一种智能客服系统及其与客户的交互方法

技术领域

本申请涉及自然语言处理技术领域，尤其涉及一种智能客服系统及其与客户的交互方法。

背景技术

智能客服是在大规模知识处理基础上发展起来的一项面向行业应用的技术手段。采用该技术手段的智能客服系统不仅能够为企业提供细粒度的知识管理，还能为企业与海量用户之间的沟通提供快捷有效的服务。

目前，在处理客户的提问时，智能客服系统首先提取采集所输入语音或文本等信息的关键字，然后将关键字和关联关系进行匹配，搜索对应的回复内容。其中，关联关系用于关联各关键字和各回复内容。

然而，上述智能客服系统所用到的关联关系需要人工更新维护，浪费人力成本。

发明内容

本申请提供了一种智能客服系统及其与客户的交互方法，能够实现智能客服系统所使用的大模型对于目标领域的知识的自动学习，提升了系统精准回复客户的能力。

第一方面，提供了一种智能客服系统，包括大模型、大模型训练模块、人工服务模块和数据存储模块；

大模型训练模块用于使用目标领域的第一训练数据训练大模型，第一训练数据包括问题和回复，目标领域是根据智能客服系统应用的场景确定的；

训练后的大模型用于与客户进行交互，生成第一交互数据；

人工服务模块用于实现客服人员与客户进行交互，生成第二交互数据；

数据存储模块用于存储访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的；

数据存储模块还用于，根据第一交互数据和第二交互数据，更新数据存储模块存储的记录；

大模型训练模块还用于，使用预设时间段产生的第二训练数据再次训练大模型，第二训练数据包括第一交互数据和第二交互数据，预设时间段的起始时刻为上一次训练大模型的时刻，预设时间段的结束时刻为本次训练大模型的时刻；

大模型还用于根据目标接待客户输入的问题和数据存储模块存储的记录，确定向目标接待客户输出的回复。

在一种可行的设计中，目标领域包括营销领域，大模型用于根据目标接待客户输入的问题和数据存储模块存储的记录，确定向目标接待客户输出的回复，包括：

大模型用于在接收到目标接待客户输入的问题后，从数据存储模块存储的记录中确定目标接待客户相应的目标记录，目标记录包括目标接待客户咨询的产品的信息、咨询目的和智能客服系统的回复；

大模型用于根据目标接待客户输入的问题和目标记录，确定向目标接待客户输出的回复。

在一种可行的设计中，大模型还用于根据目标接待客户输入的问题和目标记录，确定是否向目标接待客户提供客服人员的人工服务。

在一种可行的设计中，所述系统还包括网络交互模块；

若大模型确定向目标接待客户提供客服人员的人工服务，且目标接待客户的回复指示同意客服人员提供服务，大模型还用于向人工服务模块发送人工服务请求，人工服务请求包括目标记录以及本次交互过程中大模型与客户的对话；

人工服务模块用于在接收到人工服务请求后，向客服人员展示目标记录以及本次交互过程中大模型与客户的对话，以使客服人员根据目标记录以及本次交互过程中大模型与客户的对话，通过所述网络交互模块向目标接待客户提供人工服务。

在一种可行的设计中，第一训练数据的每条训练数据包括指令信息、输入信息、输出信息和历史信息，其中，指令信息用于标识训练数据的类型，输入信息包括向大模型输入的数据，输出信息包括大模型输出的数据，历史信息包括训练数据对应的交互过程中产生的对话。

