基于图神经网络的智能会话方法、系统及介质

技术领域

本申请属于智能会话技术领域，具体地，涉及一种基于图神经网络的智能会话方法、系统及介质。

背景技术

智能机器人外呼系统是对自然语言处理技术的一种现实应用，已经被广泛应用于营销、回访、客服等服务场景。相较于传统的人工外呼，智能机器人外呼系统具有运营管理成本更低、工作效率更高等优点，在外呼效果上，尤其是电销场景中对于意向客户的筛选，也可以接近甚至优于人工外呼。因此，在电销领域已经形成了利用智能机器人外呼系统广泛外呼并筛选意向较强烈的客户，再由人工座席进行后续跟进成单的产业模式。

现有的智能外呼机器人多采用自动语音识别ASR、自然语言处理NLP与文本转语音TTS相结合的模式，即首先将客户语音经ASR转换为文本数据，再由NLP技术处理该文本，根据其内容推断客户的意图倾向，并从语料库中选择相应的应对话术，接着将应对话术通过TTS技术转换为语音信息进行播报。

目前，在应对话术选择的过程中，现有系统处理客户语音并匹配到相应的特征后，往往按照固有的流程工单和话术知识库安排机器人话术，应对话术相对较为死板，无法针对客户的意图和情感倾向做出灵活改变以增强潜在客户的意图促成最终成单。

另一方面，现有的技术多采用固定的流程工单与语料库配合传统机器学习方法或人工神经网络等技术，能实现人机的实时交流，但对于预测和构建会话策略和路径这种结构性数据的效果往往不佳。

发明内容

本发明提出了一种基于图神经网络的智能会话方法、系统及介质，旨在解决现有智能应对话术相对较为死板，无法针对客户的意图和情感倾向做出灵活改变。

根据本申请实施例的第一个方面，提供了一种基于图神经网络的智能会话方法，具体包括以下步骤：

根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；

根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；

将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；

将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

在本申请一些实施方式中，根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果，具体包括：

根据客户会话文本数据，通过文字分析，将客户会话文本数据划分为客户方会话数据以及应答方会话数据；

将应答方会话数据作为客户应对话术；

根据客户方会话数据，获取客户语义信息；

根据客户方会话数据和/或应答方会话数据，搜索客户成单关键词，将客户成单关键词对应的成单结果作为客户成单结果。

在本申请一些实施方式中，客户语义信息包括客户意图信息和/或客户情感信息；客户意图包括意图成单类型、意图成单数量以及意图成单时间。

在本申请一些实施方式中，获取客户意图信息具体包括：

预先建立客户意图语库，客户意图语库包括多个关键词，每一个关键词对应一个意图信息；

根据客户方会话数据，逐一搜索客户意图库的关键词是否存在，当关键词存在时，将关键词对应的意图信息作为客户意图信息。

在本申请一些实施方式中，获取客户情感信息具体包括：

利用预设的语音亢奋度识别模型对客户方会话数据进行识别,得到客户情绪亢奋度；

根据客户情绪亢奋度与客户情感对应关系，得到客户情感信息。

在本申请一些实施方式中，根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵，具体包括：

根据客户语义信息、客户应对话术以及客户成单结果，通过神经网络模型得到客户语义特征向量、客户应对话术特征向量以及客户成单特征向量；

将客户语义特征向量、客户应对话术特征向量以及客户成单特征向量分别作为客户语义节点、客户应对话术节点以及客户成单节点；

将客户语义节点、客户应对话术节点以及客户成单节点根据会话对应关系进行连接，得到节点间的邻接矩阵。

在本申请一些实施方式中，根据客户会话文本数据，获得客户语义信息、客户应对话术以及客户成单结果之前，还包括

获取客户会话语音样本；

通过语音识别技术将客户语音样本转换为客户会话文本数据。

根据本申请实施例的第二个方面，提供了一种基于图神经网络的智能会话系统，具体包括：

客户文本处理模块：用于根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；

预训练语言模型模块：用于根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；

图神经网络训练模块：用于将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；

会话模块：用于将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

根据本申请实施例的第三个方面，提供了一种基于图神经网络的智能会话设备，包括：

存储器：用于存储可执行指令；以及

处理器:用于与存储器连接以执行可执行指令从而完成基于图神经网络的智能会话方法。

根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于图神经网络的智能会话方法。

采用本申请实施例中的基于图神经网络的智能会话方法及系统，根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。本申请的最佳会话路径预测技术后，通过大量通话数据的训练，使得机器人在同客户通话的同时对客户话术进行分析，结合智能机器人自身的不同话术路径预测出以成单为终点的最佳路径。

