客服问题的更新方法、系统、终端设备及计算机存储介质技术方案

本发明专利技术涉及客服机器人技术领域，公开了一种客服问题的更新方法、系统、终端设备及计算机存储介质，该客服问题的更新方法包括：根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据；基于所述训练数据训练相似度模型，并利用训练收敛的相似度模型计算未响应客服问题的聚类参数；基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果；根据所述聚类结果生成新的客服问题以对所述预设客服问题集进行更新。此外，本发明专利技术还涉及区块链技术，训练收敛的相似度模型可存储在区块链中。本发明专利技术能够在聚类时得到更加具有价值的高质量问题来更新客服问题集，提高了智能客服机器人的问题回答效率。

【技术实现步骤摘要】
客服问题的更新方法、系统、终端设备及计算机存储介质
本专利技术涉及客服机器人
，尤其涉及一种客服问题的更新方法、系统、终端设备以及计算机存储介质。
技术介绍
智能客服机器人通常由语音识别(AutomaticSpeechRecognition,ASR)、意图识别、问答模块、知识库管理、知识图谱、对话管理、文本生成、语音合成(TexttoSpeech,TTS)等模块构成。其中，基于知识库的FAQ(FrequentlyAskedQuestions，常见的问题项目与对应问题的解答)问答模块通过在知识库中查询与用户问题相匹配的标准问题，为用户提供满意的答案，是智能客服机器人中最重要的模块。而知识库是FAQ问答模块重要的组成部分，它由用户高频问到的问题和对应的答案对构成，为了适应不同用户对同一问题的不同问法，每个标准问题都会泛化几个相似问题。随着业务的发展，知识库的问题集需要不断更新以提高客服机器人的回答率。目前，为了减少维护运营人员的工作量，一般是通过聚类技术把最近机客服机器人未响应的问题进行聚类，然后由运营人员依赖聚类结果和知识库的情况，整理出新的标准问题和对应的相似问题加入到该知识库中以对问题集进行更新。然而，随着业务的发展会持续不断的涌现出大量新的业务问题，仅基于聚类算法针对未响应问题进行聚类的方式，已经无法聚类得出高质量的问题来对问题集进行更新。
技术实现思路
本专利技术的主要目的在于提供一种客服问题的更新方法、系统、终端设备及计算机存储介质，旨在解决现有仅基于聚类算法针对未响应问题进行聚类的方式，无法聚类得出高质量的问题对智能客服机器人的问题集进行更新的技术问题。为实现上述目的，本专利技术实施例提供一种客服问题的更新方法，所述客服问题的更新方法包括：根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据；基于所述训练数据训练相似度模型，并利用训练收敛的相似度模型计算未响应客服问题的聚类参数；基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果；根据所述聚类结果生成新的客服问题以对所述客服问题集进行更新。优选地，所述客服问题包括标准问题和相似问题，所述根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据的步骤，包括：从预设客服问题集中提取各标准问题和各所述标准问题各自对应的各相似问题；根据各所述标准问题中的第一标准问题，和所述第一标准问题对应的各相似问题构建得到各相似问题对；根据所述第一标准问题，和各所述标准问题中的第二标准问题对应的各相似问题构建得到各非相似问题对，其中，所述第一标准问题与所述第二标准问题不相同；将各所述相似问题对与各所述非相似问题对进行对应组合形成各训练数据。优选地，所述基于所述训练数据训练相似度模型的步骤，包括：将所述训练数据切分为第一数据集和第二数据集；利用所述第一数据集对所述相似度模型进行训练，并利用所述第二数据集对经过训练的相似度模型进行验证；将通过验证的相似度模型标记为训练收敛的相似度模型，并将训练收敛的相似度模型存储在区块链中。优选地，所述聚类参数包括：问题句子的向量表示和相似度值，所述利用训练收敛的相似度模型计算未响应客服问题的聚类参数的步骤，包括：获取所述未响应客服问题的问题句子和所述问题句子的复制句子，并将所述问题句子和所述复制句子输入训练收敛的相似度模型；获取训练收敛的相似度模型计算所述问题句子和所述复制句子之间的相似度值的向量平均值；将所述向量平均值作为所述问题句子的向量表示；或者，遍历所述问题句子构建句子对，并将所述句子对输入训练收敛的相似度模型；获取训练收敛的相似度模型对所述句子对进行相似度值计算后输出的相似度值，并将所述相似度值作为所述问题句子的相似度值。优选地，所述基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果的步骤，包括：调用预设基于距离的聚类算法，利用所述相似度值对所述未响应客服问题进行聚类得到所述未响应客服问题的聚类结果；或者，调用预设基于句子表示的聚类算法，利用所述向量表示对所述未响应客服问题进行聚类得到所述未响应客服问题的聚类结果。优选地，所述根据所述聚类结果生成新的客服问题以对所述预设客服问题集进行更新的步骤，包括：根据所述聚类结果和所述客服问题集生成新的标准问题和所述新的标准问题对应的相似问题；为所述新的标准问题和所述新的标准问题对应的相似问题配置各自对应的服务答案；将所述新的标准问题、所述新的标准问题对应的相似问题以及所述服务答案，添加至所述预设客服问题集以对所述预设客服问题集进行更新。优选地，所述客服问题的更新方法，还包括：间隔预设时长采集所述未响应客服问题，并将采集到的所述未响应客服问题存储在区块链中。此外，为实现上述目的，本专利技术还提供一种客服问题的更新系统，所述客服问题的更新系统包括：存储器、处理器，通信总线以及存储在所述存储器上的客服问题的更新程序，所述通信总线用于实现处理器与存储器间的通信连接；所述处理器用于执行所述客服问题的更新程序，以实现以下步骤：根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据；基于所述训练数据训练相似度模型，并利用训练收敛的相似度模型计算未响应客服问题的聚类参数；基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果；根据所述聚类结果生成新的客服问题以对所述预设客服问题集进行更新。优选地，所述客服问题包括标准问题和相似问题，所述根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据的步骤，包括：从预设客服问题集中提取各标准问题和各所述标准问题各自对应的各相似问题；根据各所述标准问题中的第一标准问题，和所述第一标准问题对应的各相似问题构建得到各相似问题对；根据所述第一标准问题，和各所述标准问题中的第二标准问题对应的各相似问题构建得到各非相似问题对，其中，所述第一标准问题与所述第二标准问题不相同；将各所述相似问题对与各所述非相似问题对进行对应组合形成各训练数据。优选地，所述基于所述训练数据训练相似度模型的步骤，包括：将所述训练数据切分为第一数据集和第二数据集；利用所述第一数据集对所述相似度模型进行训练，并利用所述第二数据集对经过训练的相似度模型进行验证；将通过验证的相似度模型标记为训练收敛的相似度模型，并将训练收敛的相似度模型存储在区块链中。优选地，所述聚类参数包括：问题句子的向量表示和相似度值，所述利用训练收敛的相似度模型计算未响应客服问题的聚类参数的步骤，包括：获取所述未响应客服问题的问题句子和所述问题句子的复制句子，并将所述问题句子和所述复制句子输入训练收敛的相似度模型；获取训练收敛的相似度模型计算所述问题句子和所述复制句子之间的相似度值本文档来自技高网...