在一种可行的设计中，类型包括营销对话和营销总结；

指令信息用于标识训练数据的类型为营销对话时，输出信息包括大模型输出的回复；

指令信息用于标识训练数据的类型为营销总结时，输出信息包括大模型从历史信息中提取的关键信息。

在一种可行的设计中，大模型还用于根据目标接待客户输入的问题与大模型输出的回复，确定第一问答关系；

大模型还用于根据目标接待客户输入的问题与客服人员输出的回复，确定第二问答关系；

大模型还用于确定第一问答关系的问题和第二问答关系的问题是否相同；

若不相同，大模型还用于将第一问答关系和第二问答关系存储于数据存储模块中；

若相同，大模型还用于只将第二问答关系存储于数据存储模块中。

在一种可行的设计中，数据存储模块用于存储访问过智能客服系统的每一客户相应的记录，包括：

数据存储模块用于获取智能客服系统与每一客户交互产生的数据；

数据存储模块用于根据数据产生的时间、数据所属的客户名称、数据中的对话和从数据的对话中提取的关键信息，将数据转化为结构化数据并存储，结构化数据为记录。

在一种可行的设计中，在大模型训练模块使用目标领域的第一训练数据训练大模型之前，大模型训练模块用于获取目标领域的词汇；

大模型训练模块用于根据目标领域的词汇，将大模型使用的第一映射关系更新为第二映射关系，第一映射关系和第二映射关系用于将词汇转化为数字；

大模型训练模块用于根据第二映射关系，将大模型的第一词嵌入矩阵更新为第二词嵌入矩阵，其中，第一映射关系转化的数字用于输入到第一词嵌入矩阵；

大模型训练模块用于将第二映射关系转化的数字，输入到第二词嵌入矩阵。

第二方面，提供了一种智能客服系统与客户的交互方法，包括：

使用目标领域的第一训练数据训练大模型，第一训练数据包括问题和回复，目标领域是根据智能客服系统应用的场景确定的；

使用训练后的大模型与客户进行交互，生成第一交互数据；

获取客服人员与客户进行交互生成的第二交互数据；

获取存储的访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的；

根据第一交互数据和第二交互数据，更新存储的记录；

使用预设时间段产生的第二训练数据再次训练大模型，第二训练数据包括第一交互数据和第二交互数据，预设时间段的起始时刻为上一次训练大模型的时刻，预设时间段的结束时刻为本次训练大模型的时刻；

使用训练后的大模型根据目标接待客户输入的问题和存储的记录，确定向目标接待客户输出的回复。

本申请实施例中，大模型训练模块用于训练大模型学习目标领域的知识，使得大模型能够根据输入的目标领域的问题，输出目标领域的回复。训练后的大模型用于与客户进行交互，生成第一交互数据。人工服务模块用于实现客服人员与客户进行交互，生成第二交互数据。由于在预设时间段生成的第一交互数据和第二交互数据包含有目标领域的新知识。因此，大模型训练模块使用预设时间段产生的第一交互数据和第二交互数据，再次训练大模型，能够使得大模型不断自主学习新的目标领域的知识，无需工作人员参与，节省了人工成本。

进一步地，数据存储模块存储了访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的。由于数据存储模块能够根据所述第一交互数据和所述第二交互数据，更新所述数据存储模块存储的所述记录，因此，实现了每一客户的状态的及时更新。又由于，根据最新的记录训练的大模型能够及时学习到新知识，因此，对于上一次训练后的大模型不能回复的问题，经过客服人员的回复再次训练后的大模型便能够回复该问题，能够不断提升智能客服系统的服务能力。若大模型在再次训练之前接收到客户输入的该问题，即使还不具备回复该问题的能力，大模型也可以通过调取记录中有关该问题的回复，进一步提升精准回复客户的能力。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一示例性实施例提供的一例智能客服系统架构示意图；

图2是本申请一示例性实施例提供的一例训练数据样例；

图3是本申请一示例性实施例提供的再一例训练数据样例；

图4是本申请一示例性实施例提供的一例大模型训练模块训练大模型的示意性流程图；

图5是本申请一示例性实施例提供的一例数据存储模块结构示意图；

图6是本申请一示例性实施例提供的一例智能客服系统与客户的交互方法示意性流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1是本申请一示例性实施例提供的一例智能客服系统架构示意图，如图1所示，该系统包括大模型、大模型训练模块、人工服务模块和数据存储模块。

其中，大模型训练模块用于使用目标领域的第一训练数据训练大模型，第一训练数据包括问题和回复，目标领域是根据智能客服系统应用的场景确定的。

训练后的大模型用于与客户进行交互，生成第一交互数据。

人工服务模块用于实现客服人员与客户进行交互，生成第二交互数据。

数据存储模块用于存储访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的。

数据存储模块还用于，根据第一交互数据和第二交互数据，更新数据存储模块存储的记录。

大模型训练模块还用于，使用预设时间段产生的第二训练数据再次训练大模型，第二训练数据包括第一交互数据和第二交互数据，预设时间段的起始时刻为上一次训练大模型的时刻，预设时间段的结束时刻为本次训练大模型的时刻。

