本技术涉及数据处理领域,并且更具体地,涉及一种面向智慧政务的智能客服管理方法及系统。
背景技术:
1、随着人工智能技术的飞速发展,神经网络模型在各个领域的应用日益广泛,例如在智慧政务、智能客服等场景中展现出巨大的潜力。然而,神经网络模型的性能高度依赖于其训练过程和数据的质量。在实际应用中,如何有效地训练和优化神经网络模型,以提高其泛化能力和准确性,成为了亟待解决的问题。在智能客服场景中,通过用户的会话文本检测用户的情感极性是提升客服质量的关键环节。在实际应用中,可以先调校出一个复杂大模型,其擅长对情感明确且详尽的文本进行情绪检测,然后以其检测结果作为先验指导,调校一个精巧的小模型对情感没有那么明确的文本进行情绪检测。但是目前这种师徒模型的调校方式,存在一定的局限性。例如,指导模型的知识传递往往是单向且静态的,限制了学习模型进一步吸收和利用指导模型在后续训练过程中获得的新知识。此外,现有方法忽视了不同文本信息密度对神经网络性能的影响,使得神经网络的精度和泛化能力不足。
技术实现思路
1、有鉴于此,本技术提供一种面向智慧政务的智能客服管理方法及系统。
2、根据本技术实施例的一个方面,提供了一种面向智慧政务的智能客服管理方法,包括:获取政务客服会话文本模板对应的密集提取文本和稀疏提取文本,以及用以指示所述政务客服会话文本模板中的情绪信息文本的先验情绪极性标记;所述密集提取文本的文本信息密度大于所述稀疏提取文本的文本信息密度;基于基础学习神经网络,对所述政务客服会话文本模板进行情绪极性分析,得到第一推理情绪极性标签,基于基础指导神经网络,对所述密集提取文本进行处理,得到第二推理情绪极性标签和第一文本隐式表示,基于所述基础学习神经网络对所述稀疏提取文本进行处理,得到第三推理情绪极性标签和第二文本隐式表示;结合所述第一文本隐式表示、所述第二文本隐式表示、所述第一推理情绪极性标签、所述第二推理情绪极性标签、所述第三推理情绪极性标签以及所述先验情绪极性标记,对所述基础学习神经网络的网络配置变量进行调节;基于调节后的基础学习神经网络在过往迭代周期中的网络配置变量,对所述基础指导神经网络的网络配置变量进行调节;针对调节后的基础指导神经网络和调节后的基础学习神经网络,返回至所述获取政务客服会话文本模板对应的密集提取文本和稀疏提取文本,以及用以指示所述政务客服会话文本模板中的情绪信息文本的先验情绪极性标记的步骤进行迭代,直到达到预设的迭代停止条件,得到迭代后的基础学习神经网络,将迭代后的调节后的基础学习神经网络作为目标学习神经网络;所述目标学习神经网络用于对获取的待检测的目标政务客服会话文本进行情绪极性分析,得到所述目标政务客服会话文本中的情绪信息文本的情绪极性标签。
3、根据本技术实施例的一个示例,其中,所述结合所述第一文本隐式表示、所述第二文本隐式表示、所述第一推理情绪极性标签、所述第二推理情绪极性标签、所述第三推理情绪极性标签以及所述先验情绪极性标记,对所述基础学习神经网络的网络配置变量进行调节,包括:结合所述第一推理情绪极性标签以及所述先验情绪极性标记,确定所述基础学习神经网络的检测误差值;结合所述第一文本隐式表示、所述第二文本隐式表示、所述第二推理情绪极性标签以及所述第三推理情绪极性标签,确定所述基础学习神经网络的内在精炼误差值;结合所述检测误差值和所述内在精炼误差值,对所述基础学习神经网络的网络配置变量进行调节。
4、根据本技术实施例的一个示例,其中,所述结合所述第一文本隐式表示、所述第二文本隐式表示、所述第二推理情绪极性标签以及所述第三推理情绪极性标签,确定所述基础学习神经网络的内在精炼误差值,包括:结合所述第一文本隐式表示和所述第二文本隐式表示,确定所述基础学习神经网络的文本段落聚焦误差;结合所述第一文本隐式表示和所述第二文本隐式表示,确定所述基础学习神经网络的文本维度聚焦误差;结合所述第二推理情绪极性标签和所述第三推理情绪极性标签,确定所述基础学习神经网络的情绪极性推理误差值;将所述文本段落聚焦误差、所述文本维度聚焦误差和所述情绪极性推理误差值,作为所述基础学习神经网络的内在精