CN103593340B - 自然表达信息处理方法、处理及回应方法、设备及系统 - Google Patents

自然表达信息处理方法、处理及回应方法、设备及系统 Download PDF

Info

Publication number
CN103593340B
CN103593340B CN201310516340.5A CN201310516340A CN103593340B CN 103593340 B CN103593340 B CN 103593340B CN 201310516340 A CN201310516340 A CN 201310516340A CN 103593340 B CN103593340 B CN 103593340B
Authority
CN
China
Prior art keywords
expression
natural
robot
expressing information
standard scale
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201310516340.5A
Other languages
English (en)
Other versions
CN103593340A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aikent
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201310516340.5A priority Critical patent/CN103593340B/zh
Publication of CN103593340A publication Critical patent/CN103593340A/zh
Priority to US15/032,603 priority patent/US9760565B2/en
Priority to EP14856958.5A priority patent/EP3062239A4/en
Priority to JP2016546460A priority patent/JP6182272B2/ja
Priority to PCT/CN2014/079945 priority patent/WO2015062284A1/zh
Priority to CA3011397A priority patent/CA3011397A1/en
Priority to KR1020167014285A priority patent/KR20160077190A/ko
Priority to CA2929018A priority patent/CA2929018C/en
Priority to CN201480059550.9A priority patent/CN105723362B/zh
Priority to RU2016120612A priority patent/RU2672176C2/ru
Priority to IL245322A priority patent/IL245322B/en
Priority to US15/141,576 priority patent/US9753914B2/en
Priority to ZA2016/03638A priority patent/ZA201603638B/en
Priority to HK16108004.9A priority patent/HK1223164A1/zh
Application granted granted Critical
Publication of CN103593340B publication Critical patent/CN103593340B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/47—Machine-assisted translation, e.g. using translation memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification
    • G10L17/22—Interactive procedures; Man-machine interfaces
    • G10L17/24—Interactive procedures; Man-machine interfaces the user being prompted to utter a password or a predefined phrase

Abstract

本发明提供了一种自然表达信息处理方法，其包括：对于来自用户的自然表达信息进行识别，得到以文字形式表示的自然表达；以及将识别得到的自然表达转换为编码形式的标准表达。根据本发明实施例的自然表达信息处理方法，可以将无规则的自然表达信息转换为编码化的标准表达，由于该标准表达的转换是将自然表达的语义转换为编码，而无需精确的语言翻译，因此可以降低机器翻译的精准度要求，同时降低用于实现表达转换（机器翻译）的数据库的复杂度，提高数据查询和更新速度，从而提高智能处理的性能。另一方面，相对简单的编码化表达，也可以减少人工辅助干预的工作量。