大模型还用于根据目标接待客户输入的问题和数据存储模块存储的记录，确定向目标接待客户输出的回复。

需要说明的是，大模型(Large Language Models)指的是具有庞大的参数规模和复杂程度的神经网络模型。

本申请实施例中，大模型训练模块用于训练大模型学习目标领域的知识，使得大模型能够根据输入的目标领域的问题，输出目标领域的回复。训练后的大模型用于与客户进行交互，生成第一交互数据。人工服务模块用于实现客服人员与客户进行交互，生成第二交互数据。由于在预设时间段生成的第一交互数据和第二交互数据包含有目标领域的新知识。因此，大模型训练模块使用预设时间段产生的第一交互数据和第二交互数据，再次训练大模型，能够使得大模型不断自主学习新的目标领域的知识，无需工作人员参与，节省了人工成本。

进一步地，数据存储模块存储了访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的。由于数据存储模块能够根据所述第一交互数据和所述第二交互数据，更新所述数据存储模块存储的所述记录，因此，实现了每一客户的状态的及时更新。又由于，根据最新的记录训练的大模型能够及时学习到新知识，因此，对于上一次训练后的大模型不能回复的问题，经过客服人员的回复再次训练后的大模型便能够回复该问题，能够不断提升智能客服系统的服务能力。若大模型在再次训练之前接收到客户输入的该问题，即使还不具备回复该问题的能力，大模型也可以通过调取记录中有关该问题的回复，进一步提升精准回复客户的能力。

目前，获取的初始的大模型是由多种语言数据训练的(大模型可以是MT5模型)，初始的大模型在中文应用领域表现不佳，大模型训练模块可在使用中文领域的知识对大模型进行预训练后，通过以下方式对大模型进行处理，以便于后续对大模型进行目标领域知识的训练：

首先将目标领域的中文文本数据中非文本的符号删除后，进行分词处理，获取目标领域的词汇。

例如，目标领域为营销领域时，词汇为营销领域的专业术语。

然后，根据目标领域的词汇，将大模型使用的第一映射关系更新为第二映射关系，第一映射关系和第二映射关系用于将词汇转化为数字，其中，第一映射关系转化的数字用于输入到第一词嵌入矩阵；

大模型训练模块用于将第二映射关系转化的数字，输入到第二词嵌入矩阵。

由于第一词嵌入矩阵和第二词嵌入矩阵对数字ID进行编码，因此，需要根据第一映射关系将词汇映射为数字ID后输入到第一词嵌入矩阵，根据第二映射关系将词汇映射为数字ID后输入到第二词嵌入矩阵。

例如，将大模型最初使用的第一映射关系与目标领域的词汇进行校对，筛选出第一映射关系未包含的目标领域的词汇，将未包含的目标领域的词汇添加到第一映射关系中，生成第二映射关系。如第一映射关系为V，它的大小为|V|，筛选出的未包含的目标领域的词汇为V′，其大小为|V′|＝K。第二映射关系则为V″，如以下公式(1)所示：

V″＝V∪V′ 公式(1)。

最后，根据第二映射关系，将大模型的第一词嵌入矩阵更新为第二词嵌入矩阵。

例如，将第一词嵌入矩阵表示为E∈R

E′[0：|V|，：]＝E公式(2)。

大模型训练模块通过以上示例，使得大模型学习目标领域的专业词汇信息，以便于加快大模型后续训练的速度。

在一种可行的设计中，第一训练数据的每条训练数据包括指令信息、输入信息、输出信息和历史信息，其中，指令信息用于标识训练数据的类型，输入信息包括向大模型输入的数据，输出信息包括大模型输出的数据，历史信息包括训练数据对应的交互过程中产生的对话。

