客服知识库的构建方法和装置

技术领域

本说明书涉及互联网技术领域，尤其涉及一种客服知识库的构建方法和装置。

背景技术

随着互联网技术的快速发展，智能客服已广泛应用于各领域，为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段。为实现智能客服，通常需要预先构建客服知识库，客服知识库中存储有问题和回答之间的映射关系，针对用户提出的问题，可在客服知识库中查找对应的回答并返回给用户。如何智能化的构建精准的客服知识库已成为目前亟待解决的技术问题。

发明内容

有鉴于此，本说明书提供一种客服知识库的构建方法和装置。

具体地，本说明书是通过如下技术方案实现的：

一种客服知识库的构建方法，包括：

获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

根据所述文本信息判断所述详情图是否用于描述目标属性；

在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

可选的，所根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

判断所述文本信息是否与所述目标属性匹配；

判断所述文本信息是否与所述目标属性的属性值匹配；

在所述文本信息与所述目标属性匹配，且与所述属性值匹配的情况下，确定所述详情图用于描述目标属性。

可选的，所述判断所述文本信息是否与所述目标属性的属性值匹配，包括：

获取所述目标属性的不同属性值；

判断所述文本信息是否与所述不同属性值中的任一属性值匹配；

在所述文本信息与任一属性值匹配的情况下，确定所述文本信息匹配所述目标属性的属性值。

可选的，所根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

在所述文本信息与所述目标属性不匹配，或与所述属性值不匹配的情况下，将所述目标属性作为先验知识，采用机器阅读理解MRC模型判断所述详情图是否用于描述目标属性。

可选的，所述基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题，包括：

基于预先生成的属性与模板问题之间的映射关系，查找所述目标属性对应的模板问题；

采用问答匹配模型判断查找到的所述模板问题是否匹配所述详情图；

在查找到的所述模板问题匹配所述详情图的情况下，将匹配的模板问题确定为所述详情图对应的客服问题。

可选的，所述模板问题的生成方式，包括：

将所述目标属性和所述目标属性的属性值输入问题生成模型，通过所述问题生成模型输出所述目标属性对应的客服问题，作为所述目标属性对应的模板问题。

一种智能客服的实现方法，包括：

响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

从所述用户问题中提取出待咨询属性；

在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；

其中，所述客服知识库基于前述方法构建。

一种客服知识库的构建装置，包括：

文本识别单元，获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

属性判断单元，根据所述文本信息判断所述详情图是否用于描述目标属性；

问题生成单元，在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

知识库构建单元，根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

一种智能客服的实现装置，包括：

对象确定单元，响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

属性提取单元，从所述用户问题中提取出待咨询属性；

候选查找单元，在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

客服实现单元，计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；

其中，所述客服知识库基于前述方法构建。

一种客服知识库的构建装置，包括：

处理器；

用于存储机器可执行指令的存储器；

其中，通过读取并执行所述存储器存储的与客服知识库的构建逻辑对应的机器可执行指令，所述处理器被促使：

获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

根据所述文本信息判断所述详情图是否用于描述目标属性；

在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

一种智能客服的实现装置，包括：

处理器；

用于存储机器可执行指令的存储器；

其中，通过读取并执行所述存储器存储的与智能客服的实现逻辑对应的机器可执行指令，所述处理器被促使：

响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

从所述用户问题中提取出待咨询属性；

在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；

其中，所述客服知识库基于前述方法构建。

一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于使处理器执行前述客服知识库的构建方法。

采用上述实施方式，在构建客服知识库的过程中，无需人工整理、上传构建客服知识库所需的信息，大大节省了人力成本，提高了客服知识库的构建效率。并且，本方案采用咨询对象的详情图作为客服问题的回答，详情图内容准确度高，不存在信息偏差风险，从根源上避免了不准确的问题，可有效保障客服知识库的准确度。