Description

自然表达信息处理方法、处理及回应方法、设备及系统
技术领域
本发明涉及一种信息处理方法，具体而言，涉及一种对于人类自然表达信息的处理方法，对于该自然表达信息的处理及回应方法以及应用该处理及回应方法的信息处理设备和信息处理系统。
背景技术
机器翻译（MT，Machine Translation，俗称“机翻”）属于计算语言学（Computational Linguistics）的范畴，其利用计算机程序将文字或语音表达从一种自然语言翻译成另一种自然语言。从某种意义上，实现了不同自然语言间的词汇替换。进一步，通过使用语料库技术，可实现更加复杂的自动翻译，更好地处理不同的文法结构、词汇辨识、惯用语的对应等。
目前的机器翻译工具通常可允许针对特定领域或是专业（例如天气预报）来加以定制化，目的在于将词汇的翻译缩小于该特定领域的专有名词上，以改进翻译的结果。这种技术针对一些使用较正规或是较制式化陈述方式的领域来说特别有效。例如，政府机关或法律相关文件，通常比一般的文字表达更加正式与制式化，其机器翻译的结果往往比日常生活对话这种非正式文件要好。
但是，机器翻译的结果好坏，往往取决于译入跟译出语之间，在词汇、文法结构、语系甚至文化上的差异，例如英文与荷兰文同为印欧语系日耳曼语族，这两种语言间的机器翻译结果，通常便会比中文与英文间机器对译的结果要好很多。
因此，要改善机器翻译的结果，人为的介入仍显相当重要，例如，某些机器翻译的系统若能够由人为的界定或选择哪个词语比较适合，则可大幅改进机器翻译的正确度与品质。
目前的一些翻译工具，例如Alta Vista Babelfish，有时可以得到可以理解的翻译结果，但是想要得到较有意义的翻译结果，往往需要在输入语句时进行适当地编辑，以利于计算机程序分析。
一般而言，大众使用机器翻译的目的，可能只是为了要得知原文句子或段落的要旨，而不是精确的翻译。总的说来，机器翻译还没有达到可以取代专业（人工）翻译的程度，并且也尚不能成为正式的翻译。
自然语言处理（NLP，Natural Language Processing）是人工智能和语言学领域的分支学科。在此领域中探讨如何处理及运用自然语言；自然语言认知则是指让计算机“懂”人类语言背后的实质涵义。
自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。
理论上，NLP是一种很吸引人的人机交互方式。早期的语言处理系统，如SHRDLU，当它们处于一个有限的“积木世界”，运用有限的词汇表会话时，工作得相当好。这使得研究员们对此系统相当乐观。然而，当这个系统拓展到充满了现实世界的含糊与不确定性的环境中时，他们很快就丧失了信心。由于理解（Understanding）自然语言，需要关于外在世界的广泛知识以及运用操作这些知识的能力，自然语言认知，同时也被视为一个人工智能完备（AI-Complete）的问题。
基于统计的自然语言处理运用了概率和统计的方法来解决基于文法规则的自然语言处理存在的问题。尤其是针对容易高度模糊的长串句子，当套用实际文法进行分析时可能会产生出成千上万种可能性。处理这些高度模糊句子所采用消歧的方法通常运用到语料库以及马可夫模型（Markov models）。统计自然语言处理的技术主要由人工智能技术中与学习行为相关的子领域——机器学习（Machine Learning）及数据挖据（Data Mining）所演进而成。
但是，这种基于统计的自然语言处理方法，需要建立含有庞大数据量的配对语料的语料库供计算机学习和使用，而对于数据量巨大的语料库而言，从中检索出对应的机器翻译（理解）结果并进行反馈，也需要很大的计算资源支持。此外，即使采用这种方法，应对实际自然语言的多样性及不确定性也有很大的困难。
自然语言处理技术在实践中有着广泛的应用。例如，交互式语音应答和互联网呼叫中心系统等。
交互式语音应答（IVR，Interactive Voice Response）是一种基于电话的语音增值业务的统称。很多机构（如银行，信用卡中心，电信运营商等）都通过交互式语音应答系统（IVRS,Interactive Voice Response System）向客户提供各式各样的自助服务，客户可拨打指定的电话号码，进入系统，根据系统之指示，键入适当的选项或个人资料，以听取预录之信息，或经计算机系统根据预设的程序（Call Flow）组合数据，以语音方式读出特定的资料（如户口结余、应付金额等），还可通过系统输入交易指示，以进行预设的交易（如转账、更改密码、更改联系电话号码等）。
尽管IVR系统在过去十数年得到了广泛的应用，但在技术上，IVR系统天生就有一个至今仍困扰着所有机构的硬伤：无法简化的多层选项菜单树。机构客户在使用IVR系统选择自助服务的时候，绝大多数都没耐心去花时间游历一棵多层选项的菜单树，而是直接按“0”转人工客服座席，导致机构对IVR系统能“有效提升客户使用自助服务比率和大幅替代人工作业量”的期望与现实存在着一个不可逾越的鸿沟。
互联网呼叫中心系统（ICCS，Internet Call Center System）是近年兴起的一种新型呼叫中心系统，采用流行的即时通讯（IM，Instant Messaging）互联网技术，让机构与自己的客户可以在互联网上进行主要基于文本的实时沟通，被应用于机构的客户服务和远程销售。使用ICCS的人工座席可以同时与两个以上的客户进行交流。
可以说，基于文本的ICC系统是基于语音的IVR系统的一个变种，都是机构与其客户之间进行沟通（不管是客户服务，还是远程销售）的必要工具，两者背后都需要人工座席的高度参与。因此，与IVR系统一样，ICC系统同样难以满足机构的“有效提升客户使用自助服务比率和大幅替代人工作业量”需求。
发明内容
根据本发明的一个方面，提供了一种自然表达信息处理方法，其包括：对于来自用户的自然表达信息进行识别，得到以文字形式表示的自然表达；以及将识别得到的自然表达转换为编码形式的标准表达。
根据本发明实施例的自然表达信息处理方法，可选地，标准表达包括体现用户需求的业务代码。
根据本发明实施例的自然表达信息处理方法，可选地，业务代码用数字编码表示。
根据本发明实施例的自然表达信息处理方法，可选地，基于自然表达与标准表达的配对语料库来实现从自然表达到标准表达的转换。
根据本发明实施例的自然表达信息处理方法，可选地，在识别出自然表达的同时得到与该自然表达相关的信息，并将此信息转换为标准表达的一部分。
根据本发明的另一个方面，提供了一种自然表达信息处理方法，其包括：输入无规则的自然表达信息；识别所述无规则的自然表达信息，得到文字形式表示的自然表达；判断是否能够通过机器转换将所识别的自然表达转换为编码化的标准表达；如果判断不能通过机器转换得到所需的标准表达，进行人工转换处理；以及输出机器转换或人工转换的标准表达。
根据本发明实施例的自然表达信息处理方法，可选地，判断是对于所识别的自然表达是否与语料库中的已有自然表达实例相匹配的判断。
根据本发明实施例的自然表达信息处理方法，可选地，判断是对于机器人理解是否成熟的判断，其中，对于机器人理解是否成熟的判断，是基于对一定时间区间内的机器人理解准确率的评估来进行的。
根据本发明的又一个方面，提供了一种自然表达信息处理及回应方法，包括：输入无规则的自然表达信息；识别所述无规则的自然表达信息，得到文字形式表示的自然表达及相关的表达类型信息；判断是否能够通过机器转换将所识别的自然表达和表达类型信息转换为编码化的标准表达；如果判断不能通过机器转换得到所需的标准表达，进行人工转换处理；调用或生成与所述机器转换或者人工转换的标准表达匹配的标准回应；以与所述表达类型信息对应的方式输出所述生成的标准回应。
根据本发明实施例的自然表达信息处理及回应方法，可选地，标准回应是预先存储在数据库中的固定数据，或者基于预先在数据库中存储的标准回应的基础数据和变量参数来生成所述标准回应。
根据本发明的再一个方面，提供了一种自然表达信息处理及回应设备，其包括：对话网关，中央控制器，MAU（Mortal Aided Understanding，人工辅助理解）工作站，机器人，表达数据库，回应数据库和回应生成器，其中，对话网关接收来自用户的自然表达信息，发送给中央控制器进行后续处理，并且将对所述自然表达信息的回应发送给用户；中央控制器接收来自所述对话网关的自然表达信息，并与机器人以及MAU工作站协同工作，将该自然表达信息转换为编码化的标准表达，并根据所述标准表达指示回应生成器生成与该标准表达对应的标准回应；机器人根据所述中央控制器的指示，识别所述自然表达信息，得到文字形式表示的自然表达，并且利用所述表达数据库将该自然表达转换为所述标准表达；MAU工作站将经识别的自然表达或者所述来自用户的自然表达信息呈现给外部的人工座席，人工座席（9）通过MAU工作站（13）输入或者选择标准表达，然后MAU工作站将该标准表达发送给中央控制器；表达数据库用于存储表达相关数据，包括：与所述自然表达相关的自然表达数据，与所述标准表达相关的标准表达数据，以及与所述自然表达和所述标准表达之间的关联相关的数据；回应数据库存储回应相关数据，包括供调用的标准回应数据和/或用于生成回应的数据；回应生成器接收中央控制器的指令，通过调用和/或运行回应数据库中的数据来生成对所述用户的自然表达信息的回应。
根据本发明实施例的自然表达信息处理及回应设备，可选地，中央控制器更新所述表达数据库和/或所述回应数据库。
根据本发明实施例的自然表达信息处理及回应设备，可选地，所述设备进一步包括训练器，该训练器用于训练所述机器人将所述自然表达转换为所述标准表达和/或训练机器人识别所述自然表达信息。
根据本发明实施例的自然表达信息处理及回应设备，可选地，所述对话网关进一步包括身份认证器，用于在接收所述自然表达信息前识别和验证所述用户的身份，其中，用户身份验证方法至少包括密语和声纹识别。
根据本发明的再一个方面，提供了一种自然表达信息处理及回应系统，包括：智能应答设备，以及呼叫设备，用户通过呼叫设备与智能应答设备通信，人工座席对智能应答设备进行操作，其中，所述智能应答设备包括：对话网关，中央控制器，MAU工作站，机器人，表达数据库，回应数据库和回应生成器，对话网关从呼叫设备接收来自用户的自然表达信息，并将其发送到中央控制器；中央控制器指示机器人从所述自然表达信息识别出文字形式的自然表达及相关的表达信息，然后指示机器人将该文字形式的自然表达及相关的表达信息转换为标准表达；如果机器人的理解力不够成熟或者未实现语料匹配，而不能完成标准表达的转换，则中央控制器指示MAU工作站提示人工座席进行标准表达的人工转换，人工座席将机器人识别的文字形式的自然表达及相关表达信息转换为标准表达，并通过MAU工作站输入并发送到中央控制器；中央控制器基于所述标准表达指示回应生成器调用和/或运行回应数据库中的数据来生成对用户的所述自然表达信息的回应；对话网关将所述回应通过呼叫设备反馈给用户。
根据本发明实施例的自然表达信息处理方法，可以将无规则的自然表达信息转换为编码化的标准表达，由于该标准表达的转换是将自然表达的语义转换为编码，而无需精确的语言翻译，因此可以降低机器翻译的精准度要求，同时降低用于实现表达转换（机器翻译）的数据库的复杂度，提高数据查询和更新速度，从而提高智能处理的性能。另一方面，相对简单的编码化表达，也可以减少人工辅助干预的工作量。
根据本发明实施例的自然表达信息处理和应答方法、设备及系统，可以利用标准表达快速指向回应，从而使得客户无需再花长时间遍历复杂的常规IVR菜单来寻找自己所需的自助服务。并且，通过机器人的自动学习、训练及人工辅助理解，可以建立标准化的自然表达信息—标准表达—标准回应数据库，逐渐实现系统自动理解和回应。并且该数据库还可以具有颗粒度小、知识范畴窄、保真度高等优点，从而降低机器人训练难度，缩短机器人智能的成熟周期。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1示意性地示出了根据本发明一个实施例的自然表达处理方法的流程；
图2示意性地示出了根据本发明另一个实施例的自然表达处理方法的流程；
图3示意性地示出了根据本发明一个实施例的自然表达处理及回应方法的流程；
图4示意性示出了根据本发明实施例的智能应答系统；
图5进一步示出了图4系统中的智能应答设备的部分结构；
图6示意性地示出了由MAU工作站呈现给人工座席的操作界面的一个例子。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
根据本发明实施例的自然表达信息处理方法主要适用于诸如前述的交互式语音应答IVR或互联网呼叫中心系统ICCS的客户服务系统。如前所述，在这类应用中，对机器翻译的要求并非逐字的确切含义，而是需要将客户的自然表达转换为系统能够理解的信息，从而为客户提供与其表达对应的应答。也就是说，这里的机器翻译侧重于对人类语言背后的实质涵义的理解，从而以计算机程序更易于处理的形式表示从自然表达信息中所“理解”到的客户实际意图或需求。
下面，以具体的例子来说明根据本发明实施例的自然表达信息处理方法。
首先，对于客户的自然表达信息进行识别，得到以文字形式表示的无规则自然表达。
人类的自然表达方法是多种多样的，特别是可以借助工具的表达，例如，打字（文本信息）、讲话（语音信息）、书写和画画（图像信息）、键盘鼠标触屏（数字化操作信息）、等等。
其中，文字表达可以是：客户通过键盘输入文字表达自己，例如，客户在一家银行的互联网通道呼叫中心用户界面上键入“我的储蓄账户里还有多少钱？”；图像表达可以是：客户通过图像表达自己，例如，客户通过电脑桌面截屏工具，将使用某种软件的出错信息，以图像的方式表达自己所遇到的问题；语音表达可以是：客户通过说话表达自己，例如，客户与一家银行的服务热线（电话通道呼叫中心）客服专员对话，期间在电话上说：“你说的到底是什么意思？我不是太明白”；电话键盘按键：客户通过传统的IVR电话按键表达自己，例如，客户在使用某家银行的电话银行IVR系统时，在一级菜单按数字键“2”选择“信用卡服务”，然后在二级菜单按数字键“5”选择“还款”，最后输入“1000”，以完成“我要还款信用卡1000元”的需求表达；其他：如客户通过触摸屏，用手指拉动和点选菜单，或使用虚拟键盘，完成自己的表达。
具体而言，例如以中文形式来表示经识别得到的无规则自然表达，则根据本发明实施例的自然表达信息处理方法中的识别可以是以下处理的一种或几种：对客户输入的文本进行文字翻译，例如，将“How much money do I have in my account?”识别为“我的储蓄账户里还有多少钱？”；对客户提供的图像或图片进行图像识别，例如，从客户粘贴的显示软件出错的提示界面截屏识别出截屏中的文字信息；对客户的语音进行语音识别，例如，将客户说的话识别为“你说的到底是什么意思？我不是太明白”；对客户在IVR系统中的按键操作进行识别，例如，将客户在一级菜单按数字键“2”选择“信用卡服务”，然后在二级菜单按数字键“5”选择“还款”，最后输入“1000”这一系列操作识别为“我要还款信用卡1000元”，等等。
然后，将识别得到的无规则自然表达“翻译”为计算机或其它处理设备能够“理解”的规则化标准表达。
根据本发明的实施例，可以用规则化的编码来实现所述规则化标准表达。例如，采用如下的编码方式，其包括行业代码，行业业务代码，机构代码，机构业务代码和表达信息代码。
（1）行业代码
主行业（2位英文字母，最多26×26=676个主行业）
子行业（3位英文字母，每个主行业最多有26×26×26=17,576个子行业）
（2）行业业务代码
一级行业业务范畴（1位数字0-9）