示例性地，第二训练数据的每条训练数据包括指令信息、输入信息、输出信息和历史信息。

示例性地，在目标领域包括营销领域时，数据类型包括营销对话和营销总结。

指令信息用于标识训练数据的类型为营销对话时，输出信息包括大模型输出的回复；

指令信息用于标识训练数据的类型为营销总结时，输出信息包括大模型从历史信息中提取的关键信息。该关键信息能够起到对历史信息的总结概括作用。

如图2所示，当指令信息用于标识训练数据的类型为营销对话时，表示训练数据用于训练大模型回复问题的能力，因此，输出信息包括大模型输出的回复。

如图3所示，当指令信息用于标识训练数据的类型为营销总结时，表示训练数据用于训练大模型从历史信息中进行总结的能力，因此，输出信息包括大模型从历史信息中提取的关键信息。

可以看出，训练数据的指令信息能够标识期望大模型能够学习到的能力。

上述示例中，大模型训练模块使用第一训练数据或第二训练数据对大模型进行微调训练。通过在训练大模型的数据(即第一训练数据或第二训练数据)中设置历史信息，使得大模型能够学习如何回复当前问题的同时，还能学习与当前问题相关的历史信息的对话的特征。使得大模型能够同时根据历史信息的对话和当前问题，精准地确定当前问题的回复，进而提升大模型的认知水平，提升营销效果。

另外，当指令信息用于标识训练数据的类型为营销总结时，大模型会学习对营销对话进行简单总结，如客户信息、咨询的产品信息、表现意向等等。这样在同一客户再次访问时，方便大模型获取针对该客户已经进行的总结，对客户的销售状态和产品使用状态进行判断，能够发现潜在客户或意向客户，以便于大模型及时向人工服务模块发送人工服务请求，并将获取的总结一并提交给客服人员，以便于客服人员迅速了解客户的销售状态和产品使用状态，从而及时作出有效回复。

示例性地，在训练大模型的数据中添加负向样本数据，训练大模型转人工客服的能力。其中，负向样本数据中的问题包括人为规定的内容，大模型之前没有学习过相关信息，因此不能计算出回复，或计算的回复与问题不匹配(可称为计算的回复不准确)，只能由客服人员进行回复。

例如对于包括人为规定的“XXX活动信息”的问题，且该“XXX活动信息”是大模型上次训练之后人为规定的。由于之前训练的过程中，大模型没有学习到如何回复这种问题。因此，大模型不能计算出回复。在大模型具备转人工客服的能力后，遇到这种问题，大模型可及时向人工服务模块发送人工服务请求，避免由于无法向客户回复(或向客户回复不准确)造成客户体验感下降的问题发生。

计算的回复与问题不匹配指的是，使用负向样本数据训练大模型具备计算不匹配的回复的能力。比如负向样本数据中显示“截止某时间，某产品不具备某功能”。当问询大模型现在是否具备时，模型可能会先回复“截止某时间，不具备”，并向客户输出是否需要人工服务等回复。

可以看出，主要使用一些负向样本数据训练大模型，使得大模型学习在什么情况下向客户输出是否提供人工服务的回复。负向样本数据中会设置有不匹配的信息回复(比如截止某时间，但问题咨询的是当前时间，这就是相互不匹配的问题和回复。大模型可以学习到诸如类似的不匹配的样例)。

大模型能够根据不断学习，迭代自己的知识储备，并对一些语言信息进行一些判断。比如截止某时间和当前时刻，模型会学习针对问题进行不匹配的回复，然后通过转人工服务，学习客服人员的回复，来不断学习新知识。在产品的迭代过程中，初期模型回复的覆盖面不会太广，但是随着迭代，大模型的知识面也在相应地扩展。