附图说明

图1是本说明书一示例性实施例示出的一种客服知识库的构建方法的流程示意图。

图2是本说明书一示例性实施例示出的一种判断详情图是否用于描述目标属性的方法的流程示意图。

图3是本说明书一示例性实施例示出的另一种判断详情图是否用于描述目标属性的方法的流程示意图。

图4是本说明书一示例性实施例示出的一种客服问题生成方法的流程示意图。

图5是本说明书一示例性实施例示出的一种智能客服的实现方法的流程示意图。

图6是本说明书一示例性实施例示出的一种客服知识库的构建装置所在电子设备的一种硬件结构图。

图7是本说明书一示例性实施例示出的一种客服知识库的构建装置的框图。

图8是本说明书一示例性实施例示出的一种智能客服的实现装置所在电子设备的一种硬件结构图。

图9是本说明书一示例性实施例示出的一种智能客服的实现装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”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，尽管在本说明书可能采用术语第一、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，在不脱离本说明书范围的情况下，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”。

为实现智能客服，通常需要预先构建客服知识库，客服知识库中存储有问题和回答之间的映射关系，针对用户提出的问题，可在客服知识库中查找对应的回答并返回给用户。例如，可计算用户问题和知识库中问题的相似度，然后根据相似度找到用户问题对应的回答；再例如，也可由人工客服在知识库中检索用户问题的回答等。

不论采用何种方式，客服知识库的构建都极为重要。相关技术中，可由智能客服的使用方上传相关信息，然后对相关信息进行汇总以构建客服知识库。例如，使用方收集并整理用户反馈的问题，然后将问题和回答存储至客服知识库。然而，这种人工整理的方式人力成本高，效率低下，准确度也无法保障。

本说明书提供一种客服知识库的构建方案，可基于咨询对象的详情图自动生成问答对存储至客服知识库，智能化程度高，准确度也可得到保障。

图1是本说明书一示例性实施例示出的一种客服知识库的构建方法的流程示意图。

请参考图1，所述客服知识库的构建方法可应用于服务器或服务器集群，包括以下步骤：

步骤102，获取咨询对象的详情图，并识别出所述详情图携带的文本信息。

在本说明书中，所述咨询对象可以是电商平台售卖的商品或服务，也可以是政务平台公布的法律法规，本说明书对咨询对象的具体类别不作特殊限制。

在本说明书中，电商平台在展示售卖的商品或服务时，通常会对商品或服务进行详细描述，描述方式可以为文本，也可以为图片。例如，针对某件商品，可以文本的方式展示其配置参数，还可以图片的方式展示其使用方法、内部结构等，当然，针对配置参数也可以图片的形式展示。类似的，政务平台在解释法律法规时，也可以图片或文本的方式展示法律法规的原文。

在本说明书中，可将上述图片称为咨询对象的详情图，将所述详情图作为客服问题的回答以进行客服知识库的构建。在进行客服知识库的构建时，可先获取咨询对象所有的详情图，然后识别出各详情图携带的文本信息。

其中，可采用OCR(Optical Character Recognition，光学字符识别)技术识别出详情图中携带的字符，然后再采用空间聚类算法组合识别出的字符，得到语义连贯的文本信息(例如句子)。

所述空间聚类算法可采用k-means算法、DBSCAN(Density-Based SpatialClustering of Applications with Noise，具有噪声的基于密度的聚类)算法、OPTICS(Ordering points to identify the clustering structure)算法等，本说明书对此不作特殊限制。

在本说明书中，在采用咨询对象的详情图构建客服知识库时，可先对详情图进行筛选。

在一个例子中，由于长图对于用户而言阅读体验较差，可将详情图中的长图过滤掉。例如，过滤掉长度大于长度阈值的详情图，长图的过滤可在字符识别前执行。

在另一个例子中，在识别出详情图携带字符后，可过滤掉不携带字符的详情图，或者过滤掉字符数量小于数量阈值的详情图，以过滤未携带实质介绍的详情图，例如，某详情图是代言人使用商品的图片，未携带任何商品介绍，可将其过滤掉。