二级行业业务范畴（1位数字0-9）
三级行业业务范畴（1位数字0-9）
四级行业业务范畴（1位数字0-9）
五级行业业务范畴（1位数字0-9）
六级行业业务范畴（1位数字0-9）
七级行业业务范畴（1位数字0-9）
八级行业业务范畴（1位数字0-9）
九级行业业务范畴（1位数字0-9）
十级行业业务范畴（1位数字0-9）
（3）机构代码（UID）（24位数字=国家号3位+城市号3位+机构号18位）
（4）机构业务代码
一级机构业务范畴（0-9）
二级机构业务范畴（0-9）
三级机构业务范畴（0-9）
四级机构业务范畴（0-9）
五级机构业务范畴（0-9）
（5）表达信息代码
信息类型代码（2位数字1-99）
语言代码（使用RFC3066标准：http://tools.ietf.org/html/rfc3066，如zh-CN代表“简体中文”）
方言代码（3位数字1-999）
其中，行业代码表示来自客户的无规则自然表达所指向的提供服务的主体所在的行业，例如，可以用2位英文字母表示，则可以涵盖676个行业，可选地，增加3位英文字母的子行业代码，可增加涵盖每个行业的17576个子行业。这样，该编码基本上可以涵盖所有常见的行业；行业业务代码表示来自客户的无规则自然表达所指向的服务需求，同样可以用多位阿拉伯数字表示，例如，采用10位数字进行编码，可以涵盖更多的行业业务范畴；机构代码表示来自客户的无规则自然表达所指向的提供服务的主体，例如，可以标识该机构所在国家和城市；机构业务代码表示提供服务的主体的内部个性化业务划分，便于机构进行个性化内部管理；表达信息代码表示客户的无规则自然表达本身的信息，可以包括信息的类型、语言的类型等等，用数字和字母表示。
以下是根据以上编码方式的规则化标准表达的两个例子：
例一：FSBNK27100000000860109558800000000000000000002zh-CN003
其中，
行业代码为，
·FS=Financial Service金融服务（主行业）
·BNK=Bank银行（子行业）
行业业务代码为，
·2710000000=一级行业业务范畴—2（信用卡）二级行业业务范畴—7（调整信用额度）三级行业业务范畴—1（增加信用额度）0000000（再无更细分范畴）
机构代码为，
·086010955880000000000000=国家号086（中国）010（北京）955880000000000000（中国工商银行总行）
机构业务代码为，
·00000=无机构业务范畴（在这个规则化标准表达中，没有“中国工商银行总行”这个机构自己定义的机构业务范畴，即表示：该规则化标准表达完全属于行业业务范畴，为银行业通用。）
表达信息代码为，
·02=语音（客户提供的非规则自然表达的信息数据类型为“语音”）
·zh-CN=大陆中文
·003=广东话方言
在此例子中，规则化标准表达所对应的无规则自然表达可以是，诸如，“我的信用卡额度太少了”，“我想增加我的信用卡额度”，“我要减低我的信用卡额度”，“我需要调整信用卡额度”……
在一些特定的应用情形，特别是提供服务的主体确定的情况，上述的行业代码、机构代码和机构业务代码都可以作为系统缺省值预设。也就是说，仅从客户提供的无规则自然表达中获得业务代码和表达信息代码即可，在这种情况下，可以将规则化标准表达表示为“271000000002zh-CN003”；或者，如果针对特定应用3位数字表示行业业务代码就够了，则可以进一步表示为“27102zh-CN003”；再者，如果仅针对语音服务，则可以表示为“271zh-CN003”；如果只考虑客户的需求表达，而不关心表达自身的类型信息，甚至仅用“271”表示即可。此外，如果客户通过IVR系统选择或者图像界面等方式已经选择了一级业务范畴为“信用卡”，则所需的代码仅为“71”。
例二：TVTKT11200000000014047730305000000000001240003fr-CH000
·TV=Traveling Service旅游服务（主行业）
·TKT=Ticketing票务（子行业）
·1120000000=一级行业业务范畴—1（飞机票）二级行业业务范畴—1（机票改签）三级行业业务范畴—2（延后）0000000（再无更细分范畴）
·001404773030500000000000=国家号001（美国）404（乔治亚州、亚特兰大市）773030500000000000（美国Delta航空公司）
·12400=一级机构业务范畴—1（折扣票）二级机构业务范畴—2（淡季）三级机构业务范畴—4（亚太区）00（再无更细分范畴）
·03=图像（客户提供的非规则自然表达的信息数据类型为“图像”，如：客户在Delta官方网站上进行机票改签操作时，遇到系统报错，客户将屏幕截图，作为向Delta客服求助的自然表达。）
·fr-CH=瑞士法文
·000=无方言
在此例子中，规则化标准表达所对应的无规则自然表达是通过图像识别得到的。同理，在提供服务的主体确定的情况，上述的行业代码、机构代码可以作为系统缺省值预设。在这种情况下，可以将规则化标准表达表示为“11200000001240003fr-CH000”；如果只考虑客户的需求表达，而不关心表达自身的类型信息，仅用“112000000012400”表示即可；如果针对特定应用3位数字表示行业业务代码，3位数字表示机构业务代码，仅用“112124”表示即可。
以上只是根据本发明实施例的规则化标准表达的例子，可以采用不同的代码位数和代码排列顺序，也可以采用不同的代码表示或编码方式。
可以利用类似于基于实例的机器翻译算法来将识别得到的无规则自然表达转换为规则化标准表达。
基于实例的机器翻译的基本设想是不通过深层的分析，仅仅通过已有的经验业务，通过类比原理进行翻译。
根据本发明的实施例，建立自然表达与标准表达的配对语料库，并通过学习不断增加与标准表达对应的自然表达实例，从而建立和扩充记录有自然表达、标准表达及其对应关系的实例库。此外，也可以通过增加标准表达来扩展实例库。
由于不需要进行传统的机器翻译所需的深层次语言学分析，而采用实例的方式，可以增加翻译的准确度和快捷度，同时，也很容易通过添加自然表达实例和标准表达来进行更新和扩充。
对于基于实例的机器翻译方法，如果被译语句是实例库中已有的文本，则可以直接获得高质量的翻译结果；而对于实例库中存在的实例十分相似的语句，可以通过类比推理，并对翻译结果进行少量的修改，构造近似的翻译结果。
对于本发明实施例的自然表达处理而言，一方面，在将初始自然表达转换为标准表达之前已经将该初始自然表达识别为相同语言的文本，因此可以实现将识别的文本与实例库中的已有文本进行类比；另一方面，因为只需要进行自然表达到标准表达的转换，换句话说，只需确定自然表达与标准表达之间的对应关系，并非对文本的语言翻译结果，因此无需对翻译结果进行修改的处理。
此外，根据本发明实施例的自然表达处理，可以被限制用于具体行业机构的具体业务，例如，上述的信用卡业务，则处理系统所需的语料库规模可以大大缩小，由此在提高匹配率的同时，降低语料库构建和维护的成本，同时也可以提高在语料库中进行实例类比和配对检索的速度。
根据本发明的实施例，基于人工智能的原理，首先，需要为机器人（信息处理系统）采集大量准确的无规则信息（自然表达信息）与规则化信息（标准表达信息）的配对信息来生成配对语料库，并设计相应的基于统计学的机器学习模型（Statistical MachineLearning Model），将大量的配对信息输入到这个模型中，去让机器人自学习（自训练）。
“机器自学习”算法本质上是一种“迭代修正”算法。机器人每自学完一次配对语料库，就用校验语料库进行一次测试，这是一次迭代；例如，如果测试结果只有5%的翻译（转换）准确率，那么机器人就需要修正一下自己的学习方法（例如，寻找另一条树状路径去尝试再学习），对配对语料库重新消化一次，这又是一次迭代；……如此不断重复着这种“迭代修正”，可使得机器人的翻译准确率不断地爬升。当爬升到一定程度（例如，翻译准确率为70%）后，机器人的翻译准确率可能会一直徘徊在这个水平，再也很难上去了，也就是说遇到了“机器自学习”的瓶颈，那么就需要为机器人增加配对语料数据。
配对语料库的数据可以从外部数据库导入，也可以通过“人工辅助理解”来进行生成和添加。所谓“人工辅助理解”，即是将前述经识别得到的无规则自然表达经人工理解为符合本发明实施例的编码规则的规则化标准表达。
例如，沿用之前信用卡业务的例子，假设所识别得到的无规则自然表达为“我的信用卡能透支的太少了”，而语料库中的已有实例包括“我的信用卡额度太少了”，“我想增加我的信用卡额度”，“我要减低我的信用卡额度”，以及“我需要调整信用卡额度”，经过比较算法，没有实现实例的匹配，从而找不到与自然表达“我的信用卡能透支的太少了”对应的标准表达。这时“人工辅助理解”可以介入，通过人工将该表达理解为“我想增加我的信用卡额度”，并输入与之对应的标准表达。可选地，“人工辅助理解”处理无需记录对于自然表达的理解过程和理解结果，只需要记录作为最终处理结果的对应标准表达。这样可以简化人工操作，节省资源。例如，操作员可能只需要输入“271”作为对应标准表达即完成了对于无规则自然表达“我的信用卡能透支的太少了”的处理。
优选地，将新的自然表达实例，例如上述的自然表达“我的信用卡能透支的太少了”，及其与标准表达的对应关系添加进现有语料库，从而增加和更新配对语料数据。可选地，也可以通过“人工辅助理解”来添加新的标准表达。于是，通过“人工辅助理解”，一方面可以实现对于目标自然表达的转换（将其转换为标准表达），另一方面可以实现语料库中配对语料的添加与更新，从而使得系统语料库更加丰富，也可能使得机器人的翻译（转换）准确率得到提高。
图1示意性地示出了根据本发明一个实施例的自然表达处理方法的流程。
在步骤S11，输入无规则的自然表达信息，如前所述，该自然表达信息可以是文本信息、语音信息、图像信息、数字化操作信息等。
在步骤S12，对所输入的无规则自然表达信息进行识别，得到文字形式的自然表达。如果所输入的无规则自然表达信息是文本信息，则可以直接获得所需文字形式的自然表达，或者通过机器翻译来得到所需语言的文字形式的自然表达；如果所输入的无规则自然表达信息是语音信息，则可以通过语音识别来获得所需文字形式的自然表达；如果所输入的无规则自然表达信息是图像信息，可以通过图像识别来获得所需文字形式的自然表达；如果所输入的无规则自然表达信息是数字化操作信息，可以通过数字化操作信息技术来获得所需文字形式的自然表达。
上述机器翻译算法、语音识别技术、图像识别技术和数字化操作信息技术可以是已有的技术。可选地，可以用前述的“人工辅助理解”来辅助这些技术进行识别。
对于语音信息而言，可选地，可以包括对同一语言不同方言的语音识别，例如，普通话、上海话、粤语等。
此外，可选地，在从输入的无规则自然表达信息识别出待转换的自然表达的同时，识别该自然表达的相关信息，如信息类型、语言类型、方言类型等。如前所述，这些与自然表达相关的信息可以作为转换后的标准表达的一部分编码。
在步骤S13，判断所识别的自然表达是否与语料库中的已有自然表达实例相匹配。如果存在匹配，则在步骤S14自动将自然表达转换为标准表达；如果不存在匹配，则在步骤S15人工将自然表达转换为标准表达。在步骤S15的人工转换可以是将识别得到的自然表达转换为标准表达，也可以是将最初输入的无规则自然表达转换为标准表达。
在步骤S16，输出转换得到的标准表达。
可选地，在步骤S17，将上述识别的自然表达及其与标准表达的对应关系添加至语料库。如前所述，如果经人工转换得到的标准表达相对于语料库的现有数据为新的标准表达，则将该标准表达也添加到语料库中。
图2示意性地示出了根据本发明另一个实施例的自然表达处理方法的流程。
在图1所示的实施例中，如果不能实现所识别的自然表达与语料库中的自然表达的匹配（可以是精确匹配或者模糊匹配），则需要人工进行自然表达到标准表达的转换。
而在图2的实施例中，如果机器理解能够达到一定的水平，即使不能够实现匹配（匹配度达不到预设阈值），也可以由机器自动进行自然表达到标准表达的转换。例如，机器自动选择匹配度最高的自然表达实例，然后将该自然表达实例对应的标准表达作为转换后的标准表达。这样，可以降低人工干预度，节省人工座席的成本。
如图2所示，在步骤S21，判断机器理解是否成熟，如果判断机器人的理解能力已经成熟，则在步骤S22自动进行自然表达到标准表达的转换；如果未成熟，则在步骤S15人工将自然表达转换为标准表达（该步骤与图1中相同），并且在步骤S23自动将自然表达转换为标准表达（该步骤的算法可以与步骤S22的算法相同）。
对于机器人理解能力是否成熟的判断，是基于一定时间区间内的测试来进行的。
例如，设定一个每天的时间节点，用以下公式计算当天的“机器人理解准确率”：机器人理解准确率=机器人判断准确次数/机器人判断次数。
然后每天判断当天的“机器人理解准确率”是否已达到预设的“允许机器人自动理解的最低准确率”，如果在一个预设的时段（如，1个月）内，每一天的“机器人理解准确率”都不低于“允许机器人自动理解的最低准确率”，则认为机器人理解能力已成熟。
此外，机器人的理解能力是否成熟可以限定于具体的范畴，如前例中银行的信用卡额度管理或者高一级的信用卡业务。这样，可以提高自动化处理水平，减少人工干预，从而节省处理时间和运营成本。
可选地，在步骤S24，处理人工转换结果与机器人转换结果：如结果相同，相应增加“机器人判断准确次数”和“机器人判断次数”各一次；如果结果不同，可选地，将人工转换结果添加进语料库，作为新的机器人训练数据。
在图2的实施例中，在步骤S11输入无规则的自然表达信息，以及在步骤S16输出转换后得到的标准表达（可选地，该标准表达包括与自然表达相关的信息），这两个步骤的操作与图1相同。
图3示意性地示出了根据本发明一个实施例的自然表达信息处理及回应方法的流程。
在图3所示的处理中，首先如图1或图2的处理，在步骤S11输入无规则的自然表达信息，在步骤S12识别该无规则的自然表达信息，得到文字形式表示的自然表达。
然后在步骤S31判断是否能够通过机器转换将所识别的自然表达转换为标准表达。在该步骤，可以是如图1中步骤S13对于所识别的自然表达是否与语料库中的已有自然表达实例相匹配的判断，也可以是如图2中步骤S21对于机器人理解是否成熟的判断。类似于图1和图2的处理，当在步骤S31判断不能通过机器转换得到所需的标准表达时，在步骤S32进行人工转换处理。同样，在步骤S32可以人工添加新的标准表达。
在实际应用中，可能存在即使通过人工处理仍不能理解所识别的自然表达或者理解客户所表达的需求，这时，在步骤S33作出提示客户重新输入的回应，然后处理回到步骤S11，接收客户再次输入的自然表达信息。“提示客户重新输入的回应”可以是，例如，语音提示“不好意思，请您再讲一遍您的需求”，“请您讲慢一些”；文字提示“不好意思，请您写具体些”；或者图像提示等。
在步骤S34输出机器转换或人工转换的标准表达。在步骤S35查询与该标准表达匹配的标准回应。标准回应可以是预先存储在数据库中的固定数据，也可以是预先在数据库中存储标准回应的基础数据，然后经系统运行，将基础数据与个案变量参数合成而生成标准回应。在一个实施例中，设置标准回应ID来作为回应数据的主键，并在数据库中设置标准表达与标准回应ID的对应关系表，从而将标准表达与回应数据相关联。以下的表1～表3分别示意性示出了表达数据表、表达回应关系表和回应数据表的例子。可选地，标准表达与标准回应ID可以是多对一的关系，如表4所示。此外，在其它实施例中，由于标准表达本身是编码化的，也可以直接用标准表达作为回应数据的主键。
表1
表2