在一种可行的设计中，如图4所示，大模型训练模块通过以下方式实现，使用预设时间段产生的第二训练数据再次训练大模型，第二训练数据包括第一交互数据和第二交互数据：

(1)从数据存储模块中获取预设时间段的第一交互数据和第二交互数据；

根据第一交互数据和第二交互数据，确定每条训练数据的指令信息、输入信息、输出信息和历史信息；

根据本次获取的第一交互数据和第二交互数据的数据量，设定训练时长(可设置为训练3个轮次)。

(2)检测后台设备是否空闲，训练环境是否具备。

(3)如设备异常，则反馈问题，并设置等待时间(本次等待时间为1小时)；如设备正常，则进行大模型的训练，并记录开始训练的时刻。

(4)输出训练后的大模型，并记录结束时刻，设置下一次的训练时刻(可设置本次训练的结束时刻与下一次的训练时刻的时间间隔为一周)。

上述示例通过数据存储模块中的第一交互数据和第二交互数据训练大模型，实现大模型对最新交互数据和客户的最新营销状态的及时学习与更新。例如，在白天使用大模型与客户进行交互，晚上使用第一交互数据和第二交互数据对大模型进行微调与学习，更新大模型认知状态。

为了配合大模型的训练，本申请还提供了一种数据存储模块，如图5所示，数据存储模块包括数据池、输入子模块和输出子模块。

输入子模块用于获取每次交互过程中，大模型与客户交互所产生的数据；或者，

输入子模块用于获取每次交互过程中，大模型与客户交互所产生的数据，以及客服人员与客户交互所产生的数据。

数据池用于存储输入子模块获取的数据和训练大模型所使用的数据。

输出子模块用于向大模型训练模块发送数据池存储的预设时间段产生的数据。

在此情况下，数据存储模块通过以下方式实现，存储访问过智能客服系统的每一客户相应的记录：

数据存储模块的输入子模块获取智能客服系统与每一客户交互产生的数据；

数据存储模块的数据池根据数据产生的时间、数据所属的客户名称、数据中的对话和从数据的对话中提取的关键信息，将数据转化为结构化数据并存储，结构化数据为记录。

其中，关键信息包括大模型从历史信息中总结的内容。

示例性地，数据池采用我的结构化查询语言(My Structured Query Language，MySQL)将数据转化为结构化数据。

上述示例中，数据存储模块通过存储结构化数据，针对每一客户构建了相应的记录，能够实现对用户状态的及时更新。例如某用户，在什么时间，咨询过什么内容或什么产品，咨询的意向是什么等等。数据存储模块对其进行整理和构建。下次该用户再来咨询的话，如果还是该产品，那么大模型就可以根据数据存储模块中存储的该用户的记录，向客户提供精准有效地回复。

在一种可行的设计中，目标领域包括营销领域，大模型通过以下方式实现，根据目标接待客户输入的问题和数据存储模块存储的记录，确定向目标接待客户输出的回复：

大模型在接收到目标接待客户输入的问题后，从数据存储模块存储的记录中确定目标接待客户相应的目标记录，目标记录包括目标接待客户咨询的产品的信息、咨询目的和智能客服系统的回复；

大模型根据目标接待客户输入的问题和目标记录，确定向目标接待客户输出的回复。

其中，目标接待客户咨询的产品的信息和咨询目的，可以是大模型根据之前与目标接待客户交互的对话进行营销总结得到的。产品的信息可以包括产品的参数、使用说明等信息，咨询目的可以包括“是否有货”“是否包邮”“是否有优惠”“是否能够退换货”等。

上述示例中，若大模型不能计算出(或不能准确计算出)本次目标接待客户输入的问题的回复，大模型可获取目标记录中针对相同产品的该问题的回复，然后将该回复向目标接待客户输出，提升了大模型的认知水平，从而提升智能客服系统精准回复的能力。

在一种可行的设计中，大模型还用于根据目标接待客户输入的问题和目标记录，确定是否向目标接待客户提供客服人员的人工服务。

示例性地，若大模型根据目标接待客户输入的问题能够计算出回复，大模型用于确定不向目标接待客户提供客服人员的人工服务，并向目标接待客户输出该回复。

示例性地，若大模型根据目标接待客户输入的问题不能计算出回复(或计算出的回复不匹配)，大模型用于根据目标接待客户输入的问题，从目标记录中确定该问题的回复，确定不向目标接待客户提供客服人员的人工服务，并向目标接待客户输出该回复。

示例性地，若大模型根据目标接待客户输入的问题不能计算出回复(或计算出的回复不匹配)，且目标记录中没有该问题的回复，大模型用于确定向目标接待客户提供客服人员的人工服务。