当然，在其他例子中，还可基于其他维度对详情图进行过滤，本说明书对此不作特殊限制。

步骤104，根据所述文本信息判断所述详情图是否用于描述目标属性。

在本说明书中，可预先设置咨询对象所涉及的各种属性，以及每种属性可能的属性值。例如，可按照咨询对象的类型对咨询对象进行分类，针对每个类别的咨询对象，进行属性和属性值的设置。

举例来说，假设咨询对象是电商平台售卖的商品，可分为服饰类别、数码类别、母婴类别等等。以服饰类别为例，用户可能会关注材质、款式、颜色、尺码、弹力等维度的属性，例如，材质属性可包括纯棉、羊毛、真丝、涤纶、尼龙等多种属性值；裙子的款式属性可包括：连衣裙、半身裙、超短裙等多种属性值。

在本说明书中，可根据详情图的文本信息判断详情图是否用于描述某一个或某些个预先设置的属性(后续称为目标属性)。例如，详情图1用于描述材质，详情图2用于描述款式和材质等。

在一个例子中，可通过判断详情图的文本信息中是否包括目标属性以及目标属性的任一属性值来判断详情图是否用于描述目标属性。

在另一个例子中，也可采用MRC(Machine Reading Comprehension，机器阅读理解)模型来判断详情图是否用于描述目标属性。

在详情图用于描述某一个或多个目标属性的情况下，可执行步骤106。

步骤106，在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题。

基于前述步骤104的判断结果，在所述详情图用于描述所述目标属性的情况下，可为该详情图生成对应的客服问题。

例如，可采用问题生成模型生成所述详情图对应的客服问题。

再例如，也可预先设置属性和模板问题之间的映射关系，然后判断详情图是否与其描述的属性对应的某一模板问题匹配，若匹配，可之间将匹配的模板问题确定为所述详情图对应的客服问题。

步骤108，根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

在本说明书中，可在客服知识库中保存咨询对象标识、详情图、客服问题之间的映射关系，为提升后续查询速率，也可保存咨询对象标识、详情图、目标属性、客服问题之间的映射关系，本说明书对此不作特殊限制。

由以上描述可以看出，本说明书可根据详情图携带的文本信息确定详情图是否用于描述目标属性，并在所述详情图用于描述目标属性的情况下，为详情图生成对应的客服问题，并可根据该客服问题和所述详情图生成咨询对应的问答对存储至客服知识库中，以实现客服知识库的构建。

采用上述实现方式，在构建客服知识库的过程中，无需人工整理、上传构建客服知识库所需的信息，大大节省了人力成本，提高了客服知识库的构建效率。并且，本方案采用咨询对象的详情图作为客服问题的回答，详情图内容准确度高，不存在信息偏差风险，从根源上避免了不准确的问题，可有效保障客服知识库的准确度。

下面分别从详情图是否用于描述目标属性的判断、客服问题的生成两个方面来详细介绍本说明书的具体实现过程。

一、详情图是否用于描述目标属性的判断

在本说明书中，可将预先设置的每个属性依次作为目标属性，分别判断详情图是否用于描述所述目标属性。例如，可先获取咨询对象所属类别下预设的所有属性，然后依次进行判断。

图2是本说明书一示例性实施例示出的一种判断详情图是否用于描述目标属性的方法的流程示意图。

请参考图2，以某一目标属性为例，判断咨询对象的详情图是否用于描述所述目标属性的方法，可包括以下步骤：

步骤202，判断详情图携带的文本信息是否与目标属性匹配。

在一个例子中，在判断文本信息是否与目标属性匹配时，可判断文本信息中是否存在目标属性。

以目标属性是材质为例，可判断文本信息中是否存在“材质”这一词语。例如，可先对文本信息进行分词，然后再进行判断。

在另一个例子中，在判断文本信息是否与目标属性匹配时，还可判断文本信息中是否存在目标属性的近义词。

仍以目标属性是材质为例，材质的近义词可包括：材料、用料、原料等，可判断文本信息中是否存在“材料、用料、原料”这些词语。在判断时，也可先对文本信息进行分词，然后进行判断。

