客服培训机器人生成方法、消息处理方法、装置及系统与流程

计算;推算;计数设备的制造及其应用技术1.本说明书实施例通常涉及客服培训领域，尤其涉及客服培训机器人的生成方法及装置，基于客服培训机器人的消息处理方法及装置，以及客服培训系统。背景技术：2.随着电子商务的发展，客户服务(下文中称为“客服”)已经应用到各个领域，比如，技术支持、售后服务、银行应用等。客服与客户满意度密切相关，并影响公众对公司的看法。满意的客服可以为公司创造更多的市场和销售机会，从而使得客服满意度成为公司成功与否的关键因素。在大多数业务场景下，新招聘的客服人员需要接受一系列精心设计的客服培训课程，并在通过认证考试后才能真正上岗服务。3.大部分客服培训过程都包含实机拨测环节。在该环节中，有经验的客服会扮演教练角色来模拟现实场景中有问题求助的客户，而新客服人员需要准确地定位并解决问题。根据新客服人员在客服培训过程中的表现，可以了解新客服人员的当前服务水平，从而判断该新客服人员是否真正具备为在线客户提供客服的能力。4.随着分布式云客服资源的大量部署，客服人员的招募频率逐渐变大，从而使得客服培训的周期要求短。然而，传统人人培训模式往往费时费力，从而需要高成本来维持充当导师的有经验客服人员参与客服培训的意愿。而且，由于云客服的体量非常大，使得即使提供了很多客服导师，仍然无法满足客服培训导师的缺口，从而导致新客服人员得到教练指导的机会有限，从而导致新客服人员流失率较高。技术实现要素：5.鉴于上述，本说明书实施例提供一种客服培训机器人的生成方案以及基于该客服培训机器人的客服培训方案。在该客服培训机器人的生成方案中，通过基于历史客服对话台本数据来挖掘与业务场景对应的对话主流程集，将所挖掘的对话主流程集与用于对应业务场景的客服培训机器人相关联，并在客服培训机器人实例化时选定指定对话主流程来支持针对各种不同业务/不同场景的客服培训，从而针对不同业务/不同场景实现快速的培训部署以及高效的客服培训。6.根据本说明书实施例的一个方面，提供一种用于生成客服培训机器人的方法，包括：基于历史客服对话台本数据挖掘对话主流程；配置各个客服培训机器人的机器人配置信息，所述机器人配置信息包括基础配置信息和对话配置信息，所述基础配置信息包括业务场景信息，所述对话配置信息包括对话主流程配置信息，所述对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息，每个对话主流程集对应一个业务场景并且包括一个或多个所挖掘的对话主流程；以及根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人。7.可选地，在上述方面的一个示例中，所述方法还可以包括：生成供客服培训机器人执行的对话子流程集，所述对话子流程集中的每个对话子流程反映客服培训机器人的额外执行意图，所述额外执行意图包括除对话主流程之外的执行意图，所述对话配置信息还包括用于将客服培训机器人与一个对话子流程集、对话子流程进入决策条件以及对话子流程退出决策条件相关联的对话子流程配置信息。8.可选地，在上述方面的一个示例中，基于历史客服对话台本数据挖掘对话主流程可以包括：对历史客服对话台本数据进行预处理；以及从经过预处理后的历史客服对话台本数据中筛选出优质客服对话台本数据来挖掘对话主流程。9.可选地，在上述方面的一个示例中，所述方法还可以包括：将每个对话主流程所对应的客服对话台本数据中的语料按照对话轮次进行单轮划分，得到划分后的语料部分；以及对划分后的语料部分进行语料聚类，得到意图语料簇和话术语料簇。10.可选地，在上述方面的一个示例中，所述对话主流程配置信息包括用于将客服培训机器人与一个或多个意图语料簇和/或话术语料簇相关联的话术关联配置信息。11.可选地，在上述方面的一个示例中，对划分后的语料部分进行语料聚类，得到意图语料簇和话术语料簇可以包括：使用kmeans算法对划分后的语料部分进行第一次语料聚类，得到第一语料簇；在各个第一语料簇内使用hdbscan算法进行第二次语料聚类，得到第二语料簇；以及对所述第二语料簇进行相似簇合并，得到意图语料簇和话术语料簇。12.可选地，在上述方面的一个示例中，对所述第二语料簇进行相似簇合并，得到意图语料簇和话术语料簇可以包括：对所述第二语料簇进行相似簇合并，得到第三语料簇；从各个第三语料簇中分别提取出各个第三语料簇的摘要信息；以及基于各个第三语料簇的摘要信息进行无用语料簇去除，得到意图语料簇和话术语料簇。13.可选地，在上述方面的一个示例中，在对划分后的语料部分进行语料聚类之前，所述方法还可以包括：对划分后的语料部分进行向量编码。14.可选地，在上述方面的一个示例中，根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人可以包括：获取各个客服培训机器人的机器人配置信息；根据所获取的机器人配置信息中的基础培训信息生成各个客服培训机器人的基础信息，所述基础信息包括会话标识信息，所述会话标识信息至少部分地基于客服培训机器人标识、客服培训机器人的关联用户以及业务场景生成；从所述机器人配置信息中的对话主流程配置信息所关联的对话主流程集中选定各个客服培训机器人的对话主流程；以及通过实例化所选定的对话主流程的算法实现模型并构建对话流程堆栈来实例化各个客服培训机器人，所构建的对话流程堆栈的栈底为所选定的对话主流程。15.根据本说明书的实施例的另一方面，提供一种应用于客服培训机器人的消息处理方法，所述客服培训机器人按照如上所述的方法生成，所述消息处理方法包括：响应于接收到用户输入的当前对话消息，从对话流程堆栈中获取当前对话流程；触发执行所获取的对话流程来得到流程处理结果；根据所述流程处理结果确定机器人回复内容；以及将所确定的机器人回复内容作为机器人对话内容提供给用户。16.可选地，在上述方面的一个示例中，所述客服培训机器人与一个对话子流程集以及对话子流程进入决策条件相关联，以及流程处理结果包括用于记载对话内容的内容字段以及用于指示是否退出当前对话流程的流程退出字段。在触发执行所获取的对话流程来得到流程处理结果后，所述消息处理方法还可以包括：循环执行下述过程，直到判断为退出当前对话流程：根据当前流程处理结果的流程退出字段的字段值，判断是否退出当前对话流程；响应于判断为不退出当前对话流程，根据对话子流程进入决策条件执行针对所述客服培训机器人所关联的对话子流程集的流程命中处理；响应于命中对话子流程，触发执行所命中的对话子流程来得到流程处理结果，所得到的流程处理结果作为下轮循环过程的当前流程处理结果。根据所述对话流程处理结果确定机器人回复内容可以包括：响应于循环过程结束，将所得到的所有对话流程处理结果的内容字段中的对话内容，确定为机器人回复内容。17.可选地，在上述方面的一个示例中，所述客服训练机器人与对话子流程退出决策条件相关联，以及针对所述客服培训机器人所关联的对话子流程集中的对话子流程的流程命中处理依次进行。所述消息处理方法还可以包括：响应于未命中对话子流程，执行对话子流程退出决策条件解析；以及响应于解析结果满足对话子流程退出决策条件，判断为退出当前对话流程。18.可选地，在上述方面的一个示例中，所述流程处理结果还包括用于指示是否存在推荐对话子流程的推荐子流程字段。在根据对话子流程进入决策条件执行针对所述客服培训机器人所关联的对话子流程集的流程命中处理之前，所述消息处理方法还可以包括：响应于判断为不退出当前对话流程，根据所述推荐子流程字段的字段值判断是否存在推荐对话子流程；以及响应于存在推荐对话子流程，将所述推荐对话子流程确定为命中对话子流程。19.