通信内容定制制造技术

提供了一种用于个性化发送者和接收者之间的消息的方法。该方法包括语义地分析通信历史以形成知识图，使用第一训练的ML模型来导出形式等级值，分析回复的参数值以确定接收者影响分数，以及训练第二ML系统以生成预测接收者影响分数值的模型。该方法还包括选择被起草的消息中的语言表达，确定表达意图，基于形式等级和表达意图来修改语言表达以生成修改的语言表达，以及测试修改的语言表达是否具有更高的接收者影响分数的增加的可能性。该方法还包括重复选择语言表达、确定表达意图、修改语言表达以及测试，直到满足停止准则。直到满足停止准则。直到满足停止准则。

【技术实现步骤摘要】
【国外来华专利技术】通信内容定制


[0001]本专利技术总体上涉及一种用于个性化消息的方法，更具体地，涉及一种用于个性化要从发送者发送到接收者的消息的方法。本公开还涉及用于个性化发送者和接收者之间的消息的消息个性化系统和计算机程序产品。

技术介绍

[0002]在电子通信系统中管理的数据量不断增加。这对于经典电子邮件消息、聊天消息、社交媒体消息和其它形式的现代通信平台是真实的。在商业通信和市场中使用诸如语音邮件的更非正式的电子通信机制也已经变得普遍。以上述任何方式发送的消息的数量也在增加，并且在许多情况下，单个消息的长度在减小。这可能导致使用电子媒体的误解和错误交流。另外，针对一个收件人定制的消息在发送者和一个收件人之间的上下文中可能“击中要害”，但是在发送者和另一个收件人之间的上下文中可能是完全无内容的。因此，消息应当被定制为适应于收件人的要求和上下文，以便实现适当的和最大的影响。
[0003]然而，许多消息由非集中的发送者发送。可替换地，可能向大量受众发送营销消息，其中每个接收个体在接收消息时具有独特的历史并且因此具有不同的上下文。因此，对于多个接收者的影响可能显著地不同。为了解决这个问题，在营销活动之前，通常执行高度复杂的情感分析，以便向各个接收者或接收者的小组发送上下文特定的消息。如果电子通信系统和平台用于营销，则这些情感分析是主要的努力。另外，在许多1:1消息中可能观察到相同的弱点，因为发送者不知道接收者的完整上下文或者接收者可能如何解释消息内容，因为这必然在发送者的上下文中生成。
[0004]为了解决这些问题进行了一些尝试。美国专利公开2012/0265528A1公开了一种虚拟助理，其使用上下文信息来补充来自用户的自然语言或手势检查输入。上下文有助于澄清用户的意图以减少用户输入的候选解释的数量，并且减少用户提供过度澄清输入的需要。
[0005]此外，美国专利公开2013/0253910Al公开了一种用于分析数字文档内的文本的方法。在一些情况下，分析可以包括利用处理电路接收和/或生成数字文档，并且基于文本样本内的文档术语的出现来确定多个文档术语中的每一个的分布。
[0006]然而，公知的技术没有考虑收件人的完整上下文，因此可能没有适当地定制消息以降低收件人误解的概率。因此，需要更好的消息个性化。