例如，可直接判断所述文本信息中是否存在上述近义词。

再例如，也可采用文本相似度进行判断，判断文本信息的各分词结果与“材质”的语义相似度是否大于阈值等。

步骤204，判断所述文本信息是否与所述目标属性的属性值匹配。

在本步骤中，可获取目标属性对应的若干不同属性值，然后依次判断所述文本信息是否与所述属性值匹配。

仍以目标属性是材质为例，其属性值可包括：纯棉、羊毛、真丝、涤纶、尼龙等，在本步骤中，可依次判断所述文本信息是否与这些属性值匹配。

在所述文本信息与所述目标属性的任何一个属性值匹配的情况下，可确定所述文本信息匹配所述目标属性的属性值。在进行匹配时，若已确定所述文本信息匹配了所述目标属性的某一个属性值，后续可不继续进行其他属性值的匹配，可直接确定所述文本信息匹配所述目标属性的属性值。

在所述文本信息与所述目标属性的任何属性值均不匹配的情况下，可确定所述文本信息不匹配所述目标属性的属性值。

其中，属性值匹配过程的判断方法可参考前述属性匹配的过程，本说明书在此不再一一赘述。

步骤206，在所述文本信息与所述目标属性匹配，且与所述属性值匹配的情况下，确定所述详情图用于描述目标属性。

基于前述步骤202和步骤204的匹配结果，在所述文本信息与所述目标属性匹配，且与所述属性值也匹配的情况下，确定所述详情图用于描述目标属性，可为所述详情图添加对应的属性标记。

若所述文本信息与所述目标属性不匹配，或所述文本信息与所述目标属性的属性值不匹配，均可确定所述详情图不用于描述目标属性。

在本实施例中，可先执行步骤202，若确定文本信息与目标属性不匹配，可不执行后续步骤204中目标属性的属性值的匹配；也可并行执行步骤202和步骤204；还可先执行步骤204，在步骤204确定文本信息与目标属性的属性值匹配的情况下，再执行步骤202，本实施例对此不作特殊限制。

本实施例采用文本信息是否与目标属性及其属性值匹配的方法来确定详情图是否用于描述目标属性，实现简单，且速率较快。

在本说明书中，除图2所示的判断方法外，还可采用机器学习模型来判断详情图是否用于描述目标属性。

例如，可采用MRC模型来判断详情图是否用于描述目标属性。

在采用MRC模型来判断详情图是否用于描述目标属性时，可将详情图携带的文本信息和所述目标属性作为输入数据输入MRC模型。所述目标属性可作为MRC模型的先验知识，以供MRC模型进行判断。

图3是本说明书一示例性实施例示出的一种MRC模型的结构示意图。

请参考图3，该MRC模型可包括嵌入层301、编码层302、编码层303、注意力层304以及全连接层305。

其中，嵌入层301用于将输入的详情图的文本信息以及目标属性进行嵌入处理，将其分别转换为对应的向量。

例如，针对所述文本信息，可对每个字符进行嵌入处理，得到对应的向量。针对所述目标属性，可以所述目标属性为整体进行嵌入处理，得到所述目标属性对应的向量。

编码层302用于对嵌入层301输出的文本信息的向量进行编码。

编码层303用于对嵌入层301输出的目标属性的向量进行编码。

其中，编码层302和编码层303的参数不同。

注意力层304用于采用注意力机制，利用目标属性的向量编码和所述文本信息中每个字符的向量编码进行计算，得到注意力分值，然后采用加权平均的方式计算得到每个字符的新向量。

新向量的计算的公式如下：

score×token_emb_lstm+(1-score)×token-emb-out；

其中，score代表注意力分值，token_emb_lstm代表对文本信息向量进行编码之后得到的向量编码，token-emb-out代表初始化的一个向量。

全连接层305用于对注意力层输出的字符新向量进行全连接，并采用Softmax函数输出详情图是否用于描述目标属性的概率值。例如，输出所述文本信息中各字符代表目标属性的属性值的概率值。当概率值大于等于阈值时，可确定对应的字符代表目标属性的属性值，即详情图用于描述目标属性。若所有字符的概率值均小于阈值，可确定所有字符均无法代表目标属性的属性值，即详情图不用于描述目标属性。