同时，极大地提升了智能机器人的会话质量，提升客户满意度，并使机器人在会话交流的同时能够筛选客户购买意向，促成高意向客户成单，并提升无意向和低意向客户的意愿，实现最终成单可能性的最大化。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1中示出了根据本申请实施例的基于图神经网络的智能会话方法的步骤示意图；

图2中示出了根据本申请实施例的基于图神经网络的智能会话方法的流程示意图；

图3中示出了根据本申请实施例中图神经网络的原理示意图；

图4中示出了根据本申请实施例的基于图神经网络的智能会话系统的结构示意图；

图5中示出了根据本申请实施例的基于图神经网络的智能会话设备的结构示意图。

具体实施方式

在实现本申请的过程中，发明人发现在应对话术选择的过程中，现有系统处理客户语音并匹配到相应的特征后，往往按照固有的流程工单和话术知识库安排机器人话术，应对话术相对较为死板，无法针对客户的意图和情感倾向做出灵活改变以增强潜在客户的意图促成最终成单的问题。

在这种条件下，现有的技术多采用固定的流程工单与语料库配合传统机器学习方法或人工神经网络等技术，能实现人机的实时交流，但对于预测和构建会话策略和路径这种结构性数据的效果往往不佳。

本申请通过大量通话数据的训练，使得机器人在同客户通话的同时对客户话术进行分析，结合智能机器人自身的不同话术路径预测出以成单为终点的最佳路径。

具体的，

本申请采用基于图神经网络的智能会话方法及系统，根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

本申请极大地提升了智能机器人的会话质量，提升客户满意度，并使机器人在会话交流的同时能够筛选客户购买意向，促成高意向客户成单，并提升无意向和低意向客户的意愿，实现最终成单可能性的最大化。

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1

图1中示出了根据本申请实施例的基于图神经网络的智能会话方法的步骤示意图。图2中示出了根据本申请实施例的基于图神经网络的智能会话方法的流程示意图。

如图1所示，本申请实施例的基于图神经网络的智能会话方法，具体包括以下步骤：

S101：根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果。

首先，获取大量客户会话数据，通过语音识别，将客户会话的语音转换为客户会话文本数据。

本实施例中的语音转文字技术采用的是ASR技术。

其中，ASR(Automatic SpeechRecognition，自动语音识别技术)是一种将人的语音转换为文本的技术。

具体的，首选需要对原始语音进行预加重、分帧和加窗处理，获取标准语音。

获取标准语音的过程如下：

首先，采用预加重处理的公式s'n＝sn-a*sn-1对原始语音进行预加重处理，以消除说话人的声带和嘴唇对说话人语音的影响，提高说话人语音的高频分辨率。

其中，s'n为预加重处理后的n时刻的语音信号幅度，sn为n时刻的语音信号幅度，sn-1为n-1时刻的语音信号幅度，a为预加重系数。

然后，对预加重处理后的原始语音进行分帧处理，在分帧时，每一帧语音的起始点和末尾点都会出现不连续的地方，分帧越多，与原始语音的误差也就越大。

最后，为了保持每一帧语音的频率特性，还需要进行加窗处理，加窗处理的公式为

通过以上步骤对原始客户语音进行预处理，获取标准语音，为后续对标准语音进行端点检测处理提供有效的数据来源。

然后，根据客户会话文本数据，经由NLP模型得出客户语音信息，包括客户意图与客户情感倾向等信息。

同时，根据历史会话数据获得客户应对话术以及对应的客户成单结果信息。

根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果，具体包括以下步骤：

首先，根据客户会话文本数据，通过文字分析，将客户会话文本数据划分为客户方会话数据以及应答方会话数据。

然后，将应答方会话数据作为客户应对话术；根据客户方会话数据，获取客户语义信息。同时，根据客户方会话数据和/或应答方会话数据，搜索客户成单关键词，将客户成单关键词对应的成单结果作为客户成单结果。