在一种可行的设计中，如图1所示，系统还包括网络交互模块；

若大模型确定向目标接待客户提供客服人员的人工服务，且目标接待客户的回复指示同意客服人员提供服务，大模型还用于向人工服务模块发送人工服务请求，人工服务请求包括目标记录以及本次交互过程中大模型与客户的对话。

人工服务模块用于在接收到人工服务请求后，向客服人员展示目标记录以及本次交互过程中大模型与客户的对话，以使客服人员根据目标记录以及本次交互过程中大模型与客户的对话，通过网络交互模块向目标接待客户提供人工服务。

示例性地，客户向网络交互模块输入问题，网络交互模块将问题发送给大模型或者人工服务模块。大模型或人工服务模块将该问题的回复发送给网络交互模块，网络交互模块将该回复展示给客户。网络交互模块用于实现客户与该系统的交互，可以使用聊天应用程序等工具。

上述示例中，大模型向人工服务模块发送人工服务请求中包括目标记录以及本次交互过程中大模型与客户的对话，使得客服人员能够快速了解客户的需求，及时作出准确有效的回复。

示例性地，在大模型向人工服务模块发送人工服务请求之前，大模型用于向目标接待客户展示第一指示信息，该第一指示信息用于指示咨询是否需要人工服务；

若目标接待客户回复第二指示信息，第二指示信息用于指示同意客服人员提供服务，那么大模型向人工服务模块发送人工服务请求；

若目标接待客户回复第三指示信息，第三指示信息用于指示不同意客服人员提供服务，那么大模型不向人工服务模块发送人工服务请求。

由于在大模型与客户进行交互时，会存在部分问题，大模型无法计算出回复或计算的回复不匹配的情况。例如在大模型本次训练之前人为规定的活动信息等，由于这些信息大模型之前训练时没有学习过，因此，大模型无法计算出回复或计算的回复不匹配。此时，大模型提示客户该问题其无法准确回复，申请人工客服介入。并向客服人员发送目标记录以及本次交互过程中大模型与客户的对话，以便于客服人员迅速了解客户需求，及时准确地向客户提供回复。

示例性地，若目标接待客户向智能客服系统输入第四指示信息，第四指示信息用于指示需要客服人员提供服务，大模型还用于在接收到第四指示信息后，向人工服务模块发送人工服务请求。

上述示例中，大模型能够在客户主动要求人工客服介入时，识别客户的意图，进一步提升客户的体验感。

在一种可行的设计中，大模型还用于根据目标接待客户输入的问题与大模型输出的回复，确定第一问答关系；

大模型还用于根据目标接待客户输入的问题与客服人员输出的回复，确定第二问答关系；

大模型还用于确定第一问答关系的问题和第二问答关系的问题是否相同；

若不相同，大模型还用于将第一问答关系和第二问答关系存储于数据存储模块中；

若相同，大模型还用于只将第二问答关系存储于数据存储模块中。

即第一问答关系和第二问答关系用于关联问题和回复。

示例性地，大模型还用于在第一问答关系和第二问答关系中注明问题或回复的来源信息。例如：

第一问答关系：

客户XX咨询：…；

大模型回复：…。

第二问答关系：

客户XX咨询：…；

客服回复：…。

上述示例中，大模型将第一问答关系和第二问答关系存储于数据存储模块中，有利于后续客服人员便捷查看，以及便于大模型采集问题数据和回复数据进行后续的训练。其中，若第一问答关系的问题和第二问答关系的问题相同，则以人工客服的回复为准。

在上述智能客服系统实施例的基础上，本申请还提供了一种智能客服系统与客户的交互方法，该方法应用于智能客服系统，智能客服系统包括大模型、大模型训练模块、人工服务模块和数据存储模块，数据存储模块用于存储访问过智能客服系统的每一客户相应的记录，每一记录是根据所属客户与智能客服系统交互生成的数据确定的，如图6所示，该方法包括：