其中，采用MRC模型进行判断时使用的目标属性可以是预设的全部属性，即采用MRC模型分别对各个预设的属性进行判断；也可以是全部属性中的部分属性，例如选取部分热门属性，然后采用MRC模型进行判断。选取部分热门属性进行判断，可有效提升判断效率，并且对准确性影响较小。

在本说明书中，可结合图2和图3所示的方法来联合判断详情图是否用于描述目标属性，例如，可先采用图2所示的方法进行判断，若详情图携带的文本信息与所述目标属性不匹配，或文本信息与所述目标属性的属性值不匹配，可再采用图3所示的MRC模型来进行判断。其中，图2所示的判断方式方便快捷，图3所示的方式结合语义信息，准确度更高，本说明书采用二者结合的方式来判断详情图是否用于描述目标属性，可在速率和准确度之间取得平衡。

二、客服问题的生成

在本说明书中，在确定咨询对象的详情图用于描述目标属性的情况下，可基于所述详情图包括的目标属性的属性值和文本信息为所述详情图生成对应的客服问题。

在一个例子中，可采用问题生成模型来为所述详情图生成对应的客服问题。例如，可将属性值和详情图携带的文本信息输入问题生成模型，得到所述详情图对应的客服问题。

其中，属性值可在前述图2所示实施例中的步骤204中确定，也可基于前述图3所示的MRC模型的输出结果确定。

所述问题生成模型可采用Transformer模型、经典seq2seq模型(Sequence-to-sequence，序列到序列)等。

在另一个例子中，由于问题生成模型生成客服问题的速率较慢，在大量商详图集中上线时，采用问题生成模型生成客服问题的时效性可能会较差。本例可预先生成一些模板问题，在为商详图生成客服问题时，可将商详图和各个模板问题进行匹配，然后可将匹配的模板问题作为客服问题，进而提升客服问题生成的速率。

在本例中，可将预先设置的属性和该属性的属性值输入问题生成模型，得到问题生成模型输出的与该属性对应的客服问题，这些客服问题通常包括了与该属性有关的各种问题，可涉及到属性的各种属性值，将这些客服问题作为模板问题，存储该属性和这些模板问题之间的映射关系。

仍以属性是材质为例，可将材质与材质的各种属性值纯棉、羊毛、真丝、涤纶、尼龙等分别输入问题生成模型，例如，每次输入材质和其中一个属性值，得到问题生成模型输出的若干客服问题，例如，“是纯棉的吗？”、“是羊毛的吗？”、“面料什么材质”等。然后可将这些客服问题作为属性材质对应的模板问题，与属性材质关联存储。可生成表1所示的属性与模板问题之间的映射关系。

表1

当然，表1仅为示例性说明，在实际实现时，也可不组织这样的表格。

基于预先生成的属性与模板问题之间的映射关系，可采用图4所示的客服问题生成方法来为详情图生成对应的客服问题。

请参考图4，所述客服问题的生成可包括以下步骤：

步骤402，基于预先生成的属性与模板问题之间的映射关系，查找所述目标属性对应的模板问题。

在本实施例中，若已确认咨询对象的详情图用于描述目标属性，可基于预先生成的属性与模板问题之间的映射关系，查找目标属性对应的模板问题。

以表1所示的属性与模板问题之间的映射关系为例，假设，目标属性为材质，基于表1，可查找到材质对应的模板问题为模板问题1-模板问题10。

步骤404，采用问答匹配模型判断查找到的所述模板问题是否匹配所述详情图。

步骤406，在查找到的所述模板问题匹配所述详情图的情况下，将匹配的模板问题确定为所述详情图对应的客服问题。

基于前述步骤402的查找结果，可依次判断各个模板问题是否与详情图匹配。

例如，可分别将详情图携带的文本信息和各个模板问题输入问答匹配模型，由问答匹配模型输出详情图与模板问题之间的匹配度，在匹配度大于预设的匹配度阈值的情况下，可确定详情图与模板问题匹配，将匹配的模板问题确定为详情图的客服问题。在匹配的小于等于预设的匹配度阈值的情况下，可确定模板问题与详情图不匹配，可采用问题生成模型为详情图生成对应的客服问题。