本实施例中，客户语义信息具体包括客户意图信息和/或客户情感信息；其中，客户意图信息又包括意图成单类型、意图成单数量以及意图成单时间。

其中，客户意图信息可以事先建立客户意图语库，客户情感信息通过客户情感的语库，或者同时检测客户情绪亢奋度来获得。

具体的，获取客户意图信息具体包括：

1)预先建立客户意图语库，客户意图语库包括多个关键词，每一个关键词对应一个意图信息。

2)根据客户方会话数据，逐一搜索客户意图库的关键词是否存在，当关键词存在时，将关键词对应的意图信息作为客户意图信息。

具体的，获取客户情感信息，一方面具体包括：

首先，利用预设的语音亢奋度识别模型对客户方会话数据进行识别,得到客户情绪亢奋度。然后，根据客户情绪亢奋度与客户情感对应关系，得到客户情感信息。

具体的，客户情绪亢奋度需要通过语音亢奋度识别模型进行语音亢奋度识别。

进一步的，通过语音亢奋度识别模型进行语音亢奋度识别时，语音亢奋度识别模型的具体训练过程为：

首先，将客户原始的语音信息，转换为与语谱图，进行语谱图特征提取，相比于其他特征提取算法，语谱图包含了更多的语音原始信息包括时间、频率、振幅等信息。

然后，训练与测试模型，使用匹配的输入数据及对应的亢奋度类别标签，训练深度神经网络模型；训练好的的模型对未标记的多模态输入数据进行预测，最后根据训练后的模型可得到亢奋度预测的概率值。

具体的，获取客户情感信息，另一方面可通过客户情感的语库获取。例如，客户情绪包括抱怨、愤怒、厌恶或者着急等等，而每一种语音情绪会通过各种各样的词汇进行对应表达。

因此，首先建立关键字与语音情绪对应库；然后根据文字识别数据，识别情绪库中的关键字；最后，得到关键字对应的语音情绪。

例如：

抱怨情绪对应的关键字包括：不行、不好、太差、垃圾、什么服务、再也不、投诉、难用等等。

愤怒情绪对应的关键字包括：想死、热死、好臭、好烂、特烂等等字语。

厌恶情绪对应的关键字包括：恶心、想吐、反胃、很乱、素质差等等字语。

着急情绪对应的关键字包括：马上、立刻、还差、快点、着急以及急死等等字语。

S102：根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵。

具体的，包括以下流程：

a)根据客户语义信息、客户应对话术以及客户成单结果，通过神经网络模型得到客户语义特征向量、客户应对话术特征向量以及客户成单特征向量。

b)将客户语义特征向量、客户应对话术特征向量以及客户成单特征向量分别作为客户语义节点、客户应对话术节点以及客户成单节点。

c)将客户语义节点、客户应对话术节点以及客户成单节点根据会话对应关系进行连接，得到节点间的邻接矩阵。

具体应用的，例如对话历史{U1，U2，U3，...UM}由M句话组成。对于其中每一句话Ui，首先利用预训练Glove方法把Ui内的每个单词转化为对应词向量，得到一个向量序列，按顺序输入到下层循环神经网络，取网络的最终状态输出，作为当前语句的特征向量hi，进而得到每个语句的特征编码{h1，h2，h3，...hM}。再将其输入上层循环神经网络进一步编码，得到对话层级的特征向量hD，最后作为整个对话的语义节点X。

然后，再根据真实数据构建节点间的邻接矩阵A。

其中机器人话术节点即客户应对话术节点，在本申请一些实施方式中，根据客户会话文本数据，获得客户语义信息以及客户应对话术，还包括获取客户成单结果，客户成单结果与客户应对话术一一对应。