可选地，在上述方面的一个示例中，所述消息处理方法还可以包括：响应于接收到用于触发对话子流程的子流程触发消息，执行针对所述客服培训机器人所关联的对话子流程的流程命中处理。相应地，触发执行所获取的对话流程来得到流程处理结果可以包括：触发执行所命中的对话子流程来得到流程处理结果。20.可选地，在上述方面的一个示例中，所述的消息处理方法还可以包括：响应于判断为退出当前对话流程，判断是否进行兜底处理；在判断为进行兜底处理时，根据兜底话术处理规则确定兜底回复内容，所述兜底回复内容被作为当前轮次的机器人对话内容提供给用户。21.根据本说明书的实施例的另一方面，提供一种用于生成客服培训机器人的装置，包括：知识生产单元，基于历史客服对话台本数据挖掘对话主流程；机器人配置单元，配置各个客服培训机器人的机器人配置信息，所述机器人配置信息包括基础配置信息以及对话配置信息，所述基础配置信息包括业务场景信息，所述对话配置信息包括对话主流程配置信息，所述对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息，每个对话主流程集对应一个业务场景并且包括一个或多个所挖掘的对话主流程；以及机器人实例化单元，根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人。22.可选地，在上述方面的一个示例中，所述知识生产单元还生成供客服培训机器人执行的对话子流程集，所述对话子流程集中的每个对话子流程反映客服培训机器人的额外执行意图，所述额外执行意图包括除对话主流程之外的执行意图，以及所述对话配置信息还包括用于将客服培训机器人与一个对话子流程集、对话子流程进入决策条件以及对话子流程退出决策条件相关联的对话子流程配置信息。23.可选地，在上述方面的一个示例中，所述装置还可以包括：数据预处理单元，对历史客服对话台本数据进行预处理，其中，所述知识生产单元从经过预处理后的历史客服对话台本数据中筛选出优质客服对话台本数据来挖掘对话主流程。24.可选地，在上述方面的一个示例中，所述装置还可以包括：语料划分单元，将每个对话主流程所对应的客服对话台本数据中的语料按照对话轮次进行单轮划分，得到划分后的语料部分；以及语料聚类单元，对划分后的语料部分进行语料聚类，得到意图语料簇和话术语料簇，其中，所述对话主流程配置信息包括用于将客服培训机器人与一个或多个意图语料簇和/或话术语料簇相关联的话术关联配置信息。25.可选地，在上述方面的一个示例中，所述语料聚类单元可以包括：第一语料聚类模块，使用kmeans算法将划分后的语料部分进行第一次语料聚类，得到第一语料簇；第二语料聚类模块，在各个第一语料簇内使用hdbscan算法进行第二次语料聚类，得到第二语料簇；以及语料簇合并模块，对所得到的第二语料簇进行相似簇合并，得到意图语料簇和话术语料簇。26.可选地，在上述方面的一个示例中，所述装置还可以包括：向量编码单元，在对划分后的语料部分进行语料聚类之前，对划分后的语料部分进行向量编码。27.可选地，在上述方面的一个示例中，所述机器人实例化单元可以包括：配置信息获取模块，获取各个客服培训机器人的机器人配置信息；基础信息生成模块，根据所述机器人配置信息中的基础培训信息生成各个客服培训机器人的基础信息，所述基础信息包括会话标识信息，所述会话标识信息至少部分地基于客服培训机器人标识、客服培训机器人的关联用户以及业务场景生成；流程选定模块，从所述机器人配置信息中的对话主流程配置信息所关联的对话主流程集中选定各个客服培训机器人的对话主流程；以及机器人实例化模块，通过实例化所选定的对话主流程的算法实现模型并构建对话流程堆栈来实例化各个客服培训机器人，所构建的对话流程堆栈的栈底为所选定的对话主流程。28.根据本说明书的实施例的另一方面，提供一种应用于客服培训机器人的消息处理装置，所述客服培训机器人按照如上所述的方法生成，所述消息处理装置包括：对话消息获取单元，获取用户输入的当前对话消息；对话流程获取单元，从对话流程堆栈中获取当前对话流程；对话流程执行单元，触发执行所获取的对话流程来得到流程处理结果；回复内容确定单元，根据所述流程处理结果确定机器人回复内容；以及对话内容提供单元，将所确定的机器人回复内容作为机器人对话内容提供给用户。29.可选地，在上述方面的一个示例中，所述客服培训机器人与一个对话子流程集以及对话子流程进入决策条件相关联，以及流程处理结果包括用于记载对话内容的内容字段以及用于指示是否退出当前对话流程的流程退出字段。在触发执行所获取的对话流程来得到流程处理结果后，所述对话流程执行单元还被配置为循环执行下述过程，直到判断为退出当前对话流程：根据当前流程处理结果的流程退出字段的字段值，判断是否退出当前对话流程；响应于判断为不退出当前对话流程，根据对话子流程进入决策条件执行针对所述客服培训机器人所关联的对话子流程集的流程命中处理；响应于命中对话子流程，触发执行所命中的对话子流程来得到流程处理结果，所得到的流程处理结果作为下轮循环过程的当前流程处理结果，其中，响应于循环过程结束，所述回复内容确定单元将所得到的所有对话流程处理结果的内容字段中的对话内容，确定为机器人回复内容。30.可选地，在上述方面的一个示例中，所述客服训练机器人与对话子流程退出决策条件相关联，针对所述客服培训机器人所关联的对话子流程集中的对话子流程的流程命中处理依次进行。所述对话流程执行单元还被配置为：响应于未命中对话子流程，执行对话子流程退出决策条件解析；以及响应于解析结果满足对话子流程退出决策条件，判断为退出当前对话流程。31.可选地，在上述方面的一个示例中，所述流程处理结果还包括用于指示是否存在推荐对话子流程的推荐子流程字段。在根据对话子流程进入决策条件执行针对所述客服培训机器人所关联的对话子流程集的流程命中处理之前，所述对话流程执行单元还被配置为：响应于判断为不退出当前对话流程，根据所述推荐子流程字段的字段值判断是否存在推荐对话子流程；以及响应于存在推荐对话子流程，将所述推荐对话子流程确定为命中对话子流程。32.可选地，在上述方面的一个示例中，所述消息处理装置还可以包括：子流程触发消息接收单元，接收用于触发对话子流程的子流程触发消息，响应于接收到用于触发对话子流程的子流程触发消息，所述对话流程获取单元执行针对所述客服培训机器人所关联的对话子流程的流程命中处理，以及所述对话流程执行单元触发执行所命中的对话子流程来得到流程处理结果。33.可选地，在上述方面的一个示例中，所述消息处理装置还可以包括：兜底处理判定单元，响应于判断为退出当前对话流程，判断是否进行兜底处理；在判断为进行兜底处理时，所述回复内容确定单元根据兜底话术处理规则确定兜底回复内容，作为所述机器人回复内容。34.根据本说明书的实施例的另一方面，提供一种客服培训系统，包括：如上所述的用于生成客服培训机器人的装置；以及如上所述的消息处理装置。35.根据本说明书的实施例的另一方面，提供一种用于生成客服培训机器人的装置，包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器中的计算机程序，所述至少一个处理器执行所述计算机程序来实现如上所述的用于生成客服培训机器人的方法。36.根据本说明书的实施例的另一方面，提供一种消息处理装置，包括：至少一个处理器，与所述至少一个处理器耦合的存储器，以及存储在所述存储器中的计算机程序，所述至少一个处理器执行所述计算机程序来实现如上所述的消息处理方法。37.根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其存储有可执行指令，所述指令当被执行时使得处理器执行如上所述的用于生成客服培训机器人的方法或者执行如上所述的消息处理方法。38.