其中，所述问答匹配模型可采用BERT(Bidirectional Encoder Representationsfrom Transformer，双向的Transformers的Encoder)模型、DSSM模型(Deep StructuredSemantic Models，深度语义匹配模型)等。

值得注意的是，若存在多个模板问题与详情图匹配，则可将这些匹配的模板问题均确定为所述详情图对应的客服问题。

例如，详情图携带的文本信息包括“100％纯棉面料…”，而材质对应的模板问题中模板问题1为“是纯棉面料吗？”，模板问题2为“什么材质的面料”，这两个模板问题均与详情图匹配，可将模板问题1和模板问题2确定为该详情图对应的客服问题。

本例中，为各属性预先生成对应的模板问题，在为详情图生成客服问题时，将详情图与各个模板问题进行匹配，然后将匹配的模板问题确定为详情图对应的客服问题，由于问题与详情图的匹配速率远快于问题生成模型生成问题的速率，在面对大量详情图上线的情况时，采用模板问题匹配的方式进行客服问题的生成，可大大提高客服问题生成的效率与时效性。

本说明书还提供一种智能客服的实现方法，可基于本说明书前述实施例记载的客服知识库的构建方法来实现。请参考图5，所述智能客服的实现方法可包括以下步骤：

步骤502，响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象。

在本实施例中，用户在电商平台浏览商品或服务时，可通过客服入口发送想要咨询的问题，即通过客服入口发送用户问题。用户在政务平台阅读法律法规的解释时，也可通过客服入口发送想要咨询的问题。

响应于所述用户问题，可获取所述用户问题针对的咨询对象。以电商平台为例，可基于用户的浏览行为确定用户想要咨询的商品。

例如，用户在发送用户问题之前最后浏览的商品是商品ID为00075的裙子，可将该裙子确定为所述用户问题的咨询对象。

再例如，用户通过商品ID为00075的裙子的售卖页面中的客服入口触发了客服服务，则也可将该裙子确定为所述用户问题的咨询对象。

在确定咨询对象后，可获取咨询对象的标识，例如咨询对象的ID等。

步骤504，从所述用户问题中提取出待咨询属性。

在本实施例中，所述待咨询属性是用户想要咨询的属性，在进行待咨询属性的提取时，可将用户问题与预设的属性进行匹配，进而确定用户问题的待咨询属性。当然，也可采用其他方式进行待咨询属性的提取，本说明书对此不作特殊限制。

步骤506，在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题。

在本实施例中，客服知识库中可存储咨询对象标识、详情图、目标属性、客服问题之间的映射关系。

其中，咨询对象标识可以为商品或服务的ID，法律法规的ID等。

详情图可以其访问链接的方式存储。

目标属性是详情图描述的属性，可以为属性ID等。

客服问题可以是客服问题的原始文本，也可以是原始文本的向量表达。

表2

请参考表2所示的客服知识库中映射关系示意图，假设前述步骤502中确定的咨询对象是商品00075，步骤504中提取出的待咨询属性是材质，基于表2所示的客服知识库，可提取出两个客服问题作为候选问题，分别为“什么材质”，“是纯棉的吗”。

步骤508，计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户。

基于前述步骤506的提取结果，可计算用户问题与每个候选问题之间的相似度。例如，可将用户问题进行嵌入处理，转换为向量表达，然后计算用户问题的向量表达与客服问题的向量表达之间的相似度。例如，可计算二者的欧式距离、余弦距离等来确定二者的相似度。