表3
表4
如前所述，标准表达可以包括与自然表达相关的信息，例如，表达类型，语言类型，方言类型，等等。例如，来自客户的自然表达为语音“收到了”，通过转换后的标准表达查询得到标准回应为语音“好，知道了，谢谢！”；还例如，来自客户的自然表达为图像“转账失败页面截屏”，通过转换后的标准表达查询得到标准回应为视频“转账纠错简易教程”。
如果数据库中没有与所述标准表达匹配的标准回应，则可以在步骤S36通过人工匹配与之相应的回应。人工匹配可以通过输入或选择标准回应ID来将标准表达与该标准回应ID相关联，也可以直接将标准表达与回应数据相关联，还可以建立新的回应数据。找不到标准回应的原因可能是该标准表达是通过人工新添加的，也可能是因为没有匹配到相同类型的标准回应。
然后，在步骤S37输出机器匹配或者人工匹配的回应。可以根据不同的信息类型来调用或者生成回应的内容。例如，对于语音回应，可以回放真人录音或者输出通过TTS语音合成的语音；对于用户数字化操作，例如，电话按键顺序组合“2-5-1000”，通过程序运行完成“信用卡还款1000元”的操作。
而对于例如，“转5000块给我妈”的文字信息，需要通过运行程序进行“转账5000元给X女士”的操作，但是系统可能并不预先掌握“X女士”的账户信息，一方面可能需要人工添加该账户信息以实现标准表达的转换，另一方面，即使实现了标准表达的转换，也可能查询不到对应的标准回应，而需要人工作出回应处理。这时，会生成新的回应数据（如操作程序），也会手动或者自动为该回应数据分配一个新的标准回应ID，并将该标准回应ID与上述转换的标准表达相关联。于是，在实现对于客户的自然表达回应的同时，可以实现人工辅助理解和训练，更新表达—回应数据库。
根据本发明实施例的自然表达信息处理和应答方法，可以利用标准表达快速指向回应，从而使得客户无需再花长时间遍历复杂的常规IVR菜单来寻找自己所需的自助服务。
另一方面，与常规的应答方式不同，人工操作限于后台的“决策”工作，包括确定标准表达，选择回应（或回应ID）或者生成回应操作等，但不需要在前台通过通话或者文字输入等方式来与客户直接进行交流。从而可以大量节省人力资源，提升工作效率。此外，系统对客户提供的标准化回应，相对于人工座席直接对客户提供的传统的自由式回应，不受人工座席的情绪、声腺、业务熟练度等诸多因素影响，更能保证客户体验的稳定性。
再者，通过系统（机器人）的自动学习、训练及人工辅助理解，可以建立标准化的自然表达信息—标准表达—标准回应数据库，逐渐实现系统自动理解和回应。并且该数据库中的自然表达信息数据还可以具有颗粒度小、业务范畴窄、保真度高等优点，从而降低机器人训练难度，缩短机器人智能的成熟周期。
图4示意性示出了根据本发明实施例的智能应答系统。如图4所示，该智能应答系统包括智能应答设备1（相当于服务器端），以及呼叫设备2（相当于客户端），客户8通过呼叫设备2与智能应答设备1通信，人工座席9（系统服务人员）对智能应答设备1进行人工操作。其中，智能应答设备1包括对话网关11，中央控制器12，MAU工作站13，和机器人14。可选地，智能应答设备1还包括训练器15。
客户8指的是机构远程销售和远程服务的对象。远程销售通常指的是机构通过自己专属的电话或互联网通道，以“呼出”的形式主动联系客户，试图对其推销自己的产品与服务。远程服务通常指的是机构的客户通过机构专属的电话或互联网通道，以“呼入”的形式主动联系机构，询问或使用机构的产品与服务。
呼叫设备2可以是机构为了对客户8进行远程销售（呼出业务）和向客户提供远程服务（呼入业务）而设立的专属电话通道或互联网通道。电话通道呼叫系统例如自动呼叫分配系统（Automatic Call Distribution，ACD）（如，Avaya的ACD），是机构通过后台的自动业务系统（例如，基于电话按键技术的传统IVR系统，或者基于智能语音技术的新型VP（VoicePortal）语音门户系统）和人工座席，与客户8以语音形式进行交互的对话通道。
互联网通道呼叫系统例如基于即时通讯（Instant Messaging，IM）技术的互联网呼叫中心系统（Internet Call Center，ICC)，是机构通过后台的客户自助系统（例如，自然语言处理系统（Natural Language Processing，NLP））和人工座席，与客户8以文字、语音、图像、视频等形式，进行交互的对话通道。
智能应答设备1使得机构可以管控其后台的自动业务系统和人工座席，以及与客户8之间以文字、语音、图像、视频等多媒体形式进行的对话，从而实现机构与客户间的标准化和自动化交互对话。
对话网关11在智能应答设备1中担当“前置门户”的角色，主要职能包括：经由呼叫设备2接收来自客户8的无规则自然表达（以文字、语音、图像、电话键盘按键等形式），发送给中央控制器12进行后续处理；接收来自中央控制器12的指令，实现对客户8表达的回应（以文字、语音、图像、视频、程序等形式）。
如图5所示，对话网关11包括表达接收器111，身份认证器112，回应数据库113和回应生成器114。
表达接收器111通过呼叫设备2接收来自客户8的表达。该表达可以是前述的各种无规则自然表达。
可选地，在表达接收器111之前设置身份认证器112。该身份认证器112可以在对话的初始阶段识别和验证客户8的身份。可采用传统的“密码输入”技术（如：电话按键输入密码、键盘输入网站登录密码，等等）；也可采用新的“密语（Pass-phrase）+声纹（Voice-print）识别”技术；也可同时混合采用以上两种技术。传统的密码验证技术虽然不方便，但早已被市场广泛接受和习惯使用，可在关键敏感的对话节点上（如，银行转账）作为首要的客户身份识别和验证手段；后者虽然方便很多，但尚未被市场广泛接受和习惯使用，可在非关键敏感的对话节点上（如，查询购物积分）作为大幅提升客户体验的全新的客户身份识别和验证手段，也可在关键敏感的对话节点上，作为增强前者安全性的辅助识别和验证手段。
设置身份认证器112，并采用“密语+声纹识别”的客户身份识别和验证方法，可以提升客户体验，使得客户无需再记忆多个不同密码；降低在“密码输入”传统方法中密码被盗的安全风险；此外，将“密语+声纹识别”方法和“密码输入”传统方法混合使用，既能被市场广泛接受，更能提升客户身份识别和验证的安全性。
回应数据库113存储用以回应客户的回应数据。类似于以上表格中举例示出的，该数据可以包括以下多种类型：
文字：预编的文字，例如，网银FAQ（常见问答）中的文字答案。
语音：预录的真人录音，或没有变量的TTS语音合成录音，例如：“您好！这里是未来银行。请问有什么我可以帮到您的？”
图像：预制的图像，例如，北京地铁网络图。也包括非视频动画，例如：银行给客户介绍如何在网银系统进行国际汇款操作的GIF文件、FLASH文件，等等。
视频：预制的视频，例如，电熨斗供应商给客户演示如何使用它们的新产品。
程序：预编的一系列指令，例如，在客户以说话表达“我想看中国创始人”，云端智能电视机将按照客户的要求进行操作回应客户：首先自动打开电视机，然后从云服务器端自动下载并缓存《中国创始人》这部电影，最后开始播放。
模板：可填变量的文字、语音、图像、程序模板。
回应生成器114接收中央控制器12指令，通过调用和/或运行回应数据库113中的数据来生成对客户8表达的回应。具体而言，可以按照指令中的标准回应ID，从回应数据库113中查询调用回应数据，或显示文字、图像，或播放语音、视频，或执行程序；也可以依指令回应数据库113中调用模板，并将指令中传送的变量参数予以填充，或播放实时产生的TTS语音合成（例如，“您已成功还款信用卡5000元。”其中，“5000元”为指令中的变量），或显示一段文字，或显示一幅实时产生的图片或动画，或执行一段程序。
可选地，中央控制器12可以对回应数据库113中的数据进行维护和更新，包括回应数据、标准回应ID等。
中央控制器12接收来自表达接收器111的客户自然表达信息，并与机器人14以及经由MAU工作站13与人工座席9协同工作，从而将客户的无规则自然表达信息依前述的方法转换为标准表达，并根据该标准表达确定与之对应的标准回应ID，然后将该标准回应ID发送给回应生成器114。可选地，中央控制器12可以更新自然表达—标准表达数据库中的数据。
机器人14是实施上述人工智能技术的应用机器人。机器人14可以实施对语音信息、图像信息、用户操作信息等的识别，并且进行自然表达到标准表达的转换。如前所述，当机器人14的理解能力达到一定水平时，例如，在某个特定范畴的判断理解能力成熟时，其可以独立进行自然表达到标准表达的转换，而无需人工座席的辅助。自然表达—标准表达数据库可以设置在机器人14内，也可以是外置数据库，在其中存储的标准表达数据可以与标准回应ID相关联。该数据库可以由中央控制器12更新。另外，用于文字翻译、语音识别、图像识别等的数据库可以是外置数据库，也可以设置在机器人14内。
MAU工作站13是智能应答设备1与人工座席9的接口。MAU工作站13将经识别的自然表达或者客户原始表达呈现给人工座席9。人工座席9通过MAU工作站13输入或者选择标准表达，然后MAU工作站13将该标准表达发送给中央控制器12。可选地，如果需要人工辅助确定回应，则人工座席9通过MAU工作站13输入或者选择回应（或者标准回应ID）。
可选地，在智能应答设备1中还可以包括训练器15。该训练器15用于训练机器人14将自然表达转换为标准表达的能力。例如，训练器15利用人工座席9的判断结果去训练机器人11，不断提升机器人11在各个范畴（例如，前述的业务范畴和次级业务范畴等）的机器人理解正确率。针对每个范畴，在机器人理解正确率达不到“允许机器人自动理解的最低正确率”的情况下，训练器15将人工座席9的标准表达转换结果与机器人11的标准表达转换结果进行比较处理，如结果相同，相应增加该范畴“机器人判断准确次数”和“机器人判断次数”各一次；否则，将人工转换结果添加进语料库（自然表达—标准表达数据库），作为新的机器人训练数据。训练器15也可以指示机器人14进行前述的“自学习”。
此外，训练器15也可以用于对机器人14进行诸如文字翻译、语音识别、图像识别等人工智能技术的训练。训练器15也可以对于自然表达—标准表达数据库、用于文字翻译、语音识别、图像识别的数据库进行维护和更新。
可选地，训练器15也可以与中央控制器12集成在一起。
可选地，回应生成器114和回应数据库113可以独立于对话网关11，也可以集成在中央控制器12中。
智能应答设备1可以实现前述的自然表达处理和应答方法。例如，对话网关11通过表达接收器111从呼叫设备2接收来自客户8的无规则自然表达信息，并将其发送到中央控制器12；中央控制器12指示机器人11将该无规则自然表达信息识别为文字形式的自然表达及相关的表达信息，然后指示机器人11将该文字形式的自然表达及相关的表达信息转换为标准表达；如果机器人11的理解力不够成熟或者未实现语料匹配，而不能完成标准表达的转换，则中央控制器12指示MAU工作站13提示人工座席9进行标准表达的人工转换；人工座席9将机器人11识别的文字形式的自然表达及相关表达信息转换为标准表达，并通过MAU工作站13输入并发送到中央控制器12，可选地，人工座席9可以直接将未经识别的无规则自然表达信息转换为标准表达；中央控制器12查询表达—回应数据库，检索出与标准表达匹配的标准应答ID，如果无匹配结果，则再通过MAU工作站13提示人工座席9进行标准回应的选择和输入相应的标准回应ID，可选地，人工座席9也可以直接将标准表达与回应数据相关联，或者建立新的回应数据；中央控制器12指示回应生成器114调用和/或运行回应数据库113中的数据来生成对客户8表达的回应；然后，对话网关11将回应通过呼叫设备2反馈给客户8；可选地，中央控制器12根据人工座席确定或添加的标准表达或标准回应分别维护和更新自然表达—标准表达数据库或回应数据库，并且相应维护和更新表达—回应数据库。
图6示意性地示出了一个由MAU工作站呈现给人工座席的操作界面的例子。如图6所示，MAU工作站13的操作界面包括：客户表达显示区131，对话状态显示区132，导航区133，范畴选择区134和快捷区135。
客户表达显示区131显示客户的自然表达，例如，呈现为从文字、图像、语音转换而成的文本等形式。
对话状态显示区132该区显示客户8与人工座席9或机器人14之间的对话实时状态信息，如：对话来回次数、对话总时长、客户信息等等。该显示区域也可以不设置。
导航区133显示人工座席9目前已选择到达的范畴。该区左端显示目前范畴路径的文字版本（如图中所示：银行→信用卡），右端显示该范畴对代码（如图中所示：“12”，“1”代表“银行”范畴，“2”代表在“银行”范畴的下一级范畴“信用卡”。与前述的例子不同，在该应用中，用“1”代表“银行”范畴，而未用“BNK”，二者的标识作用是相同的）。
范畴选择区134供人工座席9选择下一级范畴。如图中所示：人工座席9已进入到“银行”范畴的下一级范畴“信用卡”，而“信用卡”这一级范畴下辖7个子范畴：“激活新卡”、“申请新卡及申请进度查询”、“还款”……。如客户8的表达是“我的信用卡能透支太少了。”，人工座席9就在当前范畴“银行→信用卡”中选择“7”，导航区将更新显示“银行→信用卡→调整信用额度……127”，进入再下一级范畴。人工座席9也可以在看到客户8的表达后，在键盘上直接输入“127”，到达目标范畴“银行→信用卡→调整信用额度”。这样，客户8无需再花长时间遍历复杂的IVR菜单树寻找自己所需的自助服务，只需直接说出自己的需求，人工座席9便能快捷地帮助客户直接启动“调整信用卡额度”处理，从而，用户体验变得容易便捷，而目前传统IVR系统的自助服务利用率将得到大幅提升。
快捷区135为人工座席9提供了常用快捷键，例如，“-”返回上层范畴、“0”转接人工座席、“+”返回顶层范畴（在这个例子中，就是根范畴“银行”）。快捷区135也可以为人工座席9提供了其它快捷键。快捷区135可以提高人工座席9的处理速度。快捷区135也是可选设置区域。
这里只给出了MAU工作站13的操作界面的一个例子，其用于人工座席9对于标准表达的转换处理。也可以通过类似的操作界面来进行对于回应的人工处理。
根据本发明实施例的智能应答设备可以由一台或多台计算机、移动终端或其它数据处理设备实现。
根据本发明实施例的自然表达信息处理和应答方法、设备及系统，可以利用标准表达快速指向回应，从而使得客户无需再花长时间遍历复杂的常规IVR菜单来寻找自己所需的自助服务。
通过机器人的自动学习、训练及人工辅助理解，可以建立标准化的自然表达信息—标准表达—标准回应数据库，逐渐实现系统自动理解和回应。并且该数据库中的自然表达信息数据还可以具有颗粒度小、业务范畴窄、保真度高等优点，从而降低机器人训练难度，缩短机器人智能的成熟周期。
与常规的应答方式不同，人工操作限于后台的“决策”工作，包括确定标准表达，选择回应（或回应ID）或者生成回应操作等，但不需要在前台通过通话或者文字输入等方式来与客户直接进行交流。从而可以大量节省人力资源，提升工作效率。此外，系统对客户提供的标准化回应，相对于人工座席直接对客户提供的传统的自由式回应，不受人工座席的情绪、声腺、业务熟练度等诸多因素影响，更能保证客户体验的稳定性。
此外，可以以具体的业务范畴（节点）为单位实现机器人的自动学习、训练和成熟度评价，从而逐点实现整体系统的智能化。在实际应用中，该“机器人理解逐点成熟”机制更容易得到机构的认可与接受，因为风险相对来说极低，旧系统改造成本不高，且对日常运营不会造成负面影响。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。