根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行来实现如上所述的用于生成客服培训机器人的方法或者如上所述的消息处理方法。附图说明39.通过参照下面的附图，可以实现对于本说明书内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。40.图1示出了根据实施例的客服培训机器人的示例性应用场景。41.图2示出了根据本说明书的实施例的客服培训系统的示例架构图。42.图3示出了根据本说明书的实施例的客服培训机器人的生成过程的示例流程图。43.图4示出了根据本说明书的实施例的客服对话台本的示例示意图。44.图5示出了根据本说明书的实施例的对话主流程的示例示意图。45.图6示出了根据本说明书的实施例的语料挖掘处理过程的示例流程图。46.图7示出了根据本说明书的实施例的语料划分结果的示例示意图。47.图8示出了根据本说明书的实施例的语料聚类过程的示例流程图。48.图9示出了根据本说明书的实施例的簇筛除过程的示例流程图。49.图10示出了根据本说明书的实施例的客服对话台本数据的数据挖掘过程的示例示意图。50.图11示出了根据本说明书的实施例的客服培训机器人的机器人配置过程的示例示意图。51.图12示出了根据本说明书的实施例的机器人实例化过程的示例流程图。52.图13示出了根据本说明书的实施例的客服培训机器人的架构示意图。53.图14示出了根据本说明书的实施例的基于客服培训机器人的消息处理过程的示例流程图。54.图15示出了根据本说明书的实施例的流程处理结果的示例。55.图16示出了根据本说明书的实施例的客服培训过程的示例示意图。56.图17示出了根据本说明书的实施例的客服培训机器人生成装置的示例方框图。57.图18示出了根据本说明书的实施例的语料聚类单元的示例方框图。58.图19示出了根据本说明书的实施例的机器人实例化单元的示例方框图。59.图20示出了根据本说明书的实施例的消息处理装置的示例方框图。60.图21示出了根据本说明书的实施例的基于计算机系统实现的机器人生成装置的示例示意图。61.图22示出了根据本说明书的实施例的基于计算机系统实现的消息处理装置的示例示意图。具体实施方式62.现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。63.如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。64.下面将参照附图描述根据本说明书的实施例的客服培训机器人生成方法、客服培训机器人生成装置、客服培训方法、消息处理装置以及客服培训系统。65.图1示出了根据实施例的客服培训机器人的示例性应用场景100。66.在图1中，网络110被应用于在终端设备120和客服培训机器人服务端130之间进行通信连接。67.网络110可以是能够对网络实体进行互连的任何类型的网络。网络110可以是单个网络或各种网络的组合。在覆盖范围方面，网络110可以是局域网(lan)、广域网(wan)等。在承载介质方面，网络110可以是有线网络、无线网络等。在数据交换技术方面，网络110可以是电路交换网络、分组交换网络等。68.终端设备120可以是能够连接到网络110、访问网络110上的服务器或网站、处理数据或信号等的任何类型的电子计算设备。例如，终端设备120可以是台式计算机、笔记本电脑、平板电脑、智能电话等。尽管在图1中仅示出了一个终端设备，但是应当理解，可以有不同数量的终端设备连接到网络110。69.在一种实施方式中，终端设备120可以由用户使用。终端设备120可以安装有可为用户提供客服培训的客服培训机器人客户端122。在一些情况下，客服培训机器人客户端122可以与客服培训机器人服务端130进行交互。例如，客服培训机器人客户端122可以将用户输入的消息传送到客服培训机器人服务端130，并且从客服培训机器人服务端130接收与所述消息相关联的响应。客服培训机器人服务端130可以连接到或包含客服培训知识库140。客服培训知识库140可以包括可由客服培训机器人服务端130用于生成响应的信息。70.然而，应当理解，在其它情况下，客服培训机器人客户端122也可以在本地生成对用户输入的消息的响应，而不是与客服培训机器人服务端130进行交互。例如，在客服培训机器人和客服培训知识库140部署在终端设备120处时，客服培训机器人客户端122可以在本地生成对用户输入的消息的响应。在本文中，“消息”可以指任何输入信息。71.应当理解，图1中所示的所有网络实体都是示例性的，根据具体的应用需求，应用场景100可以涉及任何其它网络实体。72.图2示出了根据本说明书的实施例的客服培训系统20的示例架构图。73.如图2所示，客服培训系统20包括客服培训机器人生成装置210和消息处理装置220。客服培训机器人生成装置210被配置为生成一个或多个客服培训机器人(也可以称为客服培训机器人实例)，所生成的客服培训机器人部署在服务器(服务端)处或终端设备(客户端)处。消息处理装置220被配置为基于所生成的客服培训机器人来为用户输入的消息提供回复信息(响应消息)，从而为新客服人员提供客服培训服务，比如，客服培训训练、客服培训考试等。74.图3示出了根据本说明书的实施例的客服培训机器人的生成过程300的示例流程图。75.如图3所示，在310，基于历史客服对话台本数据挖掘对话主流程。历史客服对话台本是指历史上真实发生的客服与用户之间的对话数据。术语“台本”是指客服与用户之间的一通完整对话数据，即，由客服和用户所发出的一句句对话构成，并且对话之间存在时间先后顺序。图4示出了根据本说明书的实施例的客服对话台本的示例示意图。76.在一个示例中，可以对历史客服对话台本数据进行预处理。预处理的示例例如可以包括但不限于：(1)无效信息清理，即，从历史客服对话台本数据的语料中清理无用的噪声信息(符号、富文本等)；(2)词语规范化处理，即，将历史客服对话台本数据的语料中的数字(额度、利率等信息)、姓名等词语规范化，使用统一符号替代；(3)长句切割，即，在尽量保证意义完整的前提下，将历史客服对话台本数据的语料中的长句切割为短句。然后，根据预处理后的客服对话台本数据构造对话主流程。在另一示例中，可以对历史客服对话台本数据进行预处理，随后从经过预处理后的历史客服对话台本数据中筛选出优质客服对话台本数据来挖掘对话主流程。77.在本说明书中，术语“对话主流程”可以指代具有指定数据结构的对话台本。客服培训机器人可以根据对话主流程来确定用户所发送消息的响应(回复内容)。在对话主流程中，针对每句语料，除了包含语料内容(content)之外，还包括各种属性信息。属性信息的示例例如可以包括但不限于：人物角色(role)、扩展属性(extattribute)、名称(name)和时间戳(time)。人物角色代表对话的角色内容。人物角色的示例例如可以包括human/robot等。human输入的内容用作真实用户语义匹配使用，而robot提供的内容用作机器人针对用户输入内容的答复。扩展属性的示例例如可以包括但不限于：意图(intent)、匹配内容(match_sent)、节点标识(node_id)、轮次标识(turn_id)、节点类型(node_type)、灵活度范围(flexible_range)等。在本说明书中，human和robot针对同一意图问题的q/a集合可以看做一个节点。同一节点是针对同一意图问题的对话，可以包括单轮对话或者多轮对话。在一些示例中，人物角色和扩展属性是必选项，而名称和时间戳是可选项。78.意图属性用于指示该句语料的意图，例如，“首问语”、“结束语”、“问题定位”、“解决方案”、“核身环节”、“其他”等。