点跳转；第四层是人机交互层，搭载人机交互和人机双混系统，以行业专业客服本身作为神经元，建立机器学习机制。2.如权利要求1所述的智能机器人服务系统，其特征在于：所述关键字识别层中，具有输入层、隐含层和输出层三层，输入层的每个特征值分别进入隐含层的各级进行运算，并从输出层输出结果，在输入层到隐含层和隐含层到输出层之间通过训练调节连接的权值。3.如权利要求1所述的智能机器人服务系统，其特征在...

【专利技术属性】
技术研发人员：张成栋，
申请(专利权)人：南通使爱智能科技有限公司，
类型：发明
国别省市：江苏,32