本發(fā)明涉及智能客服領(lǐng)域，具體涉及一種智能客服系統(tǒng)的優(yōu)化方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、在當(dāng)前的智能客服系統(tǒng)中，自然語言處理(nlp)技術(shù)已成為提升用戶體驗和服務(wù)質(zhì)量的關(guān)鍵。然而，現(xiàn)有的智能客服系統(tǒng)在處理用戶對話時，往往采用統(tǒng)一的分詞和語義分析方法，忽略了不同用戶之間存在的個性化差異，如語言習(xí)慣、表達(dá)風(fēng)格等。這種“一刀切”的處理方式在處理簡短或標(biāo)準(zhǔn)化的用戶輸入時可能表現(xiàn)良好，但在面對復(fù)雜、個性化或冗長的用戶表達(dá)時，往往難以準(zhǔn)確捕捉用戶的真實意圖，導(dǎo)致分詞和語義分析的準(zhǔn)確性下降，進(jìn)而影響后續(xù)的情感分析和問題識別，最終生成不夠精準(zhǔn)或貼心的回復(fù)建議。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一，為此，本發(fā)明提出一種智能客服系統(tǒng)的優(yōu)化方法、系統(tǒng)、設(shè)備及介質(zhì)。

2、第一方面，本技術(shù)提出一種智能客服系統(tǒng)的優(yōu)化方法，包括：獲取用戶通過客服系統(tǒng)前端輸入的對話內(nèi)容；

3、對獲取的所述對話內(nèi)容進(jìn)行自然語言處理，所述自然語言處理包括分詞、詞性標(biāo)注和語義分析；

4、根據(jù)用戶的個性化特點，調(diào)整分詞間距和語義單元的邊界，生成優(yōu)化后的分詞和語義的分析結(jié)果；

5、對優(yōu)化后的分詞和語義的所述分析結(jié)果應(yīng)用情感分析模型，識別用戶的情緒狀態(tài)，獲取情緒識別結(jié)果；

6、采用分類模型識別用戶的問題類型；

7、結(jié)合用戶的所述情緒狀態(tài)和所述問題類型，生成回復(fù)建議。

8、進(jìn)一步具體地說，上述技術(shù)方案中，根據(jù)用戶的個性化特點，調(diào)整分詞間距和語義單元的邊界，具體包括：

9、根據(jù)用戶的個性化特點，調(diào)整分詞間距，所述個性化特點包括表達(dá)習(xí)慣；

10、若用戶表達(dá)簡短，則縮小分詞間距；

11、若用戶表達(dá)冗長，則拉大分詞間距；

12、對調(diào)整后的分詞結(jié)果進(jìn)行詞性標(biāo)注，確定每個詞的詞性；

13、采用語義分析算法對詞性標(biāo)注結(jié)果進(jìn)行語義分析，識別語義單元，獲取語義理解結(jié)果。

14、進(jìn)一步具體地說，上述技術(shù)方案中，根據(jù)用戶的個性化特點，調(diào)整分詞間距和語義單元的邊界，還包括:

15、基于分詞和詞性標(biāo)注的結(jié)果，初步識別出語義單元，所述語義單元包括短語、子句或句子片段；

16、分析當(dāng)前對話內(nèi)容的上下文信息，獲取用戶當(dāng)前的意圖和關(guān)注點，所述上下文信息包括前后句和話題；

17、通過理解詞匯的語義，判斷被劃分到同一個語義單元中的詞匯，詞匯的語義包括：同義、反義和上下位概念。

18、進(jìn)一步具體地說，上述技術(shù)方案中，在生成回復(fù)建議前，還包括:

19、獲取用戶歷史交互數(shù)據(jù)，通過分析所述用戶提問中使用的詞匯復(fù)雜度和專業(yè)術(shù)語頻率，結(jié)合知識庫評估所述用戶的知識水平，所述知識庫用于檢索相關(guān)的回復(fù)建議；

20、根據(jù)所述用戶的知識水平，調(diào)整知識庫檢索時的關(guān)鍵詞匹配策略，若所述用戶知識水平高，則提高專業(yè)術(shù)語的權(quán)重，若所述用戶知識水平低，則提高通俗表達(dá)的權(quán)重；

21、采用調(diào)整后的關(guān)鍵詞匹配策略，在所述知識庫中檢索與所述用戶問題相關(guān)的文本片段；

22、對檢索的結(jié)果進(jìn)行自然語言處理，采用文本摘要模型提取信息，生成初步回答內(nèi)容。

23、進(jìn)一步具體地說，上述技術(shù)方案中，生成初步回答內(nèi)容后，將所述初步回答內(nèi)容輸入所述情感分析模型，識別所述初步回答內(nèi)容的情感傾向；

24、根據(jù)所述用戶的知識水平，對所述初步回答內(nèi)容進(jìn)行調(diào)整，若所述知識水平為高，則保留更多專業(yè)表達(dá)，若所述知識水平低，則增加通俗解釋；