【技术保护点】
1.一种客服问题的更新方法，其特征在于，所述客服问题的更新方法包括：/n根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据；/n基于所述训练数据训练相似度模型，并利用训练收敛的相似度模型计算未响应客服问题的聚类参数；/n基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果；/n根据所述聚类结果生成新的客服问题以对所述预设客服问题集进行更新。/n

【技术特征摘要】
1.一种客服问题的更新方法，其特征在于，所述客服问题的更新方法包括：
根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据；
基于所述训练数据训练相似度模型，并利用训练收敛的相似度模型计算未响应客服问题的聚类参数；
基于所述聚类参数进行聚类运算得到所述未响应客服问题的聚类结果；
根据所述聚类结果生成新的客服问题以对所述预设客服问题集进行更新。


2.如权利要求1所述的客服问题的更新方法，其特征在于，所述客服问题包括标准问题和相似问题，所述根据预设客服问题集中的客服问题构建问题对，并将所述问题对组合为训练数据的步骤，包括：
从预设客服问题集中提取各标准问题和各所述标准问题各自对应的各相似问题；
根据各所述标准问题中的第一标准问题，和所述第一标准问题对应的各相似问题构建得到各相似问题对；
根据所述第一标准问题，和各所述标准问题中的第二标准问题对应的各相似问题构建得到各非相似问题对，其中，所述第一标准问题与所述第二标准问题不相同；
将各所述相似问题对与各所述非相似问题对进行对应组合形成各训练数据。


3.如权利要求1所述的客服问题的更新方法，其特征在于，所述基于所述训练数据训练相似度模型的步骤，包括：
将所述训练数据切分为第一数据集和第二数据集；
利用所述第一数据集对所述相似度模型进行训练，并利用所述第二数据集对经过训练的相似度模型进行验证；
将通过验证的相似度模型标记为训练收敛的相似度模型，并将训练收敛的相似度模型存储在区块链中。


4.如权利要求1所述的客服问题的更新方法，其特征在于，所述聚类参数包括：问题句子的向量表示和相似度值，
所述利用训练收敛的相似度模型计算未响应客服问题的聚类参数的步骤，包括：
获取所述未响应客服问题的问题句子和所述问题句子的复制句子，并将所述问题句子和所述复制句子输入训练收敛的相似度模型；
获取训练收敛的相似度模型计算所述问题句子和所述复制句子之间的相似度值的向量平均值；
将所述向量平均值作为所述问题句子的向量表示；
或者，遍历所述问题句子构建句子对，并将所述句子对输入训练收敛的相似度模型；
获取训练收敛的相似度模型对所述句子对进行相似度值计算后输出的相似度值，并将所述相似度值作为所述问题句子的相似度值。<...

【专利技术属性】
技术研发人员：侯翠琴，文彬，李剑锋，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44