匹配内容用于指示与该句语料含义匹配的相似语句，用于基于该相似语句来进行语句匹配和定位，即，该相似语句可以等同该语句语料。在本说明书中，匹配内容也可以称为话术簇或意图簇。节点标识用于指示该语句所在节点编号。轮次标识用于指示该语句所在对话轮次。节点类型用于指示该句语料所在节点是否可灵活调整。节点类型的示例例如可以包括但不限于：固定节点、灵活节点、非必须节点等。例如，针对对话“您好，请问有什么可以帮助您”，该句对话为首问语，并且被标注为固定节点。当主流程定位到该句对话时，不允许跳过，而必须向用户输出该句对话。例如，针对对话“请您稍等一下”，该句对话为问题定位或者问题解答过程中的非必须话术，因此会被标注为灵活节点。当主流程定位到该句对话时，可以跳过输出，也可以不跳过，而向用户输出该句对话。灵活度范围用于指示针对意图问题解答的节点范围。如果灵活度范围被标注为3–10，则说明用于提供意图问题解答的节点范围为节点3到节点10。当主流程在其期间，没有顺序限制，可以按顺序执行节点3到节点10来提供回复内容，也可以非顺序执行节点3到节点10来提供回复内容。79.图5示出了根据本说明书的实施例的对话主流程的示例示意图。图5中的对话主流程基于图4中示出的客服对话台本数据挖掘出。例如，针对该对话台本中的首句语料“中午好，我是阿满，很高兴为您服务，请问有什么可以帮您？”，“content”为“中午好，我是阿满，很高兴为您服务，请问有什么可以帮您？”，“role”为“human”，“intent”为“首问句”，“match_sent”为“[“您好，很高兴为您服务”，“您好，请问有什么可以帮您”，“您好，请问遇到什么问题了”]”，“node_id”为“0”，“turn_id”为“0”，“node_type”为“固定节点”，“flexible_range”为“[0,0]”，以及“time”为“2022-01-0311:00:00”。针对该对话台本中的其它句语料，同样构造类似的数据结构。在对所有语料都构造出上述数据结构后，将这些数据结构按序连接，由此构造出如图5所示的对话主流程。[0080]可选地，在一些实施例中，在对历史对话台本数据进行数据挖掘时，还可以挖掘出意图语料簇和话术语料簇。意图语料簇是指具有相同或相似意愿的语料组成的语料簇，以及话术语料簇是指具有相同或相似语义的语料组成的语料簇。例如，“您好，很高兴为您服务”，“您好，请问有什么可以帮您”，“您好，请问遇到什么问题了”构成话术语料簇。[0081]图6示出了根据本说明书的实施例的语料挖掘处理过程600的示例流程图。语料挖掘处理过程600用于挖掘意图语料簇和话术语料簇。[0082]如图6所示，在610，将每个对话主流程所对应的客服对话台本数据中的语料按照对话轮次进行单轮划分，得到划分后的语料部分。图7示出了根据本说明书的实施例的语料划分结果的示例示意图。在图7中，每个虚线框中的两句语料作为一轮对话，对应一个划分后的语料部分。要说明的是，为了例示简便，图7中示出的仅仅是针对图4中示出的历史对话台本数据的部分语料划分结果。[0083]在620，对划分后的语料部分进行向量编码。针对语料部分的向量编码可以采用本领域的已经提出或即将提出的各种向量编码技术实现。[0084]在630，对划分后的语料部分进行语料聚类，得到意图语料簇和话术语料簇。[0085]要说明的是，在其它实施例中，在进行语料聚类时，也可以不对划分后的语料部分进行向量编码。[0086]在一个示例中，在对划分后的语料部分进行语料聚类时，可以使用hdbscan算法进行聚类。然而，单纯使用hdbscan算法进行聚类，容易造成未能成簇的语料过多。优选地，在另一示例中，可以采用了三阶段聚类方法。[0087]图8示出了根据本说明书的实施例的语料聚类过程800的示例流程图。[0088]如图8所示，在810，使用kmeans算法对划分后的语料部分进行第一次语料聚类，得到第一语料簇。所得到的第一语料簇内的语料纯度可能不高。接着，在820，在各个第一语料簇内使用hdbscan算法进行第二次语料聚类，得到第二语料簇。经过第二次语料聚类后，会得到很多不同的第二语料簇(第一语料簇的子簇)，第二语料簇内纯度较高，但会存在相似度较高的语料簇的情形。然后，在830，对第二语料簇进行相似簇合并，得到意图语料簇和话术语料簇。例如，可以通过计算各个第二语料簇中心位置语料的相似度(例如，计算向量距离或者语义相似度)，并根据语料相似度来进行相似簇合并，从而得到最终的意图语料簇和话术语料簇。[0089]可选地，在一些实施例中，还可以对如上得到的意图语料簇和话术语料簇执行簇筛选处理。图9示出了根据本说明书的实施例的簇筛除过程900的示例流程图。[0090]如图9所示，在910，从各个第三语料簇中分别提取出各个第三语料簇的摘要信息。例如，可以通过标签挖掘的方法提取出所得到的第三语料簇内的语料关键词，所提取到的语料关键词作为该语料簇的摘要信息。[0091]在920，基于各个第三语料簇的摘要信息进行无用语料簇去除，得到意图语料簇和话术语料簇。例如，可以根据不同业务的具体指标，基于各个第三语料簇的摘要信息进行无用语料簇去除，得到意图语料簇和话术语料簇。[0092]图10示出了根据本说明书的实施例的客服对话台本数据的数据挖掘过程的示例示意图。如图10所示，在收集到历史对话台本数据后，可以对所收集的历史对话台本数据进行筛选处理，由此筛选出优质对话台本数据。所筛选出的对话台本数据被使用来构造对应的对话主流程。然后，使用三阶段聚类方法来进行语料聚类，并对聚类出的语料簇进行簇筛选处理，由此得到有意义的意图语料簇和话术语料图。[0093]如上参照图4到图10对客服对话数据挖掘过程进行了描述。上述数据挖掘过程所得到的对话主流程组成客服培训机器人的客服培训知识库，由此上述数据挖掘过程也可以称为知识生产过程。客服培训知识库可以包括多个对话主流程。可选地，在一些实施例中，客服培训知识库中的多个对话主流程可以组成多个对话主流程集，每个对话主流程集包括多个与同一业务以及同一场景对应的对话主流程，由此使得每个对话主流程集对应一个业务场景。例如，业务可以为“客服”，以及场景可以为“花呗”、“借呗”、“支付宝钱包”等。[0094]可选地，在一些实施例中，知识生产过程还可以包括生成供客服培训机器人执行的对话子流程集，对话子流程集中的每个对话子流程反映客服培训机器人的额外执行意图，所述额外执行意图包括除对话主流程之外的子意图。所生成的对话子流程同样被存储到客服培训知识库，以供后续客服培训机器人生成过程以及客服培训过程时使用。子流程可以采用代码或者规则(例如，规则表达式)的方式表征。[0095]子流程可以包括下述三类子流程：(1)工程端实现的子流程；(2)基于算法模型实现的子流程；以及(3)基于灵犀配置dst实现的子流程。[0096]工程端实现的子流程可以通过编码或者脚本组装实现，该类子流程可以定制化某些特殊逻辑来实现业务数据查询。工程端实现的子流程的示例可以包括核身子流程，核身子流程通过实时训练坐席拉取真实的核身数据，增加核身准确性和真实感。基于算法模型实现的子流程可以支持特殊场景的对话处理，比如子台本等。基于算法模型实现的子流程的示例可以包括超时子流程，在该超时子流程中，当等待时间过长，算法根据历史用户回复，生成对应的回复话术。基于灵犀配置dst的子流程可以支持简单场景的对话流程，例如对骂流程、威胁流程、压测流程等。基于灵犀配置dst的子流程的示例可以包括情绪模型子流程。通过配置dst，可以穷举用户发怒流程，从而提供压测能力。[0097]利用包括对话子流程的客服培训知识库，可以通过自由地配置子意图来丰满客服培训机器人的特征。