25、同時，根據(jù)所述情感分析結(jié)果，調(diào)整所述回答內(nèi)容的語氣和情感傾向。

26、進(jìn)一步具體地說，上述技術(shù)方案中，生成回復(fù)建議時，基于協(xié)同過濾算法的推薦系統(tǒng)結(jié)合用戶情緒狀態(tài)、問題類型、用戶畫像、問題解決歷史和知識庫檢索結(jié)果，生成回復(fù)建議；具體包括：

27、基于用戶的注冊信息、瀏覽記錄、購買記錄和搜索歷史，獲取用戶的個人信息、興趣偏好和歷史行為等，構(gòu)建用戶畫像；

28、問題解決歷史為用戶過去的問題及其解決方案，包括成功和失敗的解決方案，分析用戶的問題解決路徑和偏好；

29、構(gòu)建知識庫，當(dāng)用戶提出問題時，通過所述知識庫檢索相關(guān)的建議；

30、獲取用戶的情緒狀態(tài)編碼、問題類型編碼、用戶畫像特征向量和問題解決歷史特征，使用協(xié)同過濾算法計算用戶之間或問題之間的相似度；

31、基于用戶的相似度查找與目標(biāo)用戶相似的其他用戶，分析所述其他用戶在過去類似情境下的回復(fù)建議；

32、基于問題的相似度，查找與目標(biāo)問題相似的其他問題，并根據(jù)所述其他問題對應(yīng)的解決方案和當(dāng)前用戶的問題，生成多個回復(fù)建議；

33、對多個回復(fù)建議進(jìn)行綜合評估，根據(jù)評估結(jié)果對所述回復(fù)建議進(jìn)行排序，選擇最優(yōu)的回復(fù)建議發(fā)送至所述用戶。

34、進(jìn)一步具體地說，上述技術(shù)方案中，還包括：獲取用戶對所述回復(fù)建議的反饋，基于所述反饋調(diào)整智能客服系統(tǒng)的優(yōu)化方法。

35、第二方面，本技術(shù)還提出一種智能客服系統(tǒng)的優(yōu)化系統(tǒng)，包括：

36、第一處理模塊：獲取用戶通過客服系統(tǒng)前端輸入的對話內(nèi)容；；

37、第二處理模塊：對獲取的所述對話內(nèi)容進(jìn)行自然語言處理，所述自然語言處理包括分詞、詞性標(biāo)注和語義分析；

38、第三處理模塊：根據(jù)用戶的個性化特點，調(diào)整分詞間距和語義單元的邊界，生成優(yōu)化后的分詞和語義的分析結(jié)果；

39、第四處理模塊：對優(yōu)化后的分詞和語義的所述分析結(jié)果應(yīng)用情感分析模型，識別用戶的情緒狀態(tài)，獲取情緒識別結(jié)果；

40、第五處理模塊：采用分類模型識別用戶的問題類型；

41、第六處理模塊：結(jié)合用戶的所述情緒狀態(tài)和所述問題類型，生成回復(fù)建議。

42、第三方面，本技術(shù)還提出一種終端設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述任一項所述的方法。

43、第四方面，本技術(shù)還提出一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一項所述的方法。

44、與現(xiàn)有技術(shù)相比，本發(fā)明實施例具有以下有益效果：

45、當(dāng)用戶表達(dá)較為冗長且包含多個信息點時，系統(tǒng)通過拉大分詞間距和語義單元邊界，將相關(guān)但語義上獨立的詞匯或短語區(qū)分開來，避免了因詞匯過度聚集而導(dǎo)致的語義混淆。例如，用戶輸入“請問明天的天氣預(yù)報是什么樣的，包括溫度、濕度和風(fēng)力等信息”，系統(tǒng)能夠準(zhǔn)確地將“溫度”、“濕度”和“風(fēng)力”等詞匯分別劃分到不同的語義單元中，確保了對每個信息點的準(zhǔn)確理解。系統(tǒng)還會利用語義分析算法，深入理解詞匯之間的語義關(guān)系(如同義、反義、上下位等)，從而更準(zhǔn)確地判斷哪些詞匯應(yīng)該被劃分到同一個語義單元中，哪些應(yīng)該被區(qū)分開來，進(jìn)一步提高了語義理解的準(zhǔn)確性。

46、對于知識水平較高的用戶，系統(tǒng)提高專業(yè)術(shù)語的權(quán)重，使得在知識庫檢索時能夠優(yōu)先匹配到與用戶問題相關(guān)的專業(yè)解答。這種策略滿足了高水平用戶對專業(yè)性和準(zhǔn)確性的需求。對于知識水平較低的用戶，系統(tǒng)則提高通俗表達(dá)的權(quán)重，使得檢索結(jié)果更加易于理解。這種策略降低了用戶理解回復(fù)內(nèi)容的難度，提升了用戶體驗。