炼误差值;所述结合所述检测误差值和所述内在精炼误差值,对所述基础学习神经网络的网络配置变量进行调节,包括:对所述内在精炼误差值中所包含的文本段落聚焦误差、所述文本维度聚焦误差以及所述情绪极性推理误差值进行融合操作,得到所述基础学习神经网络的内在精炼融合误差值;对所述内在精炼融合误差值和所述检测误差值进行相加,得到所述基础学习神经网络的合并误差值;通过所述合并误差值对所述基础学习神经网络的网络配置变量进行调节;所述第一文本隐式表示包括所述密集提取文本中的x个文本字符在i个特征表示下各自对应的数值表示,所述第二文本隐式表示包括所述稀疏提取文本中的x个文本字符在i个特征表示下各自对应的数值表示,x和i都是不小于2的正整数;所述结合所述第一文本隐式表示和所述第二文本隐式表示,确定所述基础学习神经网络的文本段落聚焦误差,包括:对所述密集提取文本中的每个文本字符在所述i个特征表示下各自对应的数值表示进行均值求解,得到所述密集提取文本中的对应文本字符的权重参数;对所述稀疏提取文本中的每个文本字符在所述i个特征表示下各自对应的数值表示进行均值求解,得到所述密集提取文本中的对应文本字符的权重参数;结合所述密集提取文本中的x个文本字符各自对应的权重参数,以及所述稀疏提取文本中的x个文本字符各自对应的权重参数,确定所述基础学习神经网络的文本段落聚焦误差。
5、根据本技术实施例的一个示例,其中,所述结合所述密集提取文本中的x个文本字符各自对应的权重参数,以及所述稀疏提取文本中的x个文本字符各自对应的权重参数,确定所述基础学习神经网络的文本段落聚焦误差,包括:对所述密集提取文本中的第a个文本字符的权重参数,与所述稀疏提取文本中的第a个文本字符的权重参数进行相减操作,得到所述稀疏提取文本中的第a个文本字符对应的权重参数差值;其中,1≤a≤x;对稀疏提取文本中的x个文本字符分别的权重参数差值进行平方后相加,得到所述基础学习神经网络的文本段落聚焦误差。
6、根据本技术实施例的一个示例,其中,所述第一文本隐式表示包括所述密集提取文本中的x个文本字符在i个特征表示下各自对应的数值表示,所述第二文本隐式表示包括所述稀疏提取文本中的x个文本字符在i个特征表示下各自对应的数值表示,x和i都是不小于2的正整数;所述结合所述第一文本隐式表示和所述第二文本隐式表示,确定所述基础学习神经网络的文本维度聚焦误差,包括:对所述密集提取文本中的x个文本字符分别在每个特征表示下的数值表示进行均值求解,得到所述密集提取文本中的对应特征表示的权重参数;对所述稀疏提取文本中的x个文本字符分别在每个特征表示下的数值表示进行均值求解,得到所述稀疏提取文本中的对应特征表示的权重参数;结合所述密集提取文本中的i个特征表示各自对应的权重参数,以及所述稀疏提取文本中的i个特征表示各自对应的权重参数,确定所述基础学习神经网络的文本维度聚焦误差。
7、根据本技术实施例的一个示例,其中,所述结合所述密集提取文本中的i个特征表示各自对应的权重参数,以及所述稀疏提取文本中的i个特征表示各自对应的权重参数,确定所述基础学习神经网络的文本维度聚焦误差,包括:对所述密集提取文本中的第b个特征表示的权重参数,与所述稀疏提取文本中的第b个特征表示的权重参数进行相减操作,得到所述稀疏提取文本的第b个特征表示的权重参数差值;1≤b≤i;对所述稀疏提取文本中的i个特征表示各自对应的权重参数差值进行平方后相加,得到所述基础学习神经网络的文本维度聚焦误差。
8、根据本技术实施例的一个示例,其中,所述基于调节后的基础学习神经网络在过往迭代周期中的网络配置变量,对所述基础指导神经网络的网络配置变量进行调节,包括:对调节后的基础学习神经网络在过往迭代周期中的网络配置变量进行变量稳定处理,得到稳定后的网络配置变量;基于稳定后的网络配置变量,对所述基础指导神经网络的网络配置变量进行调节。