在本实施例中，可在相似度满足相似条件时，确定用户问题与客服问题匹配，进而将匹配的客服问题对应的详情图返回给用户查看，例如，基于客服知识库中存储的客服问题对应的链接获取详情图返回。

其中，所述相似条件可预先设置，例如相似度大于阈值等。

由以上描述可以看出，本实施例响应于用户问题，可在客服知识库中查找咨询对象和待咨询属性对应的候选问题，在用户问题与候选问题之间的相似度满足相似条件的情况下，从客服知识库中查找该候选问题对应的详情图返回给用户。采用上述方案，将咨询对象的详情图作为答案返回给用户，准确度更高，用户体验更好。

与前述客服知识库的构建方法的实施例相对应，本说明书还提供了客服知识库的构建装置的实施例。

本说明书客服知识库的构建装置的实施例可以应用在电子设备中。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本说明书客服知识库的构建装置所在电子设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

图7是本说明书一示例性实施例示出的一种客服知识库的构建装置的框图。

请参考图7，所述客服知识库的构建装置700可以应用在图6所示的电子设备中，包括有：

文本识别单元701，获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

属性判断单元702，根据所述文本信息判断所述详情图是否用于描述目标属性；

问题生成单元703，在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

知识库构建单元704，根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

可选的，所述属性判断单元702：

判断所述文本信息是否与所述目标属性匹配；

判断所述文本信息是否与所述目标属性的属性值匹配；

在所述文本信息与所述目标属性匹配，且与所述属性值匹配的情况下，确定所述详情图用于描述目标属性。

可选的，所述属性判断单元702：

获取所述目标属性的不同属性值；

判断所述文本信息是否与所述不同属性值中的任一属性值匹配；

在所述文本信息与任一属性值匹配的情况下，确定所述文本信息匹配所述目标属性的属性值。

可选的，所述属性判断单元702：

在所述文本信息与所述目标属性不匹配，或与所述属性值不匹配的情况下，将所述目标属性作为先验知识，采用机器阅读理解MRC模型判断所述详情图是否用于描述目标属性。

可选的，所述问题生成单元703：

基于预先生成的属性与模板问题之间的映射关系，查找所述目标属性对应的模板问题；

采用问答匹配模型判断查找到的所述模板问题是否匹配所述详情图；

在查找到的所述模板问题匹配所述详情图的情况下，将匹配的模板问题确定为所述详情图对应的客服问题。

可选的，所述模板问题的生成方式，包括：

将所述目标属性和所述目标属性的属性值输入问题生成模型，通过所述问题生成模型输出所述目标属性对应的客服问题，作为所述目标属性对应的模板问题。

与前述智能客服的实现方法的实施例相对应，本说明书还提供了智能客服的实现装置的实施例。

本说明书智能客服的实现装置的实施例可以应用在电子设备中。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本说明书智能客服的实现装置所在电子设备的一种硬件结构图，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。

图9是本说明书一示例性实施例示出的一种智能客服的实现装置的框图。

请参考图9，所述智能客服的实现装置900可以应用在图8所示的电子设备中，包括有：

对象确定单元901，响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

属性提取单元902，从所述用户问题中提取出待咨询属性；

候选查找单元903，在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

客服实现单元904，计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；其中，所述客服知识库基于本说明书前述方法构建。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

与前述客服知识库的构建方法的实施例相对应，本说明书还提供一种客服知识库的构建装置，该装置包括：处理器以及用于存储机器可执行指令的存储器。其中，处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。