例如，在特定业务场景(例如客权的核身场景)下，通过将子意图配置到客服培训机器人，可以达到相应的业务培训述求。[0098]回到图3，在如上得到客服培训知识库(对话主流程和对话子流程(如果存在的话))后，在320，配置各个客服培训机器人的机器人配置信息。机器人配置信息可以包括基础配置信息和对话配置信息。基础配置信息可以包括业务场景信息。可选地，基础配置信息例如还可以包括机器人名称和/或业务属性等。对话配置信息包括对话主流程配置信息，以及对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息，每个对话主流程集对应一个业务场景并且包括一个或多个所挖掘的对话主流程。通过上述对话配置信息，可以得到应用于不同业务场景的客服配置机器人。[0099]可选地，在一些实施例中，针对历史客服对话台本数据的数据挖掘过程可以挖掘出意图语料簇和话术语料簇。相应地，对话主流程配置信息还可以包括用于将客服培训机器人与一个或多个意图语料簇和/或话术语料簇相关联的话术关联配置信息。例如，意图为“首问语”的话术簇包括话术“您好，很高兴为您服务”、“请问有什么可以帮助您”，“您好，我是客服12345，请问有什么为您服务”。当主流程的台本内容为“您好，有什么问题吗？”时，如果用户(human)在客服训练时所输入的内容能够与主流程的台本内容或者其关联话术簇中的任何话术语义匹配，则均判断为命中，由此可以基于该台本内容查询对应的回复内容。[0100]可选地，在一些实施例中，客服培训知识库可以包括对话子流程集。相应地，对话配置信息还可以包括用于将客服培训机器人与一个对话子流程集以及决策因子相关联的对话子流程配置信息。决策因子包括对话子流程进入决策条件以及对话子流程退出决策条件。对话子流程进入决策条件和对话子流程退出决策条件可以通过规则表达式实现。[0101]对话子流程进入决策条件例如可以包括决策类型和指标类型。决策类型的示例例如可以包括但不限于对话决策(基于对话驱动)、tick时间决策(基于tick时间驱动，时间轮询)，以及指标类型的示例可以包括但不限于：置信度、匹配分、定性规则(脏话、威胁、反问)、主流程推荐、等待时长等。条件表达符可以包括等于(＝)、大于(》)、小于(《)等。例如，对话子流程进入决策条件的规则表达式可以为：置信度《0.4&等待时长》20s&情绪分《5||主流程推荐。即，利用逻辑运算符来连接各个指标类型的条件表达式。这里，逻辑运算符可以预先选择。[0102]对话子流程退出决策条件例如可以包括指标类型。指标类型的示例可以包括但不限于：交互轮数、超时时间、子流程自己决策等。条件表达符可以包括等于(＝)、大于(》)、小于(《)等。例如，对话子流程退出决策条件的规则表达式可以为：交互轮数》10||对话时长》60s||子流程自身决策。[0103]可选地，机器人配置信息还可以包括评测配置信息。评测配置信息用于设置评测方案的各种相关信息。例如，评测配置信息可以包括评测维度配置信息、评测权重配置信息以及评测公式配置信息。图11示出了根据本说明书的实施例的客服培训机器人的机器人配置过程的示例示意图。[0104]利用上述机器人配置处理，通过将基于客服对话台本抽象出的对话主流程以及基于业务规则抽象出的对话子流程动态地关联到客服培训机器人，可以动态地配置客服培训机器人的对话流程(对话能力)，由此实现可应用于多模态的客服培训机器人。[0105]在330，根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人。[0106]图12示出了根据本说明书的实施例的机器人实例化过程1200的示例流程图。[0107]如图12所示，在1210，获取各个客服培训机器人的机器人配置信息。所获取的机器人配置信息可以包括基础配置信息和对话配置信息。对话配置信息包括对话主流程配置信息。对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息。在一些实施例中，对话主流程配置信息还可以包括用于将客服培训机器人与一个或多个意图语料簇和/或话术语料簇相关联的话术关联配置信息。在一些实施例中，对话配置信息还可以包括用于将客服培训机器人与一个对话子流程集、对话子流程进入决策条件和对话子流程退出决策条件相关联的对话子流程配置信息。[0108]在1220，根据基础配置信息来执行前置校验，以校验客服培训机器人的开关是否正确、是否符合当前业务场景等。例如，可以通过基础配置信息中的业务场景来判断该客服培训机器人是否符合当前业务场景。要说明的是，前置校验过程是可选过程。在一些其他实施例中，可以不执行前置校验过程。如果前置校验未通过，则结束机器人实例化过程。[0109]在1230，根据所获取的机器人配置信息中的基础配置信息生成各个客服培训机器人的基础信息，所生成的基础信息包括会话标识信息。在一个示例中，会话标识信息至少部分地基于客服培训机器人标识、客服培训机器人的关联用户以及业务场景生成。例如，可以关联客服培训机器人的用户，并且通过对机器人id、关联用户以及业务场景(以及时间戳)进行md5计算来生成会话标识信息sessionid，该会话标识信息用于唯一标识该客服培训机器人(客服培训机器人实例)。此外，还可以将各个客服培训机器人关联机器人配置信息、运行状态、对话主意图、实例化服务器的服务器ip，作为该客服培训机器人的对话上下文的基础信息。[0110]在1240，从机器人配置信息中的对话主流程配置信息所关联的对话主流程集中选定各个客服培训机器人的对话主流程。例如，可以通过随机挑选、根据业务类型关联挑选或者指定主流程来选定对话主流程。[0111]接着，通过实例化所选定的对话主流程的算法实现模型并构建对话流程堆栈来实例化各个客服培训机器人，所构建的对话流程堆栈的栈底为所选定的对话主流程。具体地，在1250，实例化所选定的对话主流程的算法实现模型，以及在1260，构建对话流程堆栈，并且将所选定的对话主流程压入所选定的对话主流程作为该对话流程堆栈的栈底。[0112]可选地，在如上实例化出各个客服培训机器人后，在340，部署所实例化出的客服培训机器人。例如，可以将客服培训机器人部署(存储)在本地(终端设备侧/客户端侧)或者远端(服务端侧)。例如，本地部署的客服培训机器人可以利用tick时间驱动，以及远端部署的客服培训机器人可以利用对话驱动。[0113]图13示出了根据本说明书的实施例的客服培训机器人的示例架构示意图。[0114]在图13示出的客服培训机器人架构中，底层架构例如可以包括云呼架构、算法服务框架、odps和mysql。依托云呼提供热线能力，以及依托算法服务框架提供算法调用服务。在业务层实现客服培训机器人的知识生产、机器人配置、对话决策能力。在渠道层提供热线、在线、api的接入方式。在应用层提供客服培训训练(虚拟教练)和客服培训考试(虚拟教官)等。[0115]在如上生成并部署客服培训机器人后，可以基于所部署的客服培训机器人来实现客服培训。[0116]图14示出了根据本说明书的实施例的基于客服培训机器人的消息处理过程1400的示例流程图。图14中示出的示例是针对单轮对话的消息处理过程的示例。[0117]如图14所示，在1401，获取用户输入的当前用户对话消息(即，当前对话轮次的用户对话消息)。例如，可以经由部署在终端设备处的培训机器人客户端的用户界面接收用户输入的用户对话消息。消息可以采用各种多媒体形式，例如文本、语音、图像、视频等。[0118]在1402，在接收到用户对话消息后，从对话流程堆栈中获取用户对话消息所对应的当前对话流程。在机器人实例化存储时，预留了【对话流程堆栈】的存储空间，对话流程堆栈的堆栈结构如下：主流程(栈底)-》子流程1-》子流程2(栈顶)。