S103：将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型。

S104：将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

根据客户应答对话历史信息，可以构建包含客户语义节点、客户应对话术节点的异构图，进而预测最佳会话应对路径。

图3中示出了根据本申请实施例中图神经网络的原理示意图。

图神经网络模型GNN包括编码器和解码器，编码器的输入数据为向量形式的客户语义节点、客户应对话术节点以及节点间的邻接矩阵，编码器的输出数据为图嵌入；解码器的输入数据为图嵌入，解码器的输出数据为重建图，重建图为应对会话路径，即会话路径图。

如图3所示，用于路径连接预测的图神经网络模型选用变分图自编码器(VGAE)，网络分为编码器和解码器两部分，编码器以图节点X和邻接矩阵A构成的曲线图作为输入数据，输出为图嵌入Z，解码器以图嵌入Z作为输入，输出为一个重建的图。

具体的，将输入数据通过两个多层图卷积网络(GCN)分别得到图嵌入的多维高斯分布的均值和方差：

μ＝GCN

其中，X为客户语义节点、客户应对话术节点和/或成单结果节点；A为节点间的邻接矩阵。

在获得均值μ和方差μ后，再从标准高斯正态分布中采样获得∈，则编码器输出得到的图嵌入Z＝μ+∈σ；在重建时，解码器为图嵌入的内积，即

具体的，在训练师时，变分图自编码器VGAE希望重构出的图与原图尽量相近，同时希望多层图卷积网络GCN计算出的分布q(Z|X,A)与标准高斯分布p(Z)尽可能的相似，因此损失函数

最后，得到训练后的图神经网络模型，经由图神经网络处理得出的输出数据就是由上述各节点之间的连接关系所构成的图，其中可能包括多种从当前会话状态通往可成单结果的路径，经过使用海量训练样本对于图神经网络模型的训练和超参数的微调，可使该模型输出从当前会话状态通往可成单结果的一条最佳路径。

最后根据模型预测生成后续会话的最佳路径，机器人按照所预测出的最佳路径选择话术与客户交流，从而尽可能提升成单可能性。

本申请实施例中的基于图神经网络的智能会话方法，根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

本申请的最佳会话路径预测技术后，通过大量通话数据的训练，使得机器人在同客户通话的同时对客户话术进行分析，结合智能机器人自身的不同话术路径预测出以成单为终点的最佳路径。

同时，极大地提升了智能机器人的会话质量，提升客户满意度，并使机器人在会话交流的同时能够筛选客户购买意向，促成高意向客户成单，并提升无意向和低意向客户的意愿，实现最终成单可能性的最大化。

实施例2

本实施例提供了一种基于图神经网络的智能会话系统，对于本实施例的基于图神经网络的智能会话系统中未披露的细节，请参照其它实施例中的基于图神经网络的智能会话方法的具体实施内容。

图4中示出了根据本申请实施例的基于图神经网络的智能会话系统的结构示意图。

如图4所示，本申请实施例的基于图神经网络的智能会话系统，具体包括客户文本处理模块10、预训练语言模型模块20、图神经网络训练模块30以及会话模块40。

具体的，

客户文本处理模块10：用于根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果。

首先，获取大量客户会话数据，通过语音识别，将客户会话的语音转换为客户会话文本数据。

本实施例中的语音转文字技术采用的是ASR技术。

其中，ASR(Automatic SpeechRecognition，自动语音识别技术)是一种将人的语音转换为文本的技术。

具体的，首选需要对原始语音进行预加重、分帧和加窗处理，获取标准语音。

获取标准语音，为后续对标准语音进行端点检测处理提供有效的数据来源。

然后，根据客户会话文本数据，经由NLP模型得出客户语音信息，包括客户意图与客户情感倾向等信息。

同时，根据历史会话数据获得客户应对话术以及对应的客户成单结果信息。

根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果，具体包括以下步骤：

首先，根据客户会话文本数据，通过文字分析，将客户会话文本数据划分为客户方会话数据以及应答方会话数据。

然后，将应答方会话数据作为客户应对话术；根据客户方会话数据，获取客户语义信息。同时，根据客户方会话数据和/或应答方会话数据，搜索客户成单关键词，将客户成单关键词对应的成单结果作为客户成单结果。