9、根据本技术实施例的一个示例,其中,所述对调节后的基础学习神经网络在过往迭代周期中的网络配置变量进行变量稳定处理,得到稳定后的网络配置变量,包括:在对所述基础学习神经网络进行s次迭代调节之后,获取所述调节后的基础学习神经网络在第s次迭代调节后的网络配置变量,以及所述调节后的基础学习神经网络在第r次迭代调节后经过拉普拉斯变换后的网络配置变量;1≤r<s,r=s-1;基于拉普拉斯变换参数对在所述第s次迭代调节后的网络配置变量和在所述第r次迭代调节后的拉普拉斯变换值进行变量稳定处理,得到所述调节后的基础学习神经网络在所述第s次迭代调节后经过拉普拉斯变换后的网络配置变量;将在所述第s次迭代调节后经过拉普拉斯变换后的网络配置变量作为处理后的网络配置变量。
10、根据本技术实施例的一个示例,其中,所述获取政务客服会话文本模板对应的密集提取文本和稀疏提取文本,包括:采用密集提取参数对所述政务客服会话文本模板进行文本提取,得到密集提取文本,以及采用稀疏提取参数对所述政务客服会话文本模板进行文本提取,得到稀疏提取文本,其中,所述密集提取参数小于所述稀疏提取参数。
11、根据本技术实施例的另一方面,提供了一种计算机系统,包括:处理器;以及存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述处理器运行时,使得所述处理器执行如上所述的方法。
12、本技术的有益效果:本技术基于对调节后的基础学习神经网络在过往迭代周期中的网络配置变量对基础指导神经网络的网络配置变量进行调节,让基础指导神经网络在训练阶段的稳定性提高,能够让学习神经网络获取更多的指导神经网络的知识。此外,基础指导神经网络的迭代环节将调节后的基础学习神经网络在过往迭代周期中的网络配置变量纳入考虑,如此让基础指导神经网络可以捕获更多调节后的基础学习神经网络在训练阶段获取的知识,那么基础指导神经网络的普适性得到提高,进而让调节后的基础学习神经网络的普适性得到适应提升,效果更好。进一步地,基础学习神经网络的训练阶段训练基础指导神经网络,无需引入补充的指导神经网络,降低了训练成本。同时,基于第一文本隐式表示、第二文本隐式表示对基础学习神经网络训练时,第一文本隐式表示和第二文本隐式表示为基于不同文本信息密度提取,将不同文本信息密度文本的信息误差纳入考量,训练得到的神经网络精度更高,目标学习神经网络对不同文本信息密度的文本的检测更准确。
1.一种面向智慧政务的智能客服管理方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述结合所述第一文本隐式表示、所述第二文本隐式表示、所述第一推理情绪极性标签、所述第二推理情绪极性标签、所述第三推理情绪极性标签以及所述先验情绪极性标记,对所述基础学习神经网络的网络配置变量进行调节,包括:
3.根据权利要求2所述的方法,其特征在于,所述结合所述第一文本隐式表示、所述第二文本隐式表示、所述第二推理情绪极性标签以及所述第三推理情绪极性标签,确定所述基础学习神经网络的内在精炼误差值,包括:
4.根据权利要求3所述的方法,其特征在于,所述结合所述密集提取文本中的x个文本字符各自对应的权重参数,以及所述稀疏提取文本中的x个文本字符各自对应的权重参数,确定所述基础学习神经网络的文本段落聚焦误差,包括:
5.根据权利要求3所述的方法,其特征在于,所述结合所述第一文本隐式表示和所述第二文本隐式表示,确定所述基础学习神经网络的文本维度聚焦误差,包括:
6.根据权利要求5所述的方法,其特征在于,所述结合所述密集提取文本中的i个特征表示各自对应的权重参数,以及所述稀疏提取文本中的i个特征表示各自对应的权重参数,确定所述基础学习神经网络的文本维度聚焦误差,包括:
7.根据权利要求1所述的方法,其特征在于,所述基于调节后的基础学习神经网络在过往迭代周期中的网络配置变量,对所述基础指导神经网络的网络配置变量进行调节,包括:
8.根据权利要求7所述的方法,其特征在于,所述对调节后的基础学习神经网络在过往迭代周期中的网络配置变量进行变量稳定处理,得到稳定后的网络配置变量,包括:
9.根据权利要求1所述的方法,其特征在于,所述获取政务客服会话文本模板对应的密集提取文本和稀疏提取文本,包括:
10.一种计算机系统,其特征在于,包括: