基于人工智能的客服售后服务方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的客服售后服务方法、装置、设备及介质。


背景技术：

2.客服，简而言之就是客户服务工作或者指承担客户服务工作的机构。客服人员就是承担客服工作的专员，其可以通过电话、邮件、通讯软件、视频通话等方式对客户疑问建议做出回答受理。后台客服售后服务终端经过近些年的发展，已经成为网站客户服务、辅助网站销售不可缺少的工具，同时成为了网络营销的重要工具，也是提示企业网站形象，加强企业与访客互动的必备工具。
3.客服售后服务终端的重要作用包括将用户的产品反馈体验、产品使用疑问及购买疑问进行了解并回答，有利于促成交易的产生及提升用户的购买忠诚度及满意度，但是现有的客服售后服务终端根据业务规模组建客服团队，通过人工处理售后相关问题，使客服售后处理效率较低，因此，如何提高客服售后的效率成为亟需解决的问题。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于人工智能的客服售后服务方法、装置、终端设备及介质，以解决客服售后处理效率较低的问题。
5.第一方面，本技术实施例提供一种基于人工智能的客服售后服务方法，所述客服售后服务方法包括：
6.接收用户邮箱发送的售后问题文本，根据所述售后问题文本，在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本，根据所述匹配问题文本，确定对应的回复信息文本；
7.根据所述匹配问题文本与所述回复信息文本构建上下文文本，将所述上下文文本与所述售后问题文本进行拼接，得到拼接文本；
8.使用预设自然语言处理模型对所述拼接文本进行推理，得到对应推理结果，将所述推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
9.第二方面，本技术实施例提供一种基于人工智能的客服售后服务装置，所述客服售后服务装置包括：
10.接收模块，用于接收用户邮箱发送的售后问题文本，根据所述售后问题文本，在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本，根据所述匹配问题文本，确定对应的回复信息文本；
11.拼接模块，用于根据所述匹配问题文本与所述回复信息文本构建上下文文本，将所述上下文文本与所述售后问题文本进行拼接，得到拼接文本；
12.推理模块，用于使用预设自然语言处理模型对所述拼接文本进行推理，得到对应推理结果，将所述推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
13.第三方面，本技术实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于人工智能的客服售后服务方法。
14.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于人工智能的客服售后服务方法。
15.本发明与现有技术相比存在的有益效果是：
16.接收用户邮箱发送的售后问题文本，根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本，根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本，使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。通过获取与售后问题文本相匹配的匹配问题文本与回复信息，自动推理出对应的售后问题文本的推理结果，可以极大程度的替代一个人工客服大部分的回复工作，为用户提供更及时的服务，大大提升了客服售后工作的效率。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例提供的一种基于人工智能的客服售后服务方法的一应用环境示意图；
19.图2是本技术实施例提供的一种基于人工智能的客服售后服务方法的流程示意图；
20.图3是本技术实施例提供的一种基于人工智能的客服售后服务装置的结构示意图；
21.图4是本技术实施例提供的一种终端设备的结构示意图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
24.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
25.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0026]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0027]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0028]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0029]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0030]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0031]
为了说明本技术的技术方案，下面通过具体实施例来进行说明。
[0032]
本技术实施例提供的一种基于人工智能的客服售后服务方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于智能电视、掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端终端设备、个人数字助理(personal digital assistant，pda)等设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0033]
参见图2，是本技术实施例提供的一种基于人工智能的客服售后服务方法的流程示意图，上述基于人工智能的客服售后服务方法应用于上述服务端，如图2所示，该基于人工智能的客服售后服务方法可以包括以下步骤：
[0034]
s201：接收用户邮箱发送的售后问题文本，根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本。
[0035]
在步骤s201中，售后问题文本为对应的客服问题，当接收用户邮箱发送的售后问题文本时，查询与对应售后问题文本相似的问题文本与对应的回复信息文本，以便于根据相似的问题文本确定售后问题文本对应的回复信息。
[0036]
本实施例中，接收用户过邮件客户端邮箱发送的售后问题文本，邮件客户端可以
是用于收发邮件的软件。请求用户通过邮件客户端登录后，编辑邮件内容，填写收件人邮箱账号，即可形成售后问题文本邮件，该售后问题文本邮件发送至电子邮件服务器，电子服务器即可接收该售后问题文本邮件。
[0037]
需要说明的是，电子邮件服务器在接收到售后问题文本之后，从售后问题文本中读取收件人邮箱账号，并对该收件人邮箱账号进行验证，例如将查找数据库中是否存在该收件人邮箱账号的相关注册信息，如果有，则判断该收件人邮箱账号为有效邮箱账号，而如果没有相关注册信息，则判断该收件人邮箱账号为无效邮箱账号。
[0038]
还可以获取用户信息，但对订单进行售后服务时，订单信息包括订单号，通过订单号可以查询到订单中的商品id号，通过商品id号可以查询到商品的详细信息，例如商品名称、商品型号、出厂日期等等；售后问题文本描述包括在使用商品的过程中遇到的问题，例如注册/登录异常、电池异常、温度异常等等。
[0039]
获取的售后问题文本可以根据实际需要而预先规范，指定其具体的构成要素，例如，可以仅包含邮件正文，也可以包含邮件主题和邮件正文，还可以包含邮件正文与签名档，或者进一步综合邮件主题、邮件正文、邮件签名档等。
[0040]
需要说明的是，在获取到对应的售后问题文本后，对售后问题文本进行识别，得到识别结果，根据识别结果预测出其相应的客服问题的目标意图，目标意图，是指将客服售后问题进行预先分类之后，形成多类问题，当将一个邮件售后问题文本预测为其中的一个意图类型时，该意图类型即为邮件内容相对应的目标意图，从而确定出邮件内容所属的客服问题门类。例如对于“产品故障”、“物流出错
”……
等不同门类，其相应的目标意图可以相应先标定为“故障”、“物流
”……
等标签，在计算机层面可以采用0，1
……
等标签表示。
[0041]
根据的目标意图，提取出其中对应客服问题而提供的会话信息。会话信息，是指用于描述某个客服问题的各个要素信息的集合，这个要素信息集合便构成客服问题的描述信息。通常，完整描述一个客服问题需要按照预定的规范提供若干个不同的要素信息，当一个会话信息完整包含预定的规范中的全部要素信息时，即构成对相应的客服问题的完整描述。每个要素信息可以使用一个相应的要素标签加以指代以便调用，因而，在给出一个客服问题的预定规范时，可采用相应的要素标签集合加以定义。不难理解，不同客服问题的要素标签集合可以相同也可以不同，根据实际需要而预先确定即可。
[0042]
示例而言，描述故障相对应的客服问题，依其预设规范，需要提供“订单号”、“联系电话”、“商品标识”等要素标签相对应的要素信息，当会话信息中包含全部这些要素信息时，便构成对客服问题的完整描述，否则，该会话信息在描述该客服问题上是不完整的。
[0043]
本技术对于每类客服问题均预先提供有相应的对话模板。对话模板可以用于回复用户邮箱发送的邮件，以便引导用户继续完善会话信息，提供会话信息中欠缺的要素信息。因而，对话模板中，至少包括两部分信息，其中第一部分可以是预设的格式文本，用于给出引导用户补充材料的提示信息；其中第二部分可以是一个或多个要素标签，这些要素标签是会话信息对应客服问题所需的全部要素信息时所欠缺的要素信息的要素标签。
[0044]
一种实施例中，对应每类客服问题可以提供单个标准化的对话模板，由此可以提高引导效率，一次性给定一类客服问题所需的全部要素信息的要素标签，以便引导消费者用户提供全量的要素信息。
[0045]
另一实施例中，对于同一类客服问题，可以预设多个对话模板，每个对话模板包含
有要素信息欠缺的不同情况而提供不同的要素标签组合，在需要匹配出对应的对话模板时，将会话信息的要素标签与对话模板的要素标签综合后，再与客服问题的预设规范中的要素标签集合进行匹配，以此确定出匹配会话信息的对话模板，使对话模板中提供的要素标签正好是会话信息中对应客服问题的描述信息所欠缺的全部要素信息的要素标签。
[0046]
根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本。其中，查询时，使用关键字进行查询，匹配问题文本为成对出现，根据匹配问题文本，可以确定对应的回复信息文本。
[0047]
可选地，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本之前，还包括：
[0048]
获取邮箱邮件，当邮箱邮件满足预设条件时，提取与邮箱邮件关联的往返邮箱邮件；
[0049]
从邮箱邮件中提取售后问题文本，从往返邮箱邮件中提取回复信息文本，将售后问题文本与回复信息文本组成问答对。
[0050]
本实施例中，可以通过邮件监听器来监听预设邮箱的新邮件。当监听到对对应的新邮件时，获取对应的邮箱邮件，计算邮件的字符长度，当字符长度小于预设阈值时，使用预设自然语言处理模型提取邮箱邮件对应的售后问题文本，当监听到对应新邮件的往返邮件时，从对应的往返邮件提取售后问题文本对应的回复信息文本。将提取到的售后问题文本以及对应的回复信息文本成对组合，预先存储在对应数据库中。需要说明的是，可以将提取到的售后问题文本以及对应的回复信息文本进行分类。
[0051]
需要说明的是，预设自然语言处理模型可以是gpt-3(generative pre-trained transformer 3)模型提取对应的售后问题文本与对应回复信息文本，gpt-3模型为了减少资源占用，通过embedding函数进行向量化，embedding函数实质是一个神经网络，该神经网络采用50257长度的1和0的向量，并输出n长度的数字的向量，从而可以将每个单词转换为大小为50257的单点编码矢量，其中仅索引i处的维(单词的值)为1，所有其他维度均为0。还要注意，由于矩阵乘法计算法则限制，所以将embedding函数分别应用于文本中每个单词编码(即序列编码矩阵中的行)，换句话说，结果与将每个单词编码向量分别传递给embedding函数并在最后将所有结果串联在一起是相同的。而这则意味在该过程中没有信息流过整个序列，同样没有关于token的绝对或相对位置的信息。为了对当前token在序列中的位置进行编码，采用token的位置(标量i，在[0-2047]中)，并将其传递给12288个正弦函数，每个函数的频率都不同。对于每个token，结果是12288个数字向量。与embedding一样，将这些向量组合成具有2048行的单个矩阵，其中每一行是序列中token的12288列位置编码。
[0052]
然后使用多头的稀疏注意力机制，使每一次注意力网络均有不同的可学习的query、key和value投影权重。且每一头自注意力机制的结果(单个2048*128矩阵)被串联在一起，产生2048*12288矩阵，然后将其乘以线性投影(不会改变矩阵形状)，以达到良好的效果。将多头的稀疏注意力机制的输出结果输入至前馈神经网络层，该前馈神经网络层是一个具有1个隐藏层的传统的多层感知器，前馈神经网络层的输入和输出形状都相同(2048*12288)，但是隐藏层的大小为4*12288。再对前馈神经网络层的输出结果进行归一化处理，随后对归一化处理的结果进行解码操作，得到最终的售后问题文本。
[0053]
需要说明的是，从对应的往返邮件提取售后问题文本对应的回复信息文本，确定
对应的往返邮件时，根据计算与监听到对应新邮件的至今的关联性，确定对应的往返邮件，计算关联性时，可以根据监听到对应新邮件与往返邮件的引用邮件、邮件正文信息来确定，例如，根据对应新邮件与往返邮件中包括的相同部分文本来确定二者是否关联，并根据相同部分文本在对应新邮件与往返邮件的总文本信息中所占比例来确定该关联度对应的关联度值。
[0054]
具体地，可以获得对应新邮件的对应新邮件正文，以及每一往返邮件的往返邮件正文；对对应新邮件正文和往返邮件正文进行语义处理，得到对应新邮件正文与往返邮件正文的区别信息，基于区别信息以及目标关联条件，确定往返邮件与对应新邮件的关联度。
[0055]
在该实施方式中是通过对邮件正文进行语义分析，从而确定往返邮件与对应新邮件的关联度。其中，语义分析是根据文本中句子的句法结构和句子中每个实词的词义推导出来能够反映这个句子意义的某种形式化表示，将人类能够理解的自然语言转化为计算机能够理解的形式语言，其中，包括词法分析和句法分析，词法分析是找出词汇的各个词表，从中获得语言学的信息；句法分析是对句子和短语的结构进行分析，目的是找出词、短语等的相关关系以及各自在句子中的作用。因此，可以通过语义分析对邮件正文进行解析，确定对应新邮件正文和往返邮件正文的区别信息，即对应新邮件正文和往返邮件正文中不同的文本信息。目标关联条件可以基于当前应用场景或者当前邮件主题，又或者是基于用户的自定义配置信息确定的能够表征两个邮件相关联的条件，如可以是相同信息的占比条件、不同信息的占比条件等，在该实施方式中是通过分析邮件之间的区别信息，对应的目标关联条件可以为区别信息的占比条件。例如，若区别信息在所对应的邮件正文的占比较小，则往返邮件与对应新邮件对应的关联度较大。后续可以根据往返邮件和对应新邮件的关联度对待回复信息进行处理，使得处理后的待回复信息能够满足对应新邮件和往返邮件的回复需求。
[0056]
可选地，当邮箱邮件满足预设条件时，包括：
[0057]
若邮箱邮件为用户发送邮箱发送的邮箱邮件，有邮箱邮件的长度小于预设阈值时，邮箱邮件满足预设条件。
[0058]
本实施例中，根据用户发送的反馈信息进行售后服务，所以需确定接收到的邮箱邮件为用户发送邮箱发送的邮箱邮件，预设自然语言处理模型处理字符的长度需小于预设阈值。
[0059]
可选地，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，包括：
[0060]
通过预设聚类模型对售后问题文本进行聚类处理，得到售后问题文本的关键词聚类结果；
[0061]
根据关键词聚类结果，在预设数据库中查询与关键词聚类结果匹配的预先保存的匹配问题文本。
[0062]
本实施例中，聚类处理的过程对售后问题文本进行分词处理，tf-idf(term frequency
–
inverse document frequency，词频-逆向文本频率)算法是一种用于信息检索(information retrieval)与文本挖掘(text mining)的常用加权技术，用于评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度，tf-idf算法包括词频(term frequency，缩写为tf)和逆向文本频率(inverse document frequency，缩写为idf)，当一
个词语的tf(词频)和idf(逆向文本频率)相乘，就能得到一个词的tf-idf值，聚类处理为运用形态学算子将临近的类似分类区域聚类并合并的处理。
[0063]
进行处理时，对售后问题文本进行分词和停用词去除处理，得到多个单元词。可理解地，分词为对售后问题文本进行最小单元的词语进行划分，分出多个单元词，停用词处理为将与停用词相同的词语进行去除的处理过程，停用词处理可通过文本比对算法，比对各单元词与停用词，将比对一致的单元词进行去除，优先地，文本比对算法为rk算法(rabin-karp)算法，该算法为通过比较两者的哈希值判断是否一致。
[0064]
运用td-idf算法，基于预设聚类模型中的历史售后问题文本，对各单元词进行权重计算，得到各单元词的权重。
[0065]
可理解地，预设聚类模型包含历史售后问题文本，历史售后问题文本为所有历史的评论数据(内容)或/和准备了的可能出现的问题的集合，tf-idf(termfrequency
–
inverse document frequency，词频-逆向文本频率)算法是一种用于信息检索(information retrieval)与文本挖掘(text mining)的常用加权技术，用于评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度，tf-idf算法包括词频(term frequency，缩写为tf)和逆向文本频率(inverse document frequency，缩写为idf)，当一个词语的tf(词频)和idf(逆向文本频率)相乘，就能得到一个词的tf-idf值，词频为单元词在历史售后问题文本中出现的频率，逆向文本频率为历史售后问题文本的总数除以包含该单元词的预设数据的数目，再将相除得到的结果取对数获得，对各单元词进行权重计算，权重计算为将一个单元词的tf(词频)和idf(逆向文本频率)相乘得到id-idf值的计算过程，将权重计算后的结果记录为各单元词的权重。根据所有单元词和单元词的权重，生成有效矩阵。
[0066]
可理解地，将所有单元词和与单元词对应的权重进行二维数组的生成，生成一个二维数组的有效矩阵。通过预设聚类模型对有效矩阵进行k-means聚类处理，得到关键词聚类结果。
[0067]
根据关键词聚类结果，在预设数据库中查询与关键词聚类结果匹配的预先保存的匹配问题文本。
[0068]
进行匹配时，可以计算售后问题文本中每个关键词与预设数据库中对应的
[0069]
预先保存的售后问题文本之间的相似度，当相似度值为最大时，将预设数据库中对应的预先保存的售后问题文本作为与关键词聚类结果匹配的预先保存的匹配问题文本。
[0070]
s202：根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本。
[0071]
在步骤s202中，根据匹配问题文本与回复信息文本，以及售后问题文本预测售后问题文本对应的回复信息文本，以便于将预测的回复信息文本发送给对应用户。
[0072]
本实施例中，将匹配问题文本作为上文文本，将回复信息文本作为下文文本，根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本。