当前栈顶的流程即为当前对话流程。[0119]在1403，判断当前对话流程是对话主流程还是对话子流程。响应于当前对话流程是对话主流程，在1404，触发执行对话主流程来得到流程处理结果，即，利用机器人实例化时实现的主流程算法模型来得到流程处理结果。响应于当前对话流程是对话子流程，在1405，利用对应的子流程执行器来执行相应的子流程，由此得到流程处理结果。在子流程执行时，可以进行子流程类型解析以确定出子流程类型，例如，工程端实现的子流程、基于算法模型实现的子流程，或者基于dst配置的子流程。在确定出子流程类型后，利用对应的子流程执行器来执行相应的子流程，由此得到流程处理结果。[0120]在本说明书中，经过对话主流程和对话子流程处理后得到的流程处理结果至少包括用于记载对话内容的内容字段(例如，response字段)。在一些实施例中，流程处理结果还可以包括用于指示是否退出当前对话流程的流程退出字段(例如，hang-up字段)。在一些实施例中，流程处理结果还可以包括用于指示是否存在推荐对话子流程的推荐子流程字段(例如，subflows字段)。图15示出了根据本说明书的实施例的流程处理结果的示例。在图15的示例中，流程处理结果包括3个字段，即，内容字段(response字段)，流程退出字段(hang-up字段)和推荐子流程字段(subflows字段)。每个字段包括字段id和字段值。可选地，每个字段还可以包括置信分。[0121]在一些实施例中，流程处理结果仅仅包括内容字段。在如上得到流程处理结果后，在1409，根据流程处理结果确定机器人回复内容，并且在1410，将所确定的机器人回复内容作为机器人对话内容提供给用户。[0122]在一些实施例中，流程处理结果可以包括内容字段和流程退出字段。相应地，在得到流程处理结果之后，还可以循环执行图14中示出的1405-1406以及1411-1413示出的过程，直到判断为退出当前对话流程。[0123]具体地，在每次循环过程中，在1406，根据当前流程处理结果中的流程退出字段的字段值，判断是否退出当前对话流程。例如，若流程退出字段“hang_up”字段的“value”为1，则确定为退出当前对话流程。若流程退出字段“hang_up”字段的“value”为0，则确定为不退出当前对话流程。[0124]如果确定为退出当前对话流程，则循环过程结束，并且流程进行到1409。在1409，将所得到的所有对话流程处理结果的内容字段中的对话内容，确定为机器人回复内容。即，将自接收到用户输入的当前用户对话消息后所得到的所有流程处理结果的内容字段中的对话内容提取出来，并且拼接所提取的对话内容作为机器人回复内容。[0125]如果确定为不退出当前对话流程，则流程进行到1411。在1411，根据对话子流程进入决策条件执行针对客服培训机器人所关联的对话子流程集的流程命中处理。具体地，根据机器人配置信息，获取在机器人实例化时与客服机器人相关联的对话子流程集，并且根据对话子流程的处理优先级对所获取的对话子流程进行优先级排序。对话子流程的处理优先级可以在进行机器人配置时预先设定。然后，对经过优先级排序后得到的对话子流程依序执行流程退出条件解析，并根据条件解析结果来进行命中判定，由此判定是否命中基于对话子流程。[0126]针对对话子流程集中的对话子流程的流程命中处理按照优先处理顺序依序执行。例如，针对一个对话子流程，可以根据该对话子流程的对话子流程进入决策条件，确定进入决策判定时所需要的指标类型。在确定出指标类型后，获取所确定的各个指标类型的当前值。例如，在客服培训机器人进行客服培训时，可以记录该客服培训过程中的对话过程信息，比如，进行了多少轮次对话，自首轮对话起的对话时长、置信度、等待时长、用户情绪分等。由此，可以从客服培训机器人的记录信息中获取对应指标类型的当前值。然后，根据所获取的各个指标类型的当前值，判断是否满足对话子流程进入决策条件的规则表达式。如果满足规则表达式，则确定命中该对话子流程。[0127]响应于命中该对话子流程，在1412，将所命中的对话子流程压入对话流程堆栈，随后，在1405，利用对应的子流程执行器来执行相应的子流程，由此得到流程处理结果，作为当前流程处理结果。然后，在1406，根据该当前流程处理结果判断是否退出当前对话流程。响应于未命中该对话子流程，则返回1411，针对下一对话子流程执行流程命中处理，直到命中对话子流程或者针对对话子流程集中的所有对话子流程都完成上述处理。[0128]可选地，在一些实施例中，响应于未命中该对话子流程，还可以在1413，执行对话子流程退出决策条件解析，并且根据解析结果确定是否退出当前对话流程。响应于解析结果满足对话子流程退出决策条件，判断为退出当前对话流程。响应于解析结果不满足对话子流程退出决策条件，则返回到1411。[0129]在一些实施例中，流程处理结果可以包括内容字段、流程退出字段和推荐子流程字段。相应地，在1406判定为不退出当前对话流程后，根据推荐子流程字段的字段值判断是否存在推荐对话子流程。响应于存在推荐对话子流程，将推荐对话子流程确定为命中对话子流程。响应于不存在推荐对话子流程，流程进行到1411来执行针对对话子流程集中的对话子流程的流程命中处理。[0130]可选地，在一些实施例中，客服培训机器人还可以基于tick时间驱动来触发执行对话子流程。在这种情况下，可以在机器人配置时，将所关联的对话子流程集中的部分或全部对话子流程设置为基于tick时间驱动。基于tick时间驱动是通过定时广播子流程触发消息来触发执行。例如，可以按秒广播子流程触发消息。响应于接收到用于触发对话子流程的子流程触发消息，如上所述执行针对客服培训机器人所关联的对话子流程的流程命中处理。响应于命中对话子流程，触发所命中的对话子流程来得到流程处理结果。利用该触发机制，可以实现机器人主动发问的场景模拟。[0131]可选地，在一些实施例中，响应于判断为退出当前对话流程，还可以在1407，执行兜底处理判定，以判断是否进行兜底处理。在判断为进行兜底处理时，在1408，根据兜底话术处理规则确定兜底回复内容，随后，在1409，将兜底回复内容确定为当前轮次的机器人回复内容提。在判断为不进行兜底处理时，在1409，根据基于对话流程得到的流程处理结果确定当前轮次的机器人回复内容。然后，在1410，将所确定的机器人回复内容作为机器人对话内容提供给用户。[0132]下面以具体示例来详细描述根据本说明书的实施例的客服培训过程。图16示出了根据本说明书的实施例的客服培训过程的示例示意图。在图16的示例中，客服培训机器人的业务场景是花呗开通，所配置的对话主流程为花呗台本集，所配置的对话子流程为超时子流程和核身子流程，兜底处理为骂人兜底处理，以及渠道为在线渠道。[0133]如图16所示，在接收到客服输入的对话“您好，我是客服xxx，很高兴为您服务，请问您是遇到了什么问题”后，客服培训机器人确定当前对话流程是对话主流程，随后根据对话主流程进行对话命中处理。经过命中处理后，命中对话主流程中的“首问语”意图，由此对话主流程的算法实现模型给出首问语槽位数据，即，“你好，我的花呗现在为什么开通不了？”。[0134]在接收到客服输入的对话“请问您是185开头的这个支付宝账号吗？”后，客服培训机器人命中对话主流程中的“核身环节”意图槽位，该槽位需要使用核身子流程，由此返回算法推荐的核身子流程。在拿到算法推荐的核身子流程后，在对话主流程上添加核身子流程，由此跳出对话主流程，并进入算法推荐的核身子流程。核身子流程命中“xxx账号查询”模式，输出对话“恩，是的”，并退出核身子流程。[0135]在接收到“花呗开通是通过系统进行综合评估，这个人工是无法进行干预的”后，客服培训机器人命中对话主流程中的“问题解答”意图，由此对话主流程的算法实现模型返回当前解答槽位的数据，即，“那怎么办，你能操作吗？”