本实施例中，客户语义信息具体包括客户意图信息和/或客户情感信息；其中，客户意图信息又包括意图成单类型、意图成单数量以及意图成单时间。

其中，客户意图信息可以事先建立客户意图语库，客户情感信息通过客户情感的语库，或者同时检测客户情绪亢奋度来获得。

具体的，获取客户意图信息具体包括：

1)预先建立客户意图语库，客户意图语库包括多个关键词，每一个关键词对应一个意图信息。

2)根据客户方会话数据，逐一搜索客户意图库的关键词是否存在，当关键词存在时，将关键词对应的意图信息作为客户意图信息。

具体的，获取客户情感信息，一方面具体包括：

首先，利用预设的语音亢奋度识别模型对客户方会话数据进行识别,得到客户情绪亢奋度。然后，根据客户情绪亢奋度与客户情感对应关系，得到客户情感信息。

具体的，客户情绪亢奋度需要通过语音亢奋度识别模型进行语音亢奋度识别。

进一步的，通过语音亢奋度识别模型进行语音亢奋度识别时，语音亢奋度识别模型的具体训练过程为：

首先，将客户原始的语音信息，转换为与语谱图，进行语谱图特征提取，相比于其他特征提取算法，语谱图包含了更多的语音原始信息包括时间、频率、振幅等信息。

然后，训练与测试模型，使用匹配的输入数据及对应的亢奋度类别标签，训练深度神经网络模型；训练好的的模型对未标记的多模态输入数据进行预测，最后根据训练后的模型可得到亢奋度预测的概率值。

具体的，获取客户情感信息，另一方面可通过客户情感的语库获取。例如，客户情绪包括抱怨、愤怒、厌恶或者着急等等，而每一种语音情绪会通过各种各样的词汇进行对应表达。

因此，首先建立关键字与语音情绪对应库；然后根据文字识别数据，识别情绪库中的关键字；最后，得到关键字对应的语音情绪。

预训练语言模型模块20：用于根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵。

具体的，包括以下流程：

a)根据客户语义信息、客户应对话术以及客户成单结果，通过神经网络模型得到客户语义特征向量、客户应对话术特征向量以及客户成单特征向量。

b)将客户语义特征向量、客户应对话术特征向量以及客户成单特征向量分别作为客户语义节点、客户应对话术节点以及客户成单节点。

c)将客户语义节点、客户应对话术节点以及客户成单节点根据会话对应关系进行连接，得到节点间的邻接矩阵。

具体应用的，例如对话历史{U1，U2，U3，...UM}由M句话组成。对于其中每一句话Ui，首先利用预训练Glove方法把Ui内的每个单词转化为对应词向量，得到一个向量序列，按顺序输入到下层循环神经网络，取网络的最终状态输出，作为当前语句的特征向量hi，进而得到每个语句的特征编码{h1，h2，h3，...hM}。再将其输入上层循环神经网络进一步编码，得到对话层级的特征向量hD，最后作为整个对话的语义节点X。

然后，再根据真实数据构建节点间的邻接矩阵A。

其中机器人话术节点即客户应对话术节点，在本申请一些实施方式中，根据客户会话文本数据，获得客户语义信息以及客户应对话术，还包括获取客户成单结果，客户成单结果与客户应对话术一一对应。

图神经网络训练模块30：用于将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型。

会话模块40：用于将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

根据客户应答对话历史信息，可以构建包含客户语义节点、客户应对话术节点的异构图，进而预测最佳会话应对路径。

图3中示出了根据本申请实施例中图神经网络的原理示意图。

图神经网络模型GNN包括编码器和解码器，编码器的输入数据为向量形式的客户语义节点、客户应对话术节点以及节点间的邻接矩阵，编码器的输出数据为图嵌入；解码器的输入数据为图嵌入，解码器的输出数据为重建图，重建图为应对会话路径，即会话路径图。

