改进的多模型融合技术在客服问答系统上的应用

王广敏; 王尧枫

doi:10.11959/j.issn.1000-0801.2018308

您当前的位置：

首页 >

文章列表页 >

改进的多模型融合技术在客服问答系统上的应用

专栏：人工智能技术与应用 | 更新时间：2024-06-05

- 改进的多模型融合技术在客服问答系统上的应用
- Application of improved multi-model fusion technology in customer service answering system
- 电信科学 2018年34卷第12期页码：110-116
- 作者机构：
  
  1. 中国电信股份有限公司上海研究院，上海 200122
  2. 华东师范大学计算机科学与软件工程学院，上海 200062
- 作者简介：
  
  [ "王广敏（1991-），女，中国电信股份有限公司上海研究院工程师，主要从事NLP算法研究和数据挖掘方面的工作。" ]
  [ "王尧枫（1997-），男，华东师范大学在读，主要从事数据分析和计算机网络方面的研究工作。" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2018308
  中图分类号： TP391
- 网络出版日期：2018-12，
  
  纸质出版日期：2018-12-20
- 稿件说明：
移动端阅览
王广敏, 王尧枫. 改进的多模型融合技术在客服问答系统上的应用[J]. 电信科学, 2018,34(12):110-116.

Guangmin WANG, Yaofeng WANG. Application of improved multi-model fusion technology in customer service answering system[J]. Telecommunications science, 2018, 34(12): 110-116.
王广敏, 王尧枫. 改进的多模型融合技术在客服问答系统上的应用[J]. 电信科学, 2018,34(12):110-116. DOI： 10.11959/j.issn.1000-0801.2018308.

Guangmin WANG, Yaofeng WANG. Application of improved multi-model fusion technology in customer service answering system[J]. Telecommunications science, 2018, 34(12): 110-116. DOI： 10.11959/j.issn.1000-0801.2018308.

摘要

随着人工智能技术的发展，越来越多的公司采用机器客服代替人工客服。但若采用传统关键词模型，则机器客服准确率难以提高；若采用深度学习模型进行训练，则又面临用户问题是短文本时，模型训练和预测效果不佳的问题。针对这些问题，通过深入研究和多次试验，提出一种融合关键词模型和基于字向量的深度学习模型的算法。最后实现了模型的训练和预测，在与传统算法的准确率对比方面展现了优势。

Abstract

With the development of artificial intelligence(AI)

more and more companies use machine customer service instead of manual customer service.However

if the traditional keyword model is adopted

the accuracy of the machine customer service is difficult to improve.If the deep learning model is used

the predict result is poor when the user problem is short text.Aiming at these problems

an algorithm combining keyword model and deep learning model based on word vector was proposed.The training and prediction of the model was realized

and the advantages were shown in the comparison with the accuracy of the traditional algorithm.

关键词

Keywords

references

YU Z T . Chinese question classification based on support vector machine [J ] . Journal of South China University of Technology , 2005 , 33 ( 9 ): 25 - 27 .

LI X , ROTH D . Learning question classifiers:the role of semantic information [J ] . Natural Language Engineering , 1998 , 12 ( 3 ): 229 - 249 .

YUAN X J , SHI J X , NING H . Feature selection using syntactic and semantic information in question classification [J ] . Computer Engineering ＆ Applications , 2008 , 44 ( 33 ): 144 - 147 .

SUN J G , CAI D F,DE-XIN L V , et al . HowNet based Chinese question automatic classification [J ] . Journal of Chinese Information Processing , 2007 , 21 ( 1 ): 90 - 95 .

浏览量

562

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

GMTBLC：基于深度学习的双模态网络流量分类

多目标滚动时域优化的数学模型在运营商智能派单中的构建与应用

基于改进YOLOv5的天线下倾角识别方法研究

基于时序深度残差收缩网络的混叠信号调制识别方法

日志信息驱动的计算机网络节点故障预测研究