技术实现思路

[0007]根据本公开的一个方面，可以提供一种用于对发送者和接收者之间的消息进行个性化的方法。该方法可以包括在语义上分析发送者和接收者之间的通信历史，并且形成在标识发送者的发送者标识符和标识接收者的接收者标识符之间的知识图。此外，该方法可以包括使用第一被训练的机器学习模型从知识图导出发送者和接收者之间的形式等级值(formality level)，分析通信历史中的回复的参数值以确定接收者影响分数值，以及训练
第二机器学习系统以生成模型来基于知识图和形式等级预测接收者影响分数值。
[0008]另外，该方法可以包括选择被起草的消息中的语言表达，确定所选择的语言表达的表达意图，以及基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达。
[0009]该方法的一部分还可以是使用第三被训练的机器学习模型来测试经修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性，并且重复选择语言表达、确定表达意图、修改语言表达和测试的步骤，直到满足停止准则。
[0010]根据本公开的另一方面，可以提供一种用于对发送者和接收者之间的消息进行个性化的消息个性化系统。消息个性化系统可以包括：第一分析装置，其适于在语义上分析发送者和接收者之间的通信历史，并且适于在标识发送者的发送者标识符和标识接收者的接收者标识符之间形成知识图；导出装置，其适于使用第一被训练的机器学习模型从知识图导出发送者和接收者之间的形式等级值；第二分析装置，其适于分析通信历史中的回复的参数值以确定接收者影响分数值；以及训练装置，其适于训练第二机器学习系统以生成模型，以基于知识图和形式等级预测接收者影响分数值。
[0011]此外，消息个性化系统可以包括：选择装置，其适于选择被起草的消息中的语言表达；确定装置，其适于确定所选择的语言表达的表达意图；修改装置，其适于基于形式等级和表达意图来修改语言表达，从而生成修改的语言表达；以及测试装置，其适于使用第三训练的机器学习模型来测试修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性。
[0012]此外，消息个性化系统可以包括重复装置，其适于触发选择装置、确定装置、修改装置和测试装置，直到满足停止准则。
[0013]所提出的用于个性化发送者和接收者之间的消息的方法可以提供多个优点、技术效果、贡献和/或改进。
[0014]所提出的概念可以表示以最有效的方式帮助“传递消息”的工具。其可以克服应以不同的方式对消息封装七次以便真正地使消息通过的旧说法。这里提出的系统可以是刚刚提到的通信经验规则的捷径。在将主动发送消息之前，可以通过多个机器学习系统的交互来修改要起草(和要发送)的消息。
[0015]为了实现这一点，所提出的方法和相关系统可以检查和分析发送者与相关接收者或收件人之间的历史通信片段，以确定不同的参数，比如主题、对其的理解、特定主题、所使用的词汇、发送者与接收者之间的关系以及其他可用的上下文和元数据。基于这些经验数据，在可以发送消息之前，还可以在线动态分析要写入的消息，以预测以特定方式制定的消息可能对收件人产生什么类型的影响，例如什么类型的效果。这也可以取决于多个不同的参数，如果已知，则可以使用所有这些参数。
[0016]因此，所提出的概念可以帮助避免误解和耗时的来回问题，以便在正在进行的通信中实现真实、快速和有效的进展。特别地，它还可以允许在寻求使通信更平滑和更有效时克服文化、语言和个人障碍。
[0017]因此，因为可以针对单独的收件人或者针对具有例如可比较的通信历史的一组收件人而定制消息，所以所提出的概念不仅可以在一对一通信中工作，而且可以在一对多通信中工作。消息的定制也可以基于其它参数，如所选成员组特性。
[0018]可以看出，纯技术优点在于，在任何类型的电子通信系统中必须存储的消息更少，
从而总共需要更少的存储容量。另外，由于来回发送更少的消息以回答问题，因此可以节省通信带宽。
[0019]下面将描述可应用于该方法以及该系统的附加实施例。
[0020]根据该方法的有利实施例，第三机器学习模型可以是例如基于强化学习系统的强化学习模型。这样，所涉及的软件代理可以以最大化奖励(例如奖励函数)的一些概念的方式来动作，并且在这种特殊情况下，最大化修改的消息对接收者的预期影响。