如图3所示，用于路径连接预测的图神经网络模型选用变分图自编码器(VGAE)，网络分为编码器和解码器两部分，编码器以图节点X和邻接矩阵A构成的曲线图作为输入数据，输出为图嵌入Z，解码器以图嵌入Z作为输入，输出为一个重建的图。

具体的，将输入数据通过两个多层图卷积网络(GCN)分别得到图嵌入的多维高斯分布的均值和方差：

μ＝GCN

其中，X为客户语义节点、客户应对话术节点和/或成单结果节点；A为节点间的邻接矩阵。

在获得均值μ和方差μ后，再从标准高斯正态分布中采样获得∈，则编码器输出得到的图嵌入Z＝μ+∈σ；在重建时，解码器为图嵌入的内积，即

具体的，在训练师时，变分图自编码器VGAE希望重构出的图与原图尽量相近，同时希望多层图卷积网络GCN计算出的分布q(Z|X,A)与标准高斯分布p(Z)尽可能的相似，因此损失函数

最后，得到训练后的图神经网络模型，经由图神经网络处理得出的输出数据就是由上述各节点之间的连接关系所构成的图，其中可能包括多种从当前会话状态通往可成单结果的路径，经过使用海量训练样本对于图神经网络模型的训练和超参数的微调，可使该模型输出从当前会话状态通往可成单结果的一条最佳路径。

最后根据模型预测生成后续会话的最佳路径，机器人按照所预测出的最佳路径选择话术与客户交流，从而尽可能提升成单可能性。

本申请实施例中的基于图神经网络的智能会话系统，客户文本处理模块10根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；预训练语言模型模块20根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；图神经网络训练模块30将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；会话模块40将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

本申请的最佳会话路径预测技术后，通过大量通话数据的训练，使得机器人在同客户通话的同时对客户话术进行分析，结合智能机器人自身的不同话术路径预测出以成单为终点的最佳路径。

同时，极大地提升了智能机器人的会话质量，提升客户满意度，并使机器人在会话交流的同时能够筛选客户购买意向，促成高意向客户成单，并提升无意向和低意向客户的意愿，实现最终成单可能性的最大化。

实施例3

本实施例提供了一种基于图神经网络的智能会话设备，对于本实施例的基于图神经网络的智能会话设备中未披露的细节，请参照其它实施例中的基于图神经网络的智能会话方法或系统具体的实施内容。

图5中示出了根据本申请实施例的基于图神经网络的智能会话设备400的结构示意图。

如图5所示，智能会话设备400，包括：

存储器402：用于存储可执行指令；以及

处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。

本领域技术人员可以理解，示意图5仅仅是智能会话设备400的示例，并不构成对智能会话设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如智能会话设备400还可以包括输入输出设备、网络接入设备、总线等。

所称处理器401(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等，处理器401是智能会话设备400的控制中心，利用各种接口和线路连接整个智能会话设备400的各个部分。

存储器402可用于存储计算机可读指令，处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块，以及调用存储在存储器402内的数据，实现智能会话设备400的各种功能。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据智能会话设备400使用所创建的数据等。此外，存储器402可以包括硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)或其他非易失性/易失性存储器件。

智能会话设备400集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现其他实施例中的基于图神经网络的智能会话方法。

本申请实施例中的基于图神经网络的智能会话设备及计算机存储介质，根据客户会话文本数据，获取客户语义信息、客户应对话术以及客户成单结果；根据客户语义信息、客户应对话术以及客户成单结果，通过预训练语言模型，转换得到向量形式的客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵；将客户语义节点、客户应对话术节点、客户成单节点以及节点间的邻接矩阵输入至图神经网络模型进行训练，得到训练后的图神经网络模型；将当前会话数据输入训练后的图神经网络模型，得到应对会话路径。

本申请的最佳会话路径预测技术后，通过大量通话数据的训练，使得机器人在同客户通话的同时对客户话术进行分析，结合智能机器人自身的不同话术路径预测出以成单为终点的最佳路径。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。