S110，大模型训练模块使用目标领域的第一训练数据训练大模型。

其中，第一训练数据包括问题和回复，目标领域是根据智能客服系统应用的场景确定的。

S120，训练后的大模型与客户进行交互，生成第一交互数据。

S130，人工服务模块实现客服人员与客户进行交互，生成第二交互数据。

S140，数据存储模块根据第一交互数据和第二交互数据，更新数据存储模块存储的记录。

S150，大模型训练模块使用预设时间段产生的第二训练数据再次训练大模型。

其中，第二训练数据包括第一交互数据和第二交互数据，预设时间段的起始时刻为上一次训练大模型的时刻，预设时间段的结束时刻为本次训练大模型的时刻。

S160，再次训练后的大模型根据目标接待客户输入的问题，以及数据存储模块存储的记录，确定向目标接待客户输出的回复。

在一种可行的设计中，目标领域包括营销领域，再次训练后的大模型根据目标接待客户输入的问题，以及数据存储模块存储的记录，确定向目标接待客户输出的回复，包括：

大模型在接收到目标接待客户输入的问题后，从数据存储模块存储的记录中确定目标接待客户相应的目标记录，目标记录包括目标接待客户咨询的产品的信息、咨询目的和智能客服系统的回复；

大模型根据目标接待客户输入的问题和目标记录，确定向目标接待客户输出的回复。

在一种可行的设计中，方法还包括：

大模型根据目标接待客户输入的问题和目标记录，确定是否向目标接待客户提供客服人员的人工服务。

在一种可行的设计中，系统还包括网络交互模块，若大模型确定向目标接待客户提供客服人员的人工服务，且目标接待客户的回复指示同意客服人员提供服务，方法还包括：

大模型向人工服务模块发送人工服务请求，人工服务请求包括目标记录以及本次交互过程中大模型与客户的对话；

人工服务模块在接收到人工服务请求后，向客服人员展示目标记录以及本次交互过程中大模型与客户的对话，以使客服人员根据目标记录以及本次交互过程中大模型与客户的对话，通过网络交互模块向目标接待客户提供人工服务。

在一种可行的设计中，第一训练数据的每条训练数据包括指令信息、输入信息、输出信息和历史信息，其中，指令信息用于标识训练数据的类型，输入信息包括向大模型输入的数据，输出信息包括大模型输出的数据，历史信息包括训练数据对应的交互过程中产生的对话。

在一种可行的设计中，类型包括营销对话和营销总结；

指令信息用于标识训练数据的类型为营销对话时，输出信息包括大模型输出的回复；

指令信息用于标识训练数据的类型为营销总结时，输出信息包括大模型从历史信息中提取的关键信息。

在一种可行的设计中，方法还包括：

大模型根据目标接待客户输入的问题与大模型输出的回复，确定第一问答关系；

大模型根据目标接待客户输入的问题与客服人员输出的回复，确定第二问答关系；

大模型确定第一问答关系的问题和第二问答关系的问题是否相同；

若不相同，大模型将第一问答关系和第二问答关系存储于数据存储模块中；

若相同，大模型只将第二问答关系存储于数据存储模块中。

在一种可行的设计中，数据存储模块通过以下方式实现，存储访问过智能客服系统的每一客户相应的记录：

数据存储模块获取智能客服系统与每一客户交互产生的数据；

数据存储模块根据数据产生的时间、数据所属的客户名称、数据中的对话和从数据的对话中提取的关键信息，将数据转化为结构化数据并存储，结构化数据为记录。

在一种可行的设计中，在大模型训练模块使用目标领域的第一训练数据训练大模型之前，方法还包括：

大模型训练模块获取目标领域的词汇；

大模型训练模块根据目标领域的词汇，将大模型使用的第一映射关系更新为第二映射关系，第一映射关系和第二映射关系用于将词汇转化为数字；

大模型训练模块根据第二映射关系，将大模型的第一词嵌入矩阵更新为第二词嵌入矩阵；，其中，第一映射关系转化的数字用于输入到第一词嵌入矩阵；

大模型训练模块将所述第二映射关系转化的数字，输入到所述第二词嵌入矩阵。

智能客服系统的交互方法的其他实现方式和效果参见智能客服系统实施例，本申请在此不再赘述。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。