在本实施例中，通过读取并执行所述存储器存储的与客服知识库的构建逻辑对应的机器可执行指令，所述处理器被促使：

获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

根据所述文本信息判断所述详情图是否用于描述目标属性；

在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

可选的，所述根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

判断所述文本信息是否与所述目标属性匹配；

判断所述文本信息是否与所述目标属性的属性值匹配；

在所述文本信息与所述目标属性匹配，且与所述属性值匹配的情况下，确定所述详情图用于描述目标属性。

可选的，所述判断所述文本信息是否与所述目标属性的属性值匹配，包括：

获取所述目标属性的不同属性值；

判断所述文本信息是否与所述不同属性值中的任一属性值匹配；

在所述文本信息与任一属性值匹配的情况下，确定所述文本信息匹配所述目标属性的属性值。

可选的，所述根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

在所述文本信息与所述目标属性不匹配，或与所述属性值不匹配的情况下，将所述目标属性作为先验知识，采用机器阅读理解MRC模型判断所述详情图是否用于描述目标属性。

可选的，所述基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题，包括：

基于预先生成的属性与模板问题之间的映射关系，查找所述目标属性对应的模板问题；

采用问答匹配模型判断查找到的所述模板问题是否匹配所述详情图；

在查找到的所述模板问题匹配所述详情图的情况下，将匹配的模板问题确定为所述详情图对应的客服问题。

可选的，所述模板问题的生成方式，包括：

将所述目标属性和所述目标属性的属性值输入问题生成模型，通过所述问题生成模型输出所述目标属性对应的客服问题，作为所述目标属性对应的模板问题。

与前述智能客服的实现方法的实施例相对应，本说明书还提供一种智能客服的实现装置，该装置包括：处理器以及用于存储机器可执行指令的存储器。其中，处理器和存储器通常借由内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。

在本实施例中，通过读取并执行所述存储器存储的与智能客服的实现逻辑对应的机器可执行指令，所述处理器被促使：

响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

从所述用户问题中提取出待咨询属性；

在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；

其中，所述客服知识库基于本说明书前述方法构建。

与前述客服知识库的构建方法的实施例相对应，本说明书还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：

获取咨询对象的详情图，并识别出所述详情图携带的文本信息；

根据所述文本信息判断所述详情图是否用于描述目标属性；

在所述详情图用于描述所述目标属性的情况下，基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题；

根据所述客服问题和所述详情图生成所述咨询对象的问答对，并将所述问答对存储至客服知识库中。

可选的，所述根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

判断所述文本信息是否与所述目标属性匹配；

判断所述文本信息是否与所述目标属性的属性值匹配；

在所述文本信息与所述目标属性匹配，且与所述属性值匹配的情况下，确定所述详情图用于描述目标属性。

可选的，所述判断所述文本信息是否与所述目标属性的属性值匹配，包括：

获取所述目标属性的不同属性值；

判断所述文本信息是否与所述不同属性值中的任一属性值匹配；

在所述文本信息与任一属性值匹配的情况下，确定所述文本信息匹配所述目标属性的属性值。

可选的，所述根据所述文本信息判断所述详情图是否用于描述目标属性，包括：

在所述文本信息与所述目标属性不匹配，或与所述属性值不匹配的情况下，将所述目标属性作为先验知识，采用机器阅读理解MRC模型判断所述详情图是否用于描述目标属性。

可选的，所述基于所述目标属性和所述文本信息为所述详情图生成对应的客服问题，包括：

基于预先生成的属性与模板问题之间的映射关系，查找所述目标属性对应的模板问题；

采用问答匹配模型判断查找到的所述模板问题是否匹配所述详情图；

在查找到的所述模板问题匹配所述详情图的情况下，将匹配的模板问题确定为所述详情图对应的客服问题。

可选的，所述模板问题的生成方式，包括：

将所述目标属性和所述目标属性的属性值输入问题生成模型，通过所述问题生成模型输出所述目标属性对应的客服问题，作为所述目标属性对应的模板问题。

与前述智能客服的实现方法的实施例相对应，本说明书还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：

响应于用户问题，基于用户的浏览行为确定所述用户问题针对的咨询对象；

从所述用户问题中提取出待咨询属性；

在客服知识库中查找所述咨询对象和所述待咨询属性对应的候选问题；

计算所述用户问题与所述候选问题之间的相似度，并在所述相似度满足相似条件的情况下，将所述客服知识库中所述候选问题对应的详情图返回给用户；

其中，所述客服知识库基于本说明书前述方法构建。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。