Claims (11)

1.一种自然表达信息处理方法，其特征在于，包括：
输入无规则的自然表达信息；
识别所述无规则的自然表达信息，得到文字形式表示的自然表达；
基于对于机器人理解是否成熟的判断，来判断是否能够通过机器转换将所识别的自然表达转换为编码化的标准表达；
如果判断不能通过机器转换得到所需的标准表达，进行人工转换处理；以及
输出机器转换或人工转换的标准表达，
其中，所述通过机器转换将所述自然表达转换为所述标准表达包括：将该文字形式表示的自然表达与配对语料库中已有的文本进行对比或类比，来确定所述自然表达与所述标准表达之间的对应关系，
并且其中，对于机器人理解是否成熟的判断，是基于对一定时间区间内的机器人理解准确率的评估来进行的，而机器人理解准确率的提高是通过机器人自学习实现的，
为机器人采集大量准确的无规则自然表达信息与标准表达信息的配对信息来生成配对语料库，并将配对语料库的配对信息输入相应的基于统计学的机器学习模型，让机器人利用迭代修正算法进行自学习，且将通过所述人工转换处理获得的自然表达信息与标准表达信息的配对信息加入到供机器人自学习的配对语料库。
2.根据权利要求1所述的自然表达信息处理方法，其特征在于，所述标准表达包括体现用户需求的业务代码。
3.根据权利要求2所述的自然表达信息处理方法，其特征在于，所述业务代码用数字编码表示。
4.根据权利要求1所述的自然表达信息处理方法，其特征在于，在识别出所述自然表达的同时得到与该自然表达相关的信息，并将此信息转换为所述标准表达的一部分。
5.一种自然表达信息处理及回应方法，其特征在于，包括：
输入无规则的自然表达信息；
识别所述无规则的自然表达信息，得到文字形式表示的自然表达及相关的表达类型信息；
基于对于机器人理解是否成熟的判断，来判断是否能够通过机器转换将所识别的自然表达和表达类型信息转换为编码化的标准表达；
如果判断不能通过机器转换得到所需的标准表达，进行人工转换处理；
调用或生成与所述机器转换或者人工转换的标准表达相匹配的标准回应；
以与所述表达类型信息对应的方式输出所述生成的标准回应，
其中，所述通过机器转换将所述自然表达和表达类型信息转换为所述标准表达包括：将该文字形式表示的自然表达与配对语料库中已有的文本进行对比或类比，来确定所述自然表达与所述标准表达中与该自然表达所对应部分之间的对应关系，
并且其中，对于机器人理解是否成熟的判断，是基于对一定时间区间内的机器人理解准确率的评估来进行的，而机器人理解准确率的提高是通过机器人自学习实现的，
为机器人采集大量准确的无规则自然表达信息与标准表达信息的配对信息来生成配对语料库，并将配对语料库的配对信息输入相应的基于统计学的机器学习模型，让机器人利用迭代修正算法进行自学习，且将通过所述人工转换处理获得的自然表达信息与标准表达信息的配对信息加入到供机器人自学习的配对语料库。
6.根据权利要求5所述的自然表达信息处理及回应方法，其特征在于，所述标准回应是预先存储在数据库中的固定数据，或者基于变量参数和预先在数据库中存储的标准回应的基础数据来生成所述标准回应。
7.一种自然表达信息处理及回应设备(1)，其特征在于，包括：对话网关(11)，中央控制器(12)，MAU工作站(13)，机器人(14)，表达数据库，回应数据库(113)和回应生成器(114)，其中，
对话网关(11)接收来自用户(8)的自然表达信息，发送给中央控制器(12)进行后续处理，并且将对所述自然表达信息的回应发送给用户(8)；
中央控制器(12)接收来自所述对话网关(11)的自然表达信息，并与机器人(14)以及MAU工作站(13)协同工作，将该自然表达信息转换为编码化的标准表达，并根据所述标准表达指示回应生成器(114)生成与该标准表达对应的标准回应；
机器人(14)根据所述中央控制器(12)的指示，识别所述自然表达信息，得到文字形式表示的自然表达，并且利用所述表达数据库将该自然表达转换为所述标准表达；
MAU工作站(13)将经识别的自然表达或者所述来自用户(8)的自然表达信息呈现给外部的人工座席(9)，人工座席(9)通过MAU工作站(13)输入或者选择标准表达，然后MAU工作站(13)将该标准表达发送给中央控制器(12)；
表达数据库用于存储表达相关数据，包括：与所述自然表达相关的自然表达数据，与所述标准表达相关的标准表达数据，以及与所述自然表达和所述标准表达之间的关联相关的数据；
回应数据库(113)存储回应相关数据，包括供调用的标准回应数据和/或用于生成回应的数据；
回应生成器(114)接收中央控制器(12)的指令，通过调用和/或运行回应数据库(113)中的数据来生成对所述用户(8)的自然表达信息的回应，
其中，通过将所述识别得到的自然表达与所述表达数据库中已有的文本进行对比或类比，来确定所述自然表达与所述标准表达之间的对应关系，将所述自然表达转换为所述标准表达，
所述中央控制器(12)进一步基于对于机器人(14)理解是否成熟的判断，来判断是否能够通过机器人(14)将所述自然表达信息转换为编码化的标准表达，如果判断不能通过机器人(14)转换得到所需的标准表达，指示所述MAN工作站(13)和所述人工座席(9)进行人工转换处理，
其中，所述中央控制器(12)对于机器人(14)理解是否成熟的判断，是基于对一定时间区间内的机器人理解准确率的评估来进行的，
并且所述设备(1)进一步包括训练器(15)，该训练器(15)用于训练所述机器人(14)将所述自然表达转换为所述标准表达和/或训练机器人(14)识别所述自然表达信息，
所述训练器(15)为机器人(14)采集大量准确的无规则自然表达信息与标准表达信息的配对信息来生成配对语料库，并将配对语料库的配对信息输入相应的基于统计学的机器学习模型，让机器人利用迭代修正算法进行自学习，且将通过所述人工转换处理获得的自然表达信息与标准表达信息的配对信息加入到供机器人(14)自学习的配对语料库。
8.根据权利要求7所述的自然表达信息处理及回应设备(1)，其特征在于，中央控制器(12)更新所述表达数据库和/或所述回应数据库(113)。
9.根据权利要求7所述的自然表达信息处理及回应设备(1)，其特征在于，所述表达数据库是所述配对语料库。
10.根据权利要求7所述的自然表达信息处理及回应设备(1)，其特征在于，所述对话网关(11)进一步包括身份认证器(112)，用于在接收所述自然表达信息前识别和验证所述用户(8)的身份，其中，用户身份验证方法至少包括密语和声纹识别。
11.一种自然表达信息处理及回应系统，其特征在于，包括：智能应答设备(1)，以及呼叫设备(2)，用户(8)通过呼叫设备(2)与智能应答设备(1)通信，人工座席(9)对智能应答设备(1)进行操作，
其中，所述智能应答设备(1)包括：对话网关(11)，中央控制器(12)，MAU工作站(13)，机器人(14)，表达数据库，回应数据库(113)和回应生成器(114)，
对话网关(11)从呼叫设备(2)接收来自用户(8)的自然表达信息，并将其发送到中央控制器(12)；
中央控制器(12)指示机器人(14)从所述自然表达信息识别出文字形式的自然表达及相关的表达信息，然后指示机器人(14)将该文字形式的自然表达及相关的表达信息转换为标准表达；
如果机器人(14)的理解力不够成熟或者未实现语料匹配，而不能完成标准表达的转换，则中央控制器(12)指示MAU工作站(13)提示人工座席(9)进行标准表达的人工转换，人工座席(9)将机器人(14)识别的文字形式的自然表达及相关表达信息转换为标准表达，并通过MAU工作站(13)输入并发送到中央控制器(12)；
中央控制器(12)基于所述标准表达指示回应生成器(114)调用和/或运行回应数据库(113)中的数据来生成对用户(8)的所述自然表达信息的回应；
对话网关(11)将所述回应通过呼叫设备(2)反馈给用户(8)，
其中，通过将所述识别得到的自然表达与所述表达数据库中已有的文本进行对比或类比，来确定所述自然表达与所述标准表达之间的对应关系，将所述自然表达转换为所述标准表达中与该自然表达对应的部分，
并且其中，所述智能应答设备(1)对于机器人理解是否成熟的判断，是基于对一定时间区间内的机器人理解准确率的评估来进行的，而机器人理解准确率的提高是通过机器人自学习实现的，
所述智能应答设备(1)为机器人采集大量准确的无规则自然表达信息与标准表达信息的配对信息来生成所述表达数据库，并将该表达数据库的配对信息输入相应的基于统计学的机器学习模型，让机器人利用迭代修正算法进行自学习，且将通过所述人工转换处理获得的自然表达信息与标准表达信息的配对信息加入到所述表达数据库。
CN201310516340.5A 2013-10-28 2013-10-28 自然表达信息处理方法、处理及回应方法、设备及系统 Expired - Fee Related CN103593340B (zh)

