问题派发方法及装置制造方法及图纸

本公开提供一种问题派发方法及装置。该问题派发方法包括：在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。利用该方法，可以将用户问题派发到合适的问题处理方来进行处理，从而使得用户能够得到更为准确的问题答复，由此提升客服效果。

Problem Dissemination Method and Device

【技术实现步骤摘要】
问题派发方法及装置
本公开通常涉及计算机
，更具体地，涉及用于派发用户问题的方法及装置。
技术介绍
在互联网企业，尤其是涉及商品交易的互联网企业，通常会提供客服系统来回答客户例如关于商品质量、商品交易流程、商品售后服务之类的咨询问题。由于客户所咨询的问题通常会涉及不同的业务或流程，不同的业务或流程需要由具有该业务或流程知识的专门客服人员或客服团队(问题处理方)来进行回复，否则会影响客服效果，从而需要提供一种将客户的咨询问题派发给合适的问题处理方的问题派发机制。问题派发的传统做法是根据用户对需求描述进行分类。然而，很多用户并不喜欢对着机器去描述问题，或者并不清楚自己的问题重点，从而使得用户的问题描述并不准确和完善，由此导致问题派发的准确率不佳，严重地影响答复效果。
技术实现思路
鉴于上述，本公开提供了一种问题派发方法及装置。利用该问题派发方法及装置，通过基于用户的问题描述文本、用户行为轨迹数据和用户特征数据来对用户问题进行分类，从而使得能够基于多模态多标签数据来进行问题分类，而不是基于单一的问题描述文本，由此可以提高问题分类预测的准确率，进而能够将用户问题派发到合适的问题处理方来进行处理，使得用户能够得到更为准确的问题答复，由此提升答复效果。根据本公开的一个方面，提供了一种问题派发方法，包括：在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。可选地，在上述方面的一个示例中，使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类包括：将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据分别输入到所述神经网络模型的至少一个输入层来进行向量化处理，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示；将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示分别输入到所述神经网络模型中的第一中间隐藏层、第二中间隐藏层和第三中间隐藏层，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量；将所得到的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的拼接层进行拼接处理；以及将经过拼接处理后的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的分类层来进行分类处理，以确定所述问题的问题分类结果。可选地，在上述方面的一个示例中，所述第一中间隐藏层包括长短期记忆网络(LongShort-TermMemory，LSTM)层、循环神经网络(RecurrentNeuralNetwork，RNN)层、门控循环单元(GatedRecurrentUnit，GRU)层、深度神经网络(DeepNeuralNetwork，DNN)层和卷积神经网络(CNN)层中的至少一种，所述第二中间隐藏层包括DNN层，以及所述第三中间隐藏层包括LSTM层、RNN层或GRU层。可选地，在上述方面的一个示例中，所述分类层是Softmax层。可选地，在上述方面的一个示例中，获取所述问题的问题描述文本包括：在接收到用户的问题后，至少部分地基于所述用户的用户特征数据和用户行为轨迹数据，创建至少一个问答问题；以及至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。根据本公开的另一方面，提供一种问题派发装置，包括：获取单元，被配置为在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；问题分类单元，被配置为使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及问题派发单元，被配置为基于所述问题分类结果来将所述问题派发给对应的问题处理方。可选地，在上述方面的一个示例中，所述神经网络模型包括：至少一个输入层，被配置为分别对所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行向量化处理，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示；第一中间隐藏层，被配置为基于所述问题描述文本的向量表示，生成所述问题描述文本的中间向量；第二中间隐藏层，被配置为基于所述用户特征数据的向量表示，生成所述用户特征数据的中间向量；第三中间隐藏层，被配置为基于所述用户行为轨迹数据的向量表示，生成所述用户行为轨迹数据的中间向量；拼接层，被配置为对所得到的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量进行拼接处理；以及分类层，被配置为基于经过拼接处理后的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量来进行分类处理，以确定所述问题的问题分类结果。可选地，在上述方面的一个示例中，所述第一中间隐藏层包括LSTM层、RNN层、GRU层、DNN层和CNN层中的至少一种，所述第二中间隐藏层包括DNN层，以及所述第三中间隐藏层包括LSTM层、RNN层或GRU层。可选地，在上述方面的一个示例中，所述分类层是Softmax层。可选地，在上述方面的一个示例中，所述装置还包括：问答问题创建单元，被配置为在接收到用户的问题后，至少部分地基于所述用户的用户特征数据和用户行为轨迹数据，创建至少一个问答问题，所述获取单元被配置为：至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。根据本公开的另一方面，提供一种计算设备，包括：至少一个处理器，以及与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的问题派发方法。根据本公开的另一方面，提供一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的问题派发方法。附图说明通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。图1示出了根据本公开的实施例的问题派发方法的流程图；图2示出了根据本公开的实施例的问题的一个示例示意图；图3示出了根据本公开的实施例的神经网络模型的一个示例的示意图；图4示出了根据本公开的实施例的问题描述文本获取过程的流程图；图5示出了根据本公开的实施例的问题描述文本获取过程的一个示例示意图；图6示出了根据本公开的实施例的问题派发装置的结构方框图；图7示出了根据本公开的实施例的用于问题派发的计算设备的方框图。具体实施方式现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。本文档来自技高网...

【技术保护点】
1.一种问题派发方法，包括：在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。

【技术特征摘要】
1.一种问题派发方法，包括：在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类；以及基于所述问题分类结果来将所述问题派发给对应的问题处理方。2.如权利要求1所述的问题派发方法，其中，使用神经网络模型来基于所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据进行问题分类包括：将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据分别输入到所述神经网络模型的至少一个输入层来进行向量化处理，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示；将所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的向量表示分别输入到所述神经网络模型中的第一中间隐藏层、第二中间隐藏层和第三中间隐藏层，以分别得到所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量；将所得到的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的拼接层进行拼接处理；以及将经过拼接处理后的所述问题描述文本、所述用户特征数据和所述用户行为轨迹数据的中间向量输入到所述神经网络模型中的分类层来进行分类处理，以确定所述问题的问题分类结果。3.如权利要求2所述的问题派发方法，其中，所述第一中间隐藏层包括LSTM层、RNN层、GRU层、DNN层和CNN层中的至少一种，所述第二中间隐藏层包括DNN层，以及所述第三中间隐藏层包括LSTM层、RNN层或GRU层。4.如权利要求2所述的问题派发方法，其中，所述分类层是Softmax层。5.如权利要求1所述的问题派发方法，其中，获取所述问题的问题描述文本包括：在接收到用户的问题后，至少部分地基于所述用户的用户特征数据和用户行为轨迹数据，创建至少一个问答问题；以及至少部分地基于所述用户针对所创建的至少一个问答问题的答复，获取所述问题的问题描述文本。6.一种问题派发装置，包括：获取单元，被配置为在接收到用户的问题后，获取所述问题的问题描述文本、所述用户的用户特征数据和用户行为轨迹数据；问题分类单元，被配置为使用神...

【专利技术属性】
技术研发人员：王雅芳，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY