一種基于知識圖譜的故障問題智能定位方法及系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)提供一種基于知識圖譜的故障問題智能定位方法及系統(tǒng)，屬于人工智能技術(shù)領(lǐng)域，包括構(gòu)建知識圖譜；接收故障現(xiàn)象和

【技術(shù)實現(xiàn)步驟摘要】
一種基于知識圖譜的故障問題智能定位方法及系統(tǒng)


[0001]本專利技術(shù)屬于人工智能
，具體涉及一種基于知識圖譜的故障問題智能定位方法及系統(tǒng)
。

技術(shù)介紹

[0002]目前解決客戶反饋故障問題的智能客服系統(tǒng)的構(gòu)建可以分為兩大類：一是傳統(tǒng)的基于文本或數(shù)據(jù)庫搜索技術(shù)根據(jù)問題關(guān)鍵字來搜索給出答案，這種方式響應(yīng)快速，但精度較低，只能解決簡單的關(guān)鍵字能匹配到的問題，關(guān)鍵字不匹配時，即使是已知問題也無法給出問題答案；二是基于人工智能技術(shù)，利用大模型來訓(xùn)練模型，其優(yōu)點是對于訓(xùn)練過的數(shù)據(jù)表現(xiàn)得較為智能，精度相對較高，缺點是訓(xùn)練成本較高，新的問題與新的知識增加時，需要重新訓(xùn)練模型，數(shù)據(jù)更新不及時，因而實用性不高
。

技術(shù)實現(xiàn)思路

[0003]本專利技術(shù)提供了一種基于知識圖譜的故障問題智能定位方法，其改進之處在于，所述方法包括如下步驟：
S1
：基于現(xiàn)有結(jié)構(gòu)化的對象數(shù)據(jù)構(gòu)建知識圖譜；
S2
：接收故障現(xiàn)象和
/
或故障信息；
S3
：得到故障描述信息；
S4
：提取故障相關(guān)信息；
S5
：通過步驟
S3
和
S4
中信息，在系統(tǒng)中查詢產(chǎn)品的詳細信息，得到產(chǎn)品信息和故障部件詳細信息，基于用戶身份查詢客戶相關(guān)信息；
S6
：根據(jù)步驟
S5
查詢到的補充信息，生成查詢子圖譜，根據(jù)用戶使用時長，故障圖片回復(fù)對應(yīng)的故障解決方案；
S7
：基于知識圖譜查詢與推理，得到系統(tǒng)的多條查詢鏈路；
S8
：查詢鏈路在系統(tǒng)中查詢結(jié)果反饋給知識圖譜系統(tǒng)并推理評估；
S9
：已知問題則通過解決方案生成器生成解決方案，未知問題，則通過故障子系統(tǒng)靈活配置是否給用戶發(fā)送詢前表單；
S10
：基于訓(xùn)前表單和客戶信息，智能匹配客服人員解決問題；
S11
：將解決故障過程中的故障配件部位，故障原因，故障解決方案相關(guān)信息自動推送更新到知識圖譜子系統(tǒng)中；
S12
：根據(jù)知識圖譜相關(guān)數(shù)據(jù)自動給出歷史解決方案
。
[0004]進一步地，所述步驟
S2
包括客服系統(tǒng)接收通過拍照得到的故障現(xiàn)象和
/
或通過自然語言描述的故障信息
。
[0005]進一步地，所述步驟
S3
包括提取故障現(xiàn)象中圖片中的關(guān)鍵信息，包括產(chǎn)品型號
、
產(chǎn)品故障配件部位和
/
或故障現(xiàn)象特征描述信息
。
[0006]更進一步地，所述步驟
S3
包括：
S31
將故障圖片進行卷積神經(jīng)網(wǎng)絡(luò)
CNN
處理，得到圖像特征
Fcnn
，通過注意力機制
Att(Fcnn)
進行計算；
S32
引入一個注意力偏移向量，注意力分數(shù)通過如下公式（1）計算得：（1）；其中，
pi
是與序列中第
i
個元素相關(guān)的偏移量，
P
表示注意力偏移向量，
Q
表示查詢，
K
表示鍵，
V
表示值，表示注意力機制中的維度；
S33
注意力權(quán)重通過
Softmax
函數(shù)計算，
Fai
?
max=Softmax(Fai)
，將其對值
V
進行加權(quán)和，得到注意力的輸出通過如下公式（2）計算得：（2）；
S34
訓(xùn)練過程中損失函數(shù)的選取，對于產(chǎn)品識別，使用交叉熵損失；對于故障描述，使用均方誤差損失；
S35
使用
Transformer
模型將圖像特征轉(zhuǎn)化為文字序列，得到故障對應(yīng)的產(chǎn)品和部位信息，以及對故障的描述信息，即故障現(xiàn)象描述，通過如下公式（3）計算得：（3）
。
[0007]進一步地，所述步驟
S4
包括：通過自然語言信息提取器會話引導(dǎo)用戶補充必要的關(guān)鍵信息來提取用戶問題中的故障相關(guān)信息
。
[0008]更進一步地，所述步驟
S4
包括：
S41
提取用戶問題中的故障相關(guān)信息，注意力權(quán)重分數(shù)通過如下公式（4）計算得：（4）；
S42
使用二元交叉熵損失函數(shù)作為提取器的損失函數(shù)，用于衡量預(yù)測的關(guān)鍵詞概率與真實標簽之間的差異，通過如下公式（5）計算得：（5）其中，為第
i
個元素的關(guān)鍵詞標簽，，
N
為樣本數(shù)量
。
[0009]進一步地，所述步驟
S9
包括：
S91
將用戶的問題描述或故障圖片生成的描述信息進行補充規(guī)范化；
S92
通過圖譜子系統(tǒng)補充相關(guān)的信息；
S93
通過多頭注意力推理模塊生成提供給客戶的解決方案對應(yīng)的圖文信息；
S94
多頭注意力通過多個不同映射的注意力頭來捕捉不同類型的關(guān)系；
S95
將多個注意力頭的上下文表示融合在一起，生成最終的多頭注意力上下文表示，通過如下公式（6）計算得：
（6）；其中，
Concat
表示拼接操作，
Wo
表示學(xué)習(xí)的權(quán)重矩陣
。
[0010]本專利技術(shù)還提出一種基于知識圖譜的故障問題智能定位系統(tǒng)，其改進之處在于，所述系統(tǒng)包括客服系統(tǒng)
、
知識圖譜子系統(tǒng)
、
故障解決子系統(tǒng)
、
圖片識別器
、
自然語言信息提取器
、
信息查詢器和解決方案生成器；所述客服系統(tǒng)用于接收通過拍照得到的故障現(xiàn)象和
/
或通過自然語言描述的故障信息；所述圖片識別器用于提取故障現(xiàn)象中圖片中的關(guān)鍵信息，包括產(chǎn)品型號
、
產(chǎn)品故障配件部位和
/
或故障現(xiàn)象特征描述信息；所述自然語言信息提取器用于會話引導(dǎo)用戶補充必要的關(guān)鍵信息來提取用戶問題中的故障相關(guān)信息；所述信息查詢器用于在系統(tǒng)中查詢產(chǎn)品的詳細信息，得到產(chǎn)品信息和故障部件詳細信息，基于用戶身份查詢客戶相關(guān)信息；所述知識圖譜子系統(tǒng)用于根據(jù)查詢到的補充信息，生成查詢子圖譜，根據(jù)用戶使用時長，故障圖片回復(fù)對應(yīng)的故障解決方案；所述故障解決子系統(tǒng)用于未知問題，則通過故障子系統(tǒng)靈活配置是否給用戶發(fā)送詢前表單；所述解決方案生成器用于已知問題則通過解決方案生成器生成解決方案
。
[0011]有益效果：本專利技術(shù)結(jié)合知識圖譜和人工智能技術(shù)，解決傳統(tǒng)基于搜索技術(shù)的智能客服系統(tǒng)中的關(guān)鍵字匹配結(jié)果太多，精度較低問題
。
同時也解決了只用人工智能技術(shù)直接基于故障現(xiàn)象和故障解決方案來訓(xùn)練關(guān)聯(lián)特征模型時，當有新的故障現(xiàn)象發(fā)生時，需要大量的訓(xùn)練時間及訓(xùn)練成本，模型才能更新問題
。<本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.
一種基于知識圖譜的故障問題智能定位方法，其特征在于，所述方法包括如下步驟：
S1
：基于現(xiàn)有結(jié)構(gòu)化的對象數(shù)據(jù)構(gòu)建知識圖譜；
S2
：接收故障現(xiàn)象和
/
或故障信息；
S3
：得到故障描述信息；
S4
：提取故障相關(guān)信息；
S5
：通過步驟
S3
和
S4
中信息，在系統(tǒng)中查詢產(chǎn)品的詳細信息，得到產(chǎn)品信息和故障部件詳細信息，基于用戶身份查詢客戶相關(guān)信息；
S6
：根據(jù)步驟
S5
查詢到的補充信息，生成查詢子圖譜，根據(jù)用戶使用時長，故障圖片回復(fù)對應(yīng)的故障解決方案；
S7
：基于知識圖譜查詢與推理，得到系統(tǒng)的多條查詢鏈路；
S8
：查詢鏈路在系統(tǒng)中查詢結(jié)果反饋給知識圖譜系統(tǒng)并推理評估；
S9
：已知問題則通過解決方案生成器生成解決方案，未知問題，則通過故障子系統(tǒng)靈活配置是否給用戶發(fā)送詢前表單；
S10
：基于訓(xùn)前表單和客戶信息，智能匹配客服人員解決問題；
S11
：將解決故障過程中的故障配件部位，故障原因，故障解決方案相關(guān)信息自動推送更新到知識圖譜子系統(tǒng)中；
S12
：根據(jù)知識圖譜相關(guān)數(shù)據(jù)自動給出歷史解決方案
。2.
根據(jù)權(quán)利要求1所述的一種基于知識圖譜的故障問題智能定位方法，其特征在于，所述步驟
S2
包括客服系統(tǒng)接收通過拍照得到的故障現(xiàn)象和
/
或通過自然語言描述的故障信息
。3.
根據(jù)權(quán)利要求1所述的一種基于知識圖譜的故障問題智能定位方法，其特征在于，所述步驟
S3
包括提取故障現(xiàn)象中圖片中的關(guān)鍵信息，包括產(chǎn)品型號
、
產(chǎn)品故障配件部位和
/
或故障現(xiàn)象特征描述信息
。4.
根據(jù)權(quán)利要求3所述的一種基于知識圖譜的故障問題智能定位方法，其特征在于，所述步驟
S3
包括：
S31
將故障圖片進行卷積神經(jīng)網(wǎng)絡(luò)
CNN
處理，得到圖像特征
Fcnn
，通過注意力機制
Att(Fcnn)
進行計算；
S32
引入一個注意力偏移向量，注意力分數(shù)通過如下公式（1）計算得：（1）；其中，
pi
是與序列中第
i
個元素相關(guān)的偏移量，
P
表示注意力偏移向量，
Q
表示查詢，
K
表示鍵，
V
表示值，表示注意力機制中的維度；
S33
注意力權(quán)重通過
Softmax
函數(shù)計算，
Fai
?
max=Softmax(Fai)
，將其對值
V
進行加權(quán)和，得到注意力的輸出通過如下公式（2）計算得：（2）；
...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王永剛，丁成，郭明，
申請(專利權(quán))人：北京紛揚科技有限責任公司，
類型：發(fā)明
國別省市：