Priority Applications (14)

Application Number Priority Date Filing Date Title
CN201310516340.5A CN103593340B (zh) 2013-10-28 2013-10-28 自然表达信息处理方法、处理及回应方法、设备及系统
CN201480059550.9A CN105723362B (zh) 2013-10-28 2014-06-16 自然表达处理方法、处理及回应方法、设备及系统
EP14856958.5A EP3062239A4 (en) 2013-10-28 2014-06-16 Natural expression processing method, processing and response method, device, and system
JP2016546460A JP6182272B2 (ja) 2013-10-28 2014-06-16 自然表現の処理方法、処理及び応答方法、装置、及びシステム
PCT/CN2014/079945 WO2015062284A1 (zh) 2013-10-28 2014-06-16 自然表达处理方法、处理及回应方法、设备及系统
CA3011397A CA3011397A1 (en) 2013-10-28 2014-06-16 Natural expression processing method, processing and response method, device and system
KR1020167014285A KR20160077190A (ko) 2013-10-28 2014-06-16 자연 표현 처리 방법, 처리 및 응답 방법, 디바이스 및 시스템
CA2929018A CA2929018C (en) 2013-10-28 2014-06-16 Natural expression processing method, processing and response method, device and system
US15/032,603 US9760565B2 (en) 2013-10-28 2014-06-16 Natural expression processing method, processing and response method, device, and system
RU2016120612A RU2672176C2 (ru) 2013-10-28 2014-06-16 Способ обработки естественного выражения, способ, устройство и система обработки и ответа
IL245322A IL245322B (en) 2013-10-28 2016-04-27 A method for processing natural expression, a method, facility and system for processing and response
US15/141,576 US9753914B2 (en) 2013-10-28 2016-04-28 Natural expression processing method, processing and response method, device, and system
ZA2016/03638A ZA201603638B (en) 2013-10-28 2016-05-27 Natural expression processing method, processing and response method, device, and system
HK16108004.9A HK1223164A1 (zh) 2013-10-28 2016-08-09 自然表達處理方法、處理及回應方法、設備及系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310516340.5A CN103593340B (zh) 2013-10-28 2013-10-28 自然表达信息处理方法、处理及回应方法、设备及系统

Publications (2)

