本申请公开了一种基于智能客服的模型训练方法、文本识别方法、电子设备及计算机可读存储装置。该模型训练方法包括：获取智能客服的文本训练集，其中，文本训练集包括正样本和负样本，正样本包括两个相同的文本，负样本包括不同文本；将正样本以及若干负样本输入智能客户模型，获取智能客户模型的对于正样本的第一预测语义相似度，以及负样本的第二预测语义相似度；基于正样本的第一预测语义相似度，以及若干负样本的第二预测语义相似度，获取智能客户模型的预测损失值；按照预测损失值，与文本训练集的标记相似度对智能客户模型进行训练，以得到最终的智能客户模型。通过上述方式，本申请能够使得智能客户模型返回的结果更准确。确。确。
【技术实现步骤摘要】
模型训练方法、文本识别方法、电子设备及可读存储装置
[0001]本申请涉及数据处理领域，特别是涉及一种模型训练方法、文本识别方法、电子设备及计算机可读存储装置。
技术介绍
[0002]近年来，智能客服被广泛应用于各种领域，在智能客服使用之前，需要对其进行模型训练以改善服务质量，提高客户满意度。通常传统的智能客服模型的回复是基于大量的文本数据，使用BM25或浅层的神经网络来回数据进行召回排序，根据排序高低来返回对应的结果。这种方式虽然速度快，但是由于上述技术没有语义分析能力或语义分析能力较差，因此其无法对文本的语义进行准确完整的分析，返回的结果准确率较低。而当智能客服返回的文本结果不准确时，容易降低客户的满意程度。
技术实现思路
[0003]本申请主要目的是提供一种基于智能客服端的模型训练方法、文本识别方法、电子设备及计算机可读存储装置，能够解决智能客户模型返回结果不准确的技术问题。
[0004]为解决上述技术问题，本申请采用的第一个技术方案是：提供一种基于智能客服的模型训练方法。该方法包括：获取智能客服的文本训练集，其中，文本训练集包括正样本和负样本，正样本包括两个相同的文本，负样本包括不同文本；将正样本以及若干负样本输入智能客户模型，获取智能客户模型的对于正样本的第一预测语义相似度，以及负样本的第二预测语义相似度；基于正样本的第一预测语义相似度，以及若干负样本的第二预测语义相似度，获取智能客户模型的预测损失值；按照预测损失值，与文本训练集的标记相似度对智能客户模型进行训练，以得到最终的智能客户模型。
[0005]为解决上述技术问题，本申请采用的第二个技术方案是：提供一种文本识别方法。该方法包括：获取至少两个文本；将至少两个文本输入至利用如第一个技术方案中的模型训练方法训练得到的智能客户模型中，以得到文本之间的预测语义相似度。
[0006]为解决上述技术问题，本申请采用的第三个技术方案是：提供一种电子设备。该电子设备包括存储器和处理器，存储器用于存储程序数据，程序数据能够被处理器执行，以实现如第一个技术方案中所述的方法。
[0007]为解决上述技术问题，本申请采用的第四个技术方案是：提供一种计算机可读存储装置。该计算机可读存储装置存储有程序数据，能够被处理器执行，以实现如第一个技术方案中所述的方法。
[0008]本申请的有益效果是：先获取正样本和负样本，将正样本和负样本输入至智能客户模型得到与正负样本对应的第一预测语义相似度以及第二预测语义相似度。第一预测语义相似度对应了两相同的文本经过该智能客户模型后的语义相似度，第二预测语义相似度对应了两不同文本经过该智能客户模型后的语义相似度，利用该第一预测语义相似度以及第二预测语义相似度计算预测损失值，利用该预测损失值对智能客户模型进行训练使得智
能客户模型对相似或相同的文本输出的预测语义相似度更高，对不同的文本输出的预测语义相似度更低。按照所述预测损失值对智能客户模型训练完成之后，得到的智能客户模型能够更加准确地判断出相同或相似语义的文本，从而能够进一步进行准确的结果输出。
附图说明
[0009]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1是本申请基于智能客服的模型训练方法第一实施例的流程示意图；
[0011]图2是本申请智能客户模型一实施例的结构示意图；
[0012]图3是将文本输入至智能客户模型中生成预测语义相似度一过程的示意图；
[0013]图4是本申请模型训练方法第二实施例的流程示意图；
[0014]图5是本申请文本识别方法一实施例的流程示意图；
[0015]图6是本申请电子设备一实施例的结构示意图；
[0016]图7是本申请计算机可读存储装置一实施例的结构示意图。
具体实施方式
[0017]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0019]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0020]在介绍本申请的技术方案之前，先对相关技术进行简单地介绍。
[0021]对比学习是自然语言处理以提升模型效果的主要方式。通过构建大量不同的正负样本来提升模型的泛化能力，核心思想就是拉近每个样本与正样本之间的距离，拉远其与负样本之间的距离。正样本即语义相似的文本样本，而负样本为语义不相似的文本样本，正负样本的确定是相对的，只能说对于某一样本来说，哪些样本是正样本，哪些样本是负样本。在实际生活中，人经历过长年的学习，可以快速清楚地判断出不同的文本是否为语义相似的文本，同样对于人工智能来说，使用好的学习模型，经历过大量数据的训练，进行对比学习，其就能够快速判断筛查文本的内容，而且人工智能还能够降低人为造成的误判，提高
文本识别的准确率。
[0022]参照图1为本申请基于智能客服的模型训练方法第一实施例的流程示意图。其包括以下步骤：
[0023]S11：获取智能客服的文本训练集。
[0024]文本训练集包括正样本和负样本，正样本包括两个相同的文本，负样本包括不同文本。文本训练集中可包括多个训练文本，每个训练文本与自身关联构成一正样本，每个训练文本与其他的训练文本关联就构成一负样本。因此，在训练集中，对于每个训练文本来说。其都对应着一个正样本以及多个负样本。
[0025]S12：将正样本以及若干负样本输入智能客户模型，获取智能客户模型的对于正样本的第一预测语义相似度，以及负样本的第二预测语义相似度。
[0026]在对智能客户模型进行训练的过程中，将文本训练集中的文本数据输出至智能客户模型中，每一文本数据对于自身来说是正样本，而对于其他文本数据来说就是负样本。对于输入的一对文本数据，智能客户模型会生成这一对文本数据的预测语义相似度。对于一个文本数据来说，我们将智能客户模型输出的其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于智能客服的模型训练方法，其特征在于，所述模型训练方法包括：获取所述智能客服的文本训练集，其中，所述文本训练集包括正样本和负样本，所述正样本包括两个相同的文本，所述负样本包括不同文本；将所述正样本以及若干所述负样本输入智能客户模型，获取所述智能客户模型的对于所述正样本的第一预测语义相似度，以及所述负样本的第二预测语义相似度；基于所述正样本的第一预测语义相似度，以及若干所述负样本的第二预测语义相似度，获取所述智能客户模型的预测损失值；按照所述预测损失值，与所述文本训练集的标记相似度对所述智能客户模型进行训练，以得到最终的智能客户模型。2.根据权利要求1所述的方法，其特征在于，所述预测损失值包括simcse模型的损失值加上与所述正样本对应的均方误差损失值。3.根据权利要求2所述的方法，其特征在于，所述预测损失值为其中，为所述第一预测语义相似度、s(z
i
，z
j
)为所述第二预测语义相似度、T为温度系数、为所述正样本对应的均方误差损失值。4.根据权利要求1所述的方法，其特征在于，所述智能客户模型包括若干的编码模块以及采样模块，所述编码模块用于基于所述文本得...
【专利技术属性】
技术研发人员：詹乐，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。