[0021]根据该方法的增强实施例，第三机器学习模型的训练还可以包括使用双向变换器。这也可以看作是在此基于BERT(来自变换器的双向编码器表示)模型以预测表达意图的方法中涉及的第四机器学习模型和系统。因此，这里提出的方法可以使用最新的文本解释和NLP技术，其使用用于语言表示的无监督ML模型，该模型仅使用纯文本语料本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于使在发送者和接收者之间的消息个性化的方法，所述方法包括：语义分析所述发送者和所述接收者之间的通信历史，并形成在标识所述发送者的发送者标识符和标识所述接收者的接收者标识符之间的知识图；使用第一被训练的机器学习模型从所述知识图导出在所述发送者和所述接收者之间的形式等级值；分析所述通信历史中的回复的参数值以确定接收者影响分数值；训练第二机器学习系统以生成基于所述知识图和所述形式等级来预测所述接收者影响分数值的模型；在被起草的消息中选择语言表达；确定所选择的语言表达的表达意图；基于所述形式等级和所述表达意图来修改所述语言表达，以生成修改的语言表达；使用第三被训练的机器学习模型来测试所述修改的语言表达是否具有导致更高的接收者影响分数值的增加的可能性；以及重复选择所述语言表达、确定所述表达意图、修改所述语言表达、以及针对所述更高的接收者影响分数进行测试，直到满足停止准则。2.根据权利要求1所述的方法，其中，所述第三机器学习模型是强化学习模型。3.根据权利要求1或2所述的方法，其中，所述第三机器学习模型的所述训练还包括使用双向变换器来预测所述表达意图。4.根据权利要求3所述的方法，其中，所述双向变换器的所述训练还包括使用所述通信历史、所述知识图、形式等级和接收者影响分数值作为训练数据。5.根据权利要求1至4中的一项所述的方法，其中，所述接收者标识符是用于标识多个用户的多个接收者标识符，以及所述修改的语言表达是考虑所有接收者标识符的影响而建立的。6.根据权利要求1至5中的一项所述的方法，其中，所述语言表达的所述修改受到从所述形式等级分析、所述消息的保密性等级分析、消息主题分析和语气分析中选择的至少一个的结果的影响。7.根据权利要求1至6中的一项所述的方法，其中，所述语言表达的所述修改通过从组中选择的至少一个来执行，所述组包括：单词替换、句子结构旋转、内容重新排序、单词删除、消息块顺序重新组合、同义词使用、所述接收者在过去通信中使用的措辞、调整风格、和GPT2变换器转换，以及所述GPT2变换器转换被灌输有部分句子创建，以通过合成针对所述用户的个性化文本以个性化方式生成所述段落的片段。8.根据权利要求1至7中的一项所述的方法，其中，对所述通信历史的所述语义分析包括：用潜在狄利克雷分布(LDA)主题模型来识别主题。9.根据权利要求1至8中的一项所述的方法，其中，用词袋模型来获得所述形式等级，并且所述第一被训练的机器学习模型是高斯朴素贝叶斯分类器。10.根据权利要求1至9中的一项所述的方法，其中，通过使用IoT传感器或日历信息预测在所述消息被设置为到达的时间时所述接收者的情绪或任务来进一步细化所述语言表
达。11.根据权利要求1至10中的一项所述的方法，其中，所述接收者影响分数受到从组中选择的至少一个的影响，所述组包括：IoT传感器数据、可穿戴系统数据、计算机视觉数据、存在/不存在回复、回复的定时、所述回复相对于所述收件人或不同收件人的其他回复的定时、所述回复相对于时区和日历的定时、存在/不存在不在办公室消息、所述回复的长度、所述回复的内容、所述发送者所请求的由所述接收者执行的任务、以及表情符号。12.根据权利要求1至11中的一项所述的方法，其中，所述消息是书面消息或语音消息。13.根据权利要求1至12中的一项所述的方法，其中，所述分析揭示了所述通信历史的缺乏，以及次通信历史替换所述通信历史，其中，所述次通信历史是在所述接收者和次发送者之间的。14.一种用于使发送者和接收者之间的消息个性化的消息个性化系统，所述消息个性化系统包括：存储器；以及与所述存储器通信的处理器，所述处理器被配置为执行操作，所述操作包括：语义分析所述发送者和所述接收者之间的通信历史，并适于形成在标识所述发送者的发送者标识符和标识所述接收者的接收者标识符之间的知识图；使用第一被训练的机器学习模型从所述知识图导出在所述发送者和所述接收者之间的形式等级值；分析所述通信历史中的回复的参数值以确定接收者影响分数值；训练第二机器学习系统以生成基于所述知识图和所述形式等级来预测所...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：