Publication Number Publication Date
CN103593340A CN103593340A (zh) 2014-02-19
CN103593340B true CN103593340B (zh) 2017-08-29

Family

ID=50083490

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201310516340.5A Expired - Fee Related CN103593340B (zh) 2013-10-28 2013-10-28 自然表达信息处理方法、处理及回应方法、设备及系统
CN201480059550.9A Expired - Fee Related CN105723362B (zh) 2013-10-28 2014-06-16 自然表达处理方法、处理及回应方法、设备及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201480059550.9A Expired - Fee Related CN105723362B (zh) 2013-10-28 2014-06-16 自然表达处理方法、处理及回应方法、设备及系统

Country Status (11)

Country Link
US (2) US9760565B2 (zh)
EP (1) EP3062239A4 (zh)
JP (1) JP6182272B2 (zh)
KR (1) KR20160077190A (zh)
CN (2) CN103593340B (zh)
CA (2) CA2929018C (zh)
HK (1) HK1223164A1 (zh)
IL (1) IL245322B (zh)
RU (1) RU2672176C2 (zh)
WO (1) WO2015062284A1 (zh)
ZA (1) ZA201603638B (zh)

Families Citing this family (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593340B (zh) 2013-10-28 2017-08-29 余自立 自然表达信息处理方法、处理及回应方法、设备及系统
US9535904B2 (en) * 2014-03-26 2017-01-03 Microsoft Technology Licensing, Llc Temporal translation grammar for language translation
AU2015305397A1 (en) * 2014-08-21 2017-03-16 Jobu Productions Lexical dialect analysis system
CN104486516B (zh) * 2014-11-13 2018-01-09 国网浙江省电力公司电力科学研究院 基于95598大话务的ivr智能系统的机器人语音服务方法
CN105094315B (zh) * 2015-06-25 2018-03-06 百度在线网络技术（北京）有限公司 基于人工智能的人机智能聊天的方法和装置
CN106372091A (zh) * 2015-07-23 2017-02-01 中兴通讯股份有限公司 基于信息识别提供解决方案的方法及装置
US9682481B2 (en) * 2015-10-26 2017-06-20 X Development Llc Communication of information regarding a robot using an optical identifier
WO2017082447A1 (ko) * 2015-11-11 2017-05-18 주식회사 엠글리쉬 외국어 독음 및 표시장치와 그 방법, 및 이를 이용한 외국어 리듬 동작 감지 센서 기반의 운동학습장치와 운동학습방법, 이를 기록한 전자매체 및 학습교재
CN107015983A (zh) * 2016-01-27 2017-08-04 阿里巴巴集团控股有限公司 一种用于智能问答中提供知识信息的方法与设备
CN105721470B (zh) * 2016-02-19 2020-10-20 广州盛华信息有限公司 一种实现呼叫中心可视化接入的方法
US10769517B2 (en) * 2016-03-05 2020-09-08 Fujitsu Limited Neural network analysis
CN105808501A (zh) * 2016-03-09 2016-07-27 北京众星智联科技有限责任公司 一种人工智能学习的实现
US10394964B2 (en) * 2016-04-04 2019-08-27 Oslabs Pte. Ltd. Gesture based system for translation and transliteration of input text and a method thereof
CN105975622B (zh) * 2016-05-28 2020-12-29 福州云之智网络科技有限公司 多角色智能聊天的方法及系统
US10929861B2 (en) * 2016-06-23 2021-02-23 Tata Consultancy Services Limited Method and system for measuring a customer experience in an organization
CN106297782A (zh) * 2016-07-28 2017-01-04 北京智能管家科技有限公司 一种人机交互方法及系统
CN106409283B (zh) * 2016-08-31 2020-01-10 上海交通大学 基于音频的人机混合交互系统及方法
US10984034B1 (en) * 2016-10-05 2021-04-20 Cyrano.ai, Inc. Dialogue management system with hierarchical classification and progression
CN108073804B (zh) * 2016-11-14 2022-11-29 百度在线网络技术（北京）有限公司 一种风险识别方法和装置
US10146768B2 (en) * 2017-01-25 2018-12-04 Google Llc Automatic suggested responses to images received in messages using language model
US10909980B2 (en) * 2017-02-27 2021-02-02 SKAEL, Inc. Machine-learning digital assistants
KR102367778B1 (ko) * 2017-03-15 2022-02-25 삼성전자주식회사 언어 정보를 처리하기 위한 방법 및 그 전자 장치
CN107331388A (zh) * 2017-06-15 2017-11-07 重庆柚瓣科技有限公司 一种基于养老机器人的方言收集系统
TWI712975B (zh) * 2017-06-29 2020-12-11 永豐商業銀行股份有限公司 一種基於智慧語音人機互動設備之金融服務系統
JP2019049604A (ja) * 2017-09-08 2019-03-28 国立研究開発法人情報通信研究機構 命令文推定システムおよび命令文推定方法
CN109587358A (zh) * 2017-09-29 2019-04-05 吴杰 人工智能客服转人工客服呼叫方法
CN107909995B (zh) * 2017-11-16 2021-08-17 北京小米移动软件有限公司 语音交互方法和装置
US10762113B2 (en) * 2018-01-31 2020-09-01 Cisco Technology, Inc. Conversational knowledge graph powered virtual assistant for application performance management
CN108418978B (zh) * 2018-02-12 2020-06-19 平安科技（深圳）有限公司 动态路由控制方法、装置、计算机设备及存储介质
JP7078429B2 (ja) * 2018-03-20 2022-05-31 株式会社Ｓｃｒｅｅｎホールディングス テキストマイニング方法、テキストマイニングプログラム、および、テキストマイニング装置
US11568863B1 (en) * 2018-03-23 2023-01-31 Amazon Technologies, Inc. Skill shortlister for natural language processing
US20190295082A1 (en) * 2018-03-23 2019-09-26 Mastercard International Incorporated Message Based Payment Card System, Apparatuses, and Method Thereof
US10929601B1 (en) * 2018-03-23 2021-02-23 Amazon Technologies, Inc. Question answering for a multi-modal system
US10956462B1 (en) * 2018-06-21 2021-03-23 Amazon Technologies, Inc. System answering of user inputs
EP3613037B1 (en) * 2018-06-27 2020-10-21 Google LLC Rendering responses to a spoken utterance of a user utilizing a local text-response map
CN108806688A (zh) * 2018-07-16 2018-11-13 深圳Tcl数字技术有限公司 智能电视的语音控制方法、智能电视、系统及存储介质
US10726058B2 (en) * 2018-07-31 2020-07-28 Market Advantage, Inc. System, computer program product and method for generating embeddings of textual and quantitative data
CN109397287B (zh) * 2018-10-12 2021-07-27 珠海格力智能装备有限公司 机器人编码方法及装置、机器人、存储介质、处理器
CN109215654A (zh) * 2018-10-22 2019-01-15 北京智合大方科技有限公司 实时语音识别和自然语言处理的移动端智能客服辅助系统
CN109582971B (zh) * 2018-12-20 2022-11-25 广东小天才科技有限公司 一种基于句法分析的批改方法及批改系统
IT201900000526A1 (it) * 2019-01-11 2020-07-11 Userbot S R L Sistema di intelligenza artificiale per processi aziendali
CN110059168A (zh) * 2019-01-23 2019-07-26 艾肯特公司 对基于自然智能的人机交互系统进行训练的方法
CN110019688A (zh) * 2019-01-23 2019-07-16 艾肯特公司 对机器人进行训练的方法
CN110046232A (zh) * 2019-01-23 2019-07-23 艾肯特公司 自然智能的自然表达处理方法、回应方法、设备及系统
WO2020151652A1 (zh) * 2019-01-23 2020-07-30 艾肯特公司 基于自然智能的自然表达处理方法、回应方法、设备及系统，对机器人进行训练的方法，人机交互系统，对基于自然智能的人机交互系统进行训练的方法，端到端控制方法和控制系统
CN110008317A (zh) * 2019-01-23 2019-07-12 艾肯特公司 自然智能的自然表达处理方法、回应方法、设备及系统
CN110059166A (zh) * 2019-01-23 2019-07-26 艾肯特公司 自然智能的自然表达处理方法、回应方法、设备及系统
CN110059167A (zh) * 2019-01-23 2019-07-26 艾肯特公司 自然智能的自然表达处理方法、回应方法、设备及系统
CN114938360B (zh) * 2019-04-12 2023-04-18 腾讯科技（深圳）有限公司 一种基于即时通讯应用的数据处理方法和装置
CN110035187A (zh) * 2019-04-16 2019-07-19 浙江百应科技有限公司 一种在电话中实现ai和人工坐席无缝切换的方法
CN112312181A (zh) * 2019-07-26 2021-02-02 深圳Tcl新技术有限公司 一种智能电视语音识别方法、系统及可读存储介质
CN110428811B (zh) * 2019-09-17 2021-09-07 北京声智科技有限公司 一种数据处理方法、装置及电子设备
CN110826345B (zh) * 2019-11-14 2023-09-05 北京香侬慧语科技有限责任公司 一种机器翻译方法和装置
CN111078776A (zh) * 2019-12-10 2020-04-28 北京明略软件系统有限公司 数据表的标准化方法、装置、设备及存储介质
TWI751504B (zh) * 2020-02-27 2022-01-01 中華電信股份有限公司 人機協作對話系統與方法
CN111540353B (zh) * 2020-04-16 2022-11-15 重庆农村商业银行股份有限公司 一种语义理解方法、装置、设备及存储介质
KR102340946B1 (ko) * 2020-07-08 2021-12-20 황호진 렌털 상품을 제공하는 판매자의 쇼핑몰 시스템 및 그 방법
KR20220006426A (ko) * 2020-07-08 2022-01-17 황호진 해외 직접 구매와 렌털 상품을 제공하는 판매자의 쇼핑몰 시스템 및 그 방법
CN112488133B (zh) * 2020-12-18 2022-06-14 贵州大学 一种视频/图片-文本跨模态检索方法
CN113099306B (zh) * 2021-03-23 2022-11-22 北京达佳互联信息技术有限公司 消息处理方法、装置、设备、服务器、介质和产品
US11875132B2 (en) * 2021-05-13 2024-01-16 Intrado Corporation Validation of revised IVR prompt translation
US11861322B2 (en) 2021-05-13 2024-01-02 West Technology Group, Llc Automated management of revised IVR prompt translations
US20230008868A1 (en) * 2021-07-08 2023-01-12 Nippon Telegraph And Telephone Corporation User authentication device, user authentication method, and user authentication computer program
CN113672206B (zh) * 2021-09-02 2024-04-02 北京航空航天大学 一种x语言混合建模平台及建模方法
CN115329785B (zh) * 2022-10-15 2023-01-20 小语智能信息科技(云南)有限公司 融入音素特征的英-泰-老多语言神经机器翻译方法及装置
CN117506926A (zh) * 2023-12-19 2024-02-06 广州富唯智能科技有限公司 一种基于大工艺模型的机器人设备自动控制方法