。[0136]在等待了20秒无对话后，启动tick时间驱动，并分发执行任务到客户端设备，客户端设备接收到驱动信息后，执行“本地客服培训机器人实例”的子流程解析流程，判定出当前客服机器人实例存在超时子流程，并且条件为“静默20秒”，由此命中条件，从而执行超时子流，调用算法回复，得到回复内容“喂喂喂，请问你在听吗？”。[0137]在接收到客服输入的对话“你能不能不要催，我已经说过了”，命中对话主流程的态度风险处理，从而推荐兜底流程处理并给出挂机命令。执行器收到消息后给出兜底内容输出，即，“你态度太差了，我要投诉你”，并执行挂机结束当前对话。[0138]图17示出了根据本说明书的实施例的客服培训机器人生成装置1700的示例方框图。如图17所示，客服培训机器人生成装置1700包括知识生产单元1710、机器人配置单元1720和机器人实例化单元1730。[0139]知识生产单元1710被配置为基于历史客服对话台本数据挖掘对话主流程。知识生产单元1710的对话主流程挖掘过程可以参考上面参照图3的310以及图4-图10描述的操作。[0140]可选地，在一些实施例中，知识生产单元1710还可以被配置为生成供客服培训机器人执行的对话子流程集，所生成的对话子流程集中的每个对话子流程反映客服培训机器人的额外执行意图。这里，额外执行意图包括除对话主流程之外的执行意图(子意图)。[0141]机器人配置单元1720被配置为配置各个客服培训机器人的机器人配置信息。机器人配置信息包括基础配置信息以及对话配置信息。基础配置信息包括业务场景信息，以及对话配置信息包括对话主流程配置信息。对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息，每个对话主流程集对应一个业务场景并且包括一个或多个所挖掘的对话主流程。在知识生产单元1710生成对话子流程集的情况下，机器人配置单元1720所配置的对话配置信息还包括用于将客服培训机器人与一个对话子流程集以及决策因子相关联的对话子流程配置信息。机器人配置单元1720的操作可以参考上面参照图3的320以及图11描述的操作。[0142]机器人实例化单元1730被配置为根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人。机器人实例化单元1730的操作可以参考上面参照图3的330以及图12描述的操作。[0143]可选地，在一些实施例中，客服培训机器人生成装置1700还可以包括数据预处理单元(未示出)。数据预处理单元被配置为对历史客服对话台本数据进行预处理。随后，知识生产单元1710从经过预处理后的历史客服对话台本数据中筛选出优质客服对话台本数据来挖掘对话主流程。[0144]可选地，在一些实施例中，客服培训机器人生成装置1700还可以包括语料划分单元(未示出)和语料聚类单元(未示出)。语料划分单元被配置为将每个对话主流程所对应的客服对话台本数据中的语料按照对话轮次进行单轮划分，得到划分后的语料部分。然后，语料聚类单元对划分后的语料部分进行语料聚类，得到意图语料簇和话术语料簇。相应地，机器人配置单元1720所配置的对话主流程配置信息还可以包括用于将客服培训机器人与一个或多个意图语料簇和/或话术语料簇相关联的话术关联配置信息。[0145]可选地，在一些实施例中，客服培训机器人生成装置1700还可以包括机器人部署单元(未示出)。机器人部署单元被配置为部署所实例化出的客服培训机器人。例如，机器人部署单元可以将客服培训机器人部署在本地(终端设备侧/客户端侧)或者远端(服务端侧)。[0146]图18示出了根据本说明书的实施例的语料聚类单元1800的示例方框图。如图18所示，语料聚类单元1800包括第一语料聚类模块1810、第二语料聚类模块1820和语料簇合并模块1830。[0147]第一语料聚类模块1810被配置为使用kmeans算法将划分后的语料部分进行第一次语料聚类，得到第一语料簇。然后，第二语料聚类模块1820在各个第一语料簇内使用hdbscan算法进行第二次语料聚类，得到第二语料簇。随后，语料簇合并模块1830对所得到的第二语料簇进行相似簇合并，得到意图语料簇和话术语料簇。[0148]可选地，在一些实施例中，客服培训机器人生成装置1700还可以包括向量编码单元(未示出)。向量编码单元被配置为在对划分后的语料部分进行语料聚类之前，对划分后的语料部分进行向量编码。然后，语料聚类单元对经过向量编码后的划分后的语料部分进行语料聚类。[0149]图19示出了根据本说明书的实施例的机器人实例化单元1900的示例方框图。如图19所示，机器人实例化单元1900包括配置信息获取模块1910、基础信息生成模块1920、流程选定模块1930和机器人实例化模块1940。[0150]配置信息获取模块1910被配置为获取各个客服培训机器人的机器人配置信息。配置信息获取模块1910的操作可以参考上面参照图12的1210描述的操作。[0151]基础信息生成模块1920被配置为根据机器人配置信息中的基础培训信息生成各个客服培训机器人的基础信息。所生成的基础信息包括会话标识信息。会话标识信息至少部分地基于客服培训机器人标识、客服培训机器人的关联用户以及业务场景生成。基础信息生成模块1920的操作可以参考上面参照图12的1230描述的操作。[0152]流程选定模块1930被配置为从机器人配置信息中的对话主流程配置信息所关联的对话主流程集中选定各个客服培训机器人的对话主流程。流程选定模块1930的操作可以参考上面参照图12的1240描述的操作。[0153]机器人实例化模块1940被配置为通过实例化所选定的对话主流程的算法实现模型并构建对话流程堆栈来实例化各个客服培训机器人，所构建的对话流程堆栈的栈底为所选定的对话主流程。机器人实例化模块1940的操作可以参考上面参照图12的1250和1260描述的操作。[0154]图20示出了根据本说明书的实施例的消息处理装置2000的示例方框图。如图20所示，消息处理装置2000包括对话消息获取单元2010、对话流程获取单元2020、对话流程执行单元2030、回复内容确定单元2040和对话内容提供单元2050。[0155]对话消息获取单元2010被配置为获取用户输入的当前对话消息。对话消息获取单元2010的操作可以参考上面参照图14的1401描述的操作。[0156]对话流程获取单元2020被配置为从对话流程堆栈中获取当前对话流程。对话流程获取单元2020的操作可以参考上面参照图14的1402描述的操作。[0157]对话流程执行单元2030被配置为触发执行所获取的对话流程来得到流程处理结果。对话流程执行单元2030的操作可以参考上面参照图14的1403-1406以及1411-1413描述的操作。[0158]回复内容确定单元2040被配置为根据所述流程处理结果确定机器人回复内容。回复内容确定单元2040的操作可以参考上面参照图14的1409描述的操作。[0159]对话内容提供单元2050被配置为将所确定的机器人回复内容作为当前轮次的机器人对话内容提供给用户。对话内容提供单元2050的操作可以参考上面参照图14的1410描述的操作。[0160]可选地，在一些实施例中，客服培训机器人被配置为与一个对话子流程集以及对话子流程进入决策条件相关联，以及所得到的流程处理结果包括用于记载对话内容的内容字段以及用于指示是否退出当前对话流程的流程退出字段。在触发执行所获取的对话流程来得到流程处理结果后，对话流程执行单元2030还可以被配置为执行循环过程，直到判断为退出当前对话流程。