一种基于人工智能的问题分类的方法及装置制造方法及图纸

本申请公开了一种基于人工智能的问题分类的方法，包括：云服务器获取智能客服上报的问题样本；提取所述问题样本特征，并将所述问题样本特征输入至多层卷积神经网络中，得到全局特征向量样本，将所述全局特征向量样本定义为训练集；利用高斯核支持向量模型对训练集进行测试，获取测试后的问题分类。获取测试后的问题分类。获取测试后的问题分类。

【技术实现步骤摘要】
一种基于人工智能的问题分类的方法及装置


[0001]本申请涉及电子商务
，尤其涉及基于人工智能的问题分类的方法及装置。

技术介绍

[0002]目前电子商务领域中经常会应用到智能客服针对用户提出的各类问题答复，主流的问题自动答复技术是在给定问题的情况下做出简单精确的答案。目前而言，如何获取到问题的正确分类，才是问题能否被精确答复的关键。
[0003]而现有技术中，会采用监督学习的方法来构建分类器，采用分类器来进行问题分类。但是，应对各种各样复杂的、不规则的问题提问方式时，监督学习的方法就显得分类不够精确，监督学习只能从一个相对比较粗的分类里面进行问题预测和匹配的答复，问题分类不够精确，用户体验较差。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的问题分类的方法及装置，用于解决现有技术中对于问题分类精确度较差的问题。
[0005]本专利技术实施例提供一种基于人工智能的问题分类的方法，包括：
[0006]云服务器获取智能客服上报的问题样本；
[0007]提取所述问题样本特征，并将所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的问题分类的方法，其特征在于，包括：云服务器获取智能客服上报的问题样本；提取所述问题样本特征，并将所述问题样本特征输入至多层卷积神经网络中，得到全局特征向量样本，将所述全局特征向量样本定义为训练集；利用高斯核支持向量模型对训练集进行测试，获取测试后的问题分类。2.根据权利要求1所述的方法，其特征在于，在所述利用高斯核支持向量模型对训练集进行测试之前，所述方法还包括：确定所述高斯核支持向量模型的超参数取值范围，所述超参数包括核函数参数及惩罚因子；采用多元二分类器获取不同超参数取值下的分类正确率。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：利用好格子点法优化所述超参数的取值范围，包括：设置试验次数n，因子数为s，计算正整数集H
n,s
H
n,s
＝{h:h＜n,gcd(n,h)＝1}；在H
n,s
中选取H＝{H1,H2,...,H
n
},其中H
i
＝{h
i
,h
i2
...h
is
},i＝1,...,n,生成n*s的U型设计U
K
＝{u
ki,j
}，其中u
ki,j
＝i*k
j
‑1(mod n),j＝1...,s；在所有的U
k
中选择偏差值最小的设计作为均匀设计U
kx
。4.根据权利要求2所述的方法，其特征在于，采用多元二分类器获取不同超参数取值下的分类正确率，包括：将所述训练集中每两个样本之间...

【专利技术属性】
技术研发人员：齐维维，
申请(专利权)人：齐维维，
类型：发明
国别省市：