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58201175A (ja) * 1982-05-20 1983-11-22 Kokusai Denshin Denwa Co Ltd <Kdd> 機械翻訳方式
US4849898A (en) * 1988-05-18 1989-07-18 Management Information Technologies, Inc. Method and apparatus to identify the relation of meaning between words in text expressions
SE466029B (sv) * 1989-03-06 1991-12-02 Ibm Svenska Ab Anordning och foerfarande foer analys av naturligt spraak i ett datorbaserat informationsbehandlingssystem
JPH03129469A (ja) * 1989-10-14 1991-06-03 Canon Inc 自然言語処理装置
US5338976A (en) * 1991-06-20 1994-08-16 Ricoh Company, Ltd. Interactive language conversion system
US5278980A (en) * 1991-08-16 1994-01-11 Xerox Corporation Iterative technique for phrase query formation and an information retrieval system employing same
US5369575A (en) * 1992-05-15 1994-11-29 International Business Machines Corporation Constrained natural language interface for a computer system
CA2141221A1 (en) * 1992-09-04 1994-03-17 Jaime G. Carbonell Integrated authoring and translation system
JPH0744638A (ja) * 1993-07-29 1995-02-14 Nec Corp 表データ検索装置
US5748841A (en) * 1994-02-25 1998-05-05 Morin; Philippe Supervised contextual language acquisition system
US5659765A (en) * 1994-03-15 1997-08-19 Toppan Printing Co., Ltd. Machine translation system
JP3350293B2 (ja) * 1994-08-09 2002-11-25 株式会社東芝 対話処理装置及び対話処理方法
US5794177A (en) * 1995-07-19 1998-08-11 Inso Corporation Method and apparatus for morphological analysis and generation of natural language text
US5909678A (en) * 1996-09-13 1999-06-01 International Business Machines Corporation Computer systems, method and program for constructing statements by dragging and dropping iconic representations of subcomponent statements onto a phrase template
US6026410A (en) * 1997-02-10 2000-02-15 Actioneer, Inc. Information organization and collaboration tool for processing notes and action requests in computer systems
CA2391985A1 (en) * 1999-11-25 2001-05-31 Yeong Kuang Oon A unitary language for problem solving resources for knowledge based services
JP2002108859A (ja) * 2000-09-29 2002-04-12 Nippon Hoso Kyokai <Nhk> 対訳表現自動抽出装置および記録媒体
WO2002086864A1 (en) * 2001-04-18 2002-10-31 Rutgers, The State University Of New Jersey System and method for adaptive language understanding by computers
CN1489086A (zh) * 2002-10-10 2004-04-14 莎 刘 一种语义约定全文翻译系统和方法
JP2005241971A (ja) * 2004-02-26 2005-09-08 Seiko Epson Corp プロジェクタシステム、マイク装置、プロジェクタ制御装置およびプロジェクタ
JP2006024114A (ja) * 2004-07-09 2006-01-26 Advanced Telecommunication Research Institute International 機械翻訳装置および機械翻訳コンピュータプログラム
US7844465B2 (en) 2004-11-30 2010-11-30 Scansoft, Inc. Random confirmation in speech based systems
US8065286B2 (en) 2006-01-23 2011-11-22 Chacha Search, Inc. Scalable search system using human searchers
US8117196B2 (en) 2006-01-23 2012-02-14 Chacha Search, Inc. Search tool providing optional use of human search guides
US8266130B2 (en) 2006-01-23 2012-09-11 Chacha Search, Inc. Search tool providing optional use of human search guides
US7962466B2 (en) 2006-01-23 2011-06-14 Chacha Search, Inc Automated tool for human assisted mining and capturing of precise results
JP4131978B2 (ja) * 2006-02-24 2008-08-13 本田技研工業株式会社 音声認識機器制御装置
US7533089B2 (en) * 2006-06-27 2009-05-12 International Business Machines Corporation Hybrid approach for query recommendation in conversation systems
US8280921B2 (en) 2006-07-18 2012-10-02 Chacha Search, Inc. Anonymous search system using human searchers
US7873532B2 (en) 2006-07-19 2011-01-18 Chacha Search, Inc. Method, system, and computer readable medium useful in managing a computer-based system for servicing user initiated tasks
JP2009545076A (ja) 2006-07-24 2009-12-17 チャチャ サーチ，インク． 情報検索システムにおけるポッドキャスティング及びビデオトレーニングの為の方法、システム及びコンピュータ読込可能ストレージ
US8239461B2 (en) 2007-06-28 2012-08-07 Chacha Search, Inc. Method and system for accessing search services via messaging services
WO2009067696A1 (en) 2007-11-21 2009-05-28 Chacha Search, Inc. Method and system for improving utilization of human searchers
US8336035B2 (en) * 2008-12-16 2012-12-18 Microsoft Corporation Customizable dynamic language expression interpreter
US8000454B1 (en) 2010-09-10 2011-08-16 Zvi Or-Bach Systems and methods for visual presentation and selection of IVR menu
AU2012207503A1 (en) 2011-01-17 2013-09-05 Chacha Search, Inc. Method and system of selecting responders
US9842299B2 (en) 2011-01-25 2017-12-12 Telepathy Labs, Inc. Distributed, predictive, dichotomous decision engine for an electronic personal assistant
JP5590431B1 (ja) * 2012-12-27 2014-09-17 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報通信方法
US8818795B1 (en) * 2013-03-14 2014-08-26 Yahoo! Inc. Method and system for using natural language techniques to process inputs
US20150074524A1 (en) 2013-09-10 2015-03-12 Lenovo (Singapore) Pte. Ltd. Management of virtual assistant action items
CN103593340B (zh) * 2013-10-28 2017-08-29 余自立 自然表达信息处理方法、处理及回应方法、设备及系统

Also Published As

Publication number Publication date
ZA201603638B (en) 2017-09-27
US9753914B2 (en) 2017-09-05
US9760565B2 (en) 2017-09-12
EP3062239A1 (en) 2016-08-31
RU2016120612A (ru) 2017-12-05
RU2672176C2 (ru) 2018-11-12
CN105723362B (zh) 2018-10-02
HK1223164A1 (zh) 2017-07-21
CN103593340A (zh) 2014-02-19
CA2929018A1 (en) 2015-05-07
CA2929018C (en) 2018-08-28
KR20160077190A (ko) 2016-07-01
IL245322B (en) 2018-12-31
WO2015062284A1 (zh) 2015-05-07
US20160275075A1 (en) 2016-09-22
IL245322A0 (en) 2016-06-30
CN105723362A (zh) 2016-06-29
JP2017503282A (ja) 2017-01-26
CA3011397A1 (en) 2015-05-07
JP6182272B2 (ja) 2017-08-16
EP3062239A4 (en) 2017-11-22
US20160253434A1 (en) 2016-09-01

Similar Documents

Publication Publication Date Title
CN103593340B (zh) 自然表达信息处理方法、处理及回应方法、设备及系统
CN110019688A (zh) 对机器人进行训练的方法
WO2022078146A1 (zh) 语音识别方法、装置、设备以及存储介质
CN107924394A (zh) 用于提供自然语言输出中的自然语言信号的自然语言处理器
CN110046232A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN110059166A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN108899013A (zh) 语音搜索方法、装置和语音识别系统
US10810381B2 (en) Speech converter
CN110059168A (zh) 对基于自然智能的人机交互系统进行训练的方法
US20230127787A1 (en) Method and apparatus for converting voice timbre, method and apparatus for training model, device and medium
CN112463942A (zh) 文本处理方法、装置、电子设备及计算机可读存储介质
CN110008317A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN110059167A (zh) 自然智能的自然表达处理方法、回应方法、设备及系统
CN114722839A (zh) 人机协同对话交互系统及方法
He et al. Hierarchical attention and knowledge matching networks with information enhancement for end-to-end task-oriented dialog systems
TW200939167A (en) Interactive conversation-learning system and method therefor
Zadrozny et al. Conversation machines for transaction processing
CN111460106A (zh) 一种信息交互方法、装置及设备
Thakkar et al. Survey of available datasets for designing task oriented dialogue agents
WO2020151652A1 (zh) 基于自然智能的自然表达处理方法、回应方法、设备及系统，对机器人进行训练的方法，人机交互系统，对基于自然智能的人机交互系统进行训练的方法，端到端控制方法和控制系统
US20230026945A1 (en) Virtual Conversational Agent
Deksne et al. Interactive Learning of Dialog Scenarios from Examples.
Feng Study on the Generation of Characteristic Tourism English Spoken Dialogues Based on the Large Language Model
CN117219061A (zh) 跨语言无障碍辅助办理方法、装置、设备和介质
KR20230116141A (ko) 지식 컨텐츠 기반 상담 시스템

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1194515

Country of ref document: HK

ASS Succession or assignment of patent right

Owner name: YU ZILI

Free format text: FORMER OWNER: INNOWAVE LTD.

Effective date: 20150624

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20150624

Address after: 902, room 21, No. 510170, Jin Jin Street, Xihua Road, Guangzhou, Guangdong, Yuexiu District

Applicant after: Yu Zili

Address before: The Virgin Islands De Qing. Lalu TOD Chambers P.O. Box 4301

Applicant before: INNOWAVE Ltd.

GR01 Patent grant
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1194515

Country of ref document: HK

TR01 Transfer of patent right

Effective date of registration: 20180829

Address after: 2681 mailbox, Cayman Islands, Grand Cayman Island

Patentee after: Aikent

Address before: 510170 room 902, first Jin Street, Xihua Road, Yuexiu District, Guangzhou, Guangdong, 902

Patentee before: Yu Zili

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170829

Termination date: 20211028

CF01 Termination of patent right due to non-payment of annual fee