[0161]具体地，在每次循环时，对话流程执行单元2030根据当前流程处理结果的流程退出字段的字段值，判断是否退出当前对话流程。响应于判断为不退出当前对话流程，对话流程执行单元2030根据对话子流程进入决策条件执行针对所述客服培训机器人所关联的对话子流程集的流程命中处理。响应于命中对话子流程，对话流程执行单元2030触发执行所命中的对话子流程来得到流程处理结果，所得到的流程处理结果作为下轮循环过程的当前流程处理结果。响应于循环过程结束，回复内容确定单元2040将所得到的所有对话流程处理结果的内容字段中的对话内容，确定为机器人回复内容。[0162]可选地，在一些实施例中，客服训练机器人被配置为与对话子流程退出决策条件相关联，并且针对客服培训机器人所关联的对话子流程集中的对话子流程的流程命中处理依次进行。具体地，响应于未命中对话子流程，对话流程执行单元2030执行对话子流程退出决策条件解析。响应于解析结果满足对话子流程退出决策条件，对话流程执行单元2030判断为退出当前对话流程。[0163]可选地，在一些实施例中，流程处理结果还包括用于指示是否存在推荐对话子流程的推荐子流程字段。在根据对话子流程进入决策条件执行针对客服培训机器人所关联的对话子流程集的流程命中处理之前，响应于判断为不退出当前对话流程，对话流程执行单元2030根据推荐子流程字段的字段值判断是否存在推荐对话子流程。响应于存在推荐对话子流程，对话流程执行单元2030将推荐对话子流程确定为命中对话子流程。响应于不存在推荐对话子流程，对话流程执行单元2030针对客服培训机器人所关联的对话子流程集中的对话子流程的流程命中处理。[0164]可选地，在一些实施例中，消息处理装置2000还可以包括子流程触发消息接收单元(未示出)。子流程触发消息接收单元接收用于触发对话子流程的子流程触发消息。响应于接收到用于触发对话子流程的子流程触发消息，对话流程获取单元执行针对客服培训机器人所关联的对话子流程的流程命中处理，由此在命中对话子流程时获取对应的对话子流程。然后，对话流程执行单元2030触发执行所命中的对话子流程来得到流程处理结果。[0165]可选地，在一些实施例中，消息处理装置2000还可以包括兜底处理判定单元(未示出)。响应于判断为退出当前对话流程，兜底处理判定单元判断是否进行兜底处理。在判断为进行兜底处理时，回复内容确定单元2040根据兜底话术处理规则确定兜底回复内容，作为机器人回复内容。在判断为不进行兜底处理时，回复内容确定单元2040根据流程处理结果确定机器人回复内容。[0166]如上参照图1到图20，对根据本说明书实施例的客服培训机器人生成方法、客服培训机器人生成装置、应用于客服培训机器人的消息处理方法、消息处理装置以及客服培训系统进行了描述。上面的客服培训机器人生成装置和消息处理装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。[0167]图21示出了根据本说明书的实施例的基于计算机系统实现的客服培训机器人生成装置2100的示意图。如图21所示，客服培训机器人生成装置2100可以包括至少一个处理器2110、存储器(例如，非易失性存储器)2120、内存2130和通信接口2140，并且至少一个处理器2110、存储器2120、内存2130和通信接口2140经由总线2160连接在一起。至少一个处理器2110执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。[0168]在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器2110：基于历史客服对话台本数据挖掘对话主流程；配置各个客服培训机器人的机器人配置信息，所述机器人配置信息包括基础配置信息和对话配置信息，所述基础配置信息包括业务场景信息，所述对话配置信息包括对话主流程配置信息，所述对话主流程配置信息包括用于将客服培训机器人与一个对话主流程集相关联的对话主流程关联配置信息，每个对话主流程集对应一个业务场景并且包括一个或多个所挖掘的对话主流程；以及根据各个客服培训机器人的机器人配置信息进行机器人实例化，以生成各个客服培训机器人。[0169]应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器2110进行本说明书的各个实施例中以上结合图1-图13以及图17-图19描述的各种操作和功能。[0170]图22示出了根据本说明书的实施例的基于计算机系统实现的消息处理装置2200的示意图。如图22所示，消息处理装置2200可以包括至少一个处理器2210、存储器(例如，非易失性存储器)2220、内存2230和通信接口2240，并且至少一个处理器2210、存储器2220、内存2230和通信接口2240经由总线2260连接在一起。至少一个处理器2210执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。[0171]在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器2210：响应于接收到用户输入的当前对话消息，从对话流程堆栈中获取当前对话流程；触发执行所获取的对话流程来得到流程处理结果；根据所述流程处理结果确定机器人回复内容；以及将所确定的机器人回复内容作为机器人对话内容提供给用户。[0172]应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器2210执行本说明书的各个实施例中以上结合图14-图16以及图20描述的各种操作和功能。[0173]根据一个实施例，提供了一种比如机器可读介质(例如，非暂时性机器可读介质)的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-图20描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。[0174]在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。[0175]可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd-rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。[0176]根据一个实施例，提供一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序当被处理器执行时，使得处理器执行本说明书的各个实施例中以上结合图1-图20描述的各种操作和功能。[0177]本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。[0178]需要说明的是，上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。[0179]以上各实施例中，硬件单元或模块可以通过机械方式或电气方式实现。例如，一个硬件单元、模块或处理器可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元或处理器还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。[0180]上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。[0181]本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!