[0073]
可选地，根据匹配问题文本与回复信息文本构建上下文文本之后，还包括：
[0074]
计算上下文文本的长度，若长度小于预设阈值，执行将上下文文本与售后问题文本进行拼接的步骤；
[0075]
若长度大于预设阈值，获取回复信息文本的时间，根据时间，筛选出目标回复信息文本，根据匹配问题文本与目标回复信息文本构建上下文文本。
[0076]
本实施例中，计算上下文文本的长度，若长度小于预设阈值执行将上下文文本与售后问题文本进行拼接的步骤，其中，预设阈值为预设自然语言处理模型最大输入长度。若长度大于预设阈值，获取回复信息的时间，根据时间，筛选出目标回复信息文本，筛选时，选取对应的回复时间，得到较新的数据，以便于得到更接近当前时刻的售后问题的回复，筛选出目标回复信息文本，根据匹配问题文本与目标回复信息文本构建上下文文本。
[0077]
s203：使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
[0078]
在步骤s203中，使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，其中，推理结果为预设自然语言处理模型的预测结果，预设自然语言处理模型为训练好的自然语言处理模型，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
[0079]
本实施例中，预设自然语言处理模型为gpt-3模型，在对gpt-3模型训练时，gpt-3模型学习了千万代码的codex，可通过自然语言实现自动生成编程脚本的功能，然后由人工加以校验和改进，从而减少阅读各类使用文档的时间来提升效率，如编写格式、函数定义等。采用codex的金融科技汉化版，实现基于中文输入的本地化。可选地，也可以不采用基于gpt-3模型的codex，转而采用通过本地资源自主研发来实现，开辟实际生产应用场景，比如采用国内深度学习平台联合成熟语音识别提供商的整合方案进行代替。
[0080]
本地化应用系统采用基于gpt-3模型实现的codex或采用国内深度学习平台联合成熟语音识别提供商的整合方案来实现，其使用的基于gpt-3模型实现的codex或国内深度学习平台联合成熟语音识别提供商的整合方案，以下统一使用人工智能模型来表述。使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
[0081]
接收用户邮箱发送的售后问题文本，根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本，根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本，使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。通过获取与售后问题文本相匹配的匹配问题文本与回复信息，自动推理出对应的售后问题文本的推理结果，可以极大程度的替代一个人工客服大部分的回复工作，为用户提供更及时的服务，大大提升了客服售后工作的效率。
[0082]
参见图3，图3示出了本技术实施例提供的基于人工智能的客服售后服务装置的结构框图，上述基于人工智能的客服售后服务装置应用于上述服务端。为了便于说明，仅示出了与本技术实施例相关的部分。参见图3，该客服售后服务装置30包括：接收模块31，拼接模块32，推理模块33。
[0083]
接收模块31，用于接收用户邮箱发送的售后问题文本，根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本；
[0084]
拼接模块32，用于根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本；
[0085]
推理模块33，用于使用预设自然语言处理模型对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。
[0086]
可选地，上述客服售后服务装置30包括：
[0087]
获取模块，用于获取邮箱邮件，当邮箱邮件满足预设条件时，提取与邮箱邮件关联的往返邮箱邮件；
[0088]
提取模块，用于从邮箱邮件中提取售后信息文本，从往返邮箱邮件中提取回复信息文本，将售后信息文本与回复信息文本组成问答对。
[0089]
可选地，上述客服售后服务装置30包括：
[0090]
计算模块，用于计算上下文文本的长度，若长度小于预设阈值，执行将上下文文本与售后问题文本进行拼接的步骤；
[0091]
判断模块，用于若长度大于预设阈值，获取回复信息的时间，根据时间，筛选出目标回复信息文本，根据匹配问题文本与目标回复信息文本构建上下文文本。
[0092]
可选地，上述获取模块包括：
[0093]
判断单元，用于若邮箱邮件为用户发送邮箱发送的邮箱邮件，有邮箱邮件的长度小于预设阈值时，邮箱邮件满足预设条件。
[0094]
可选地，上述接收模块31包括：
[0095]
聚类单元，用于通过预设聚类模型对售后问题文本进行聚类处理，得到售后问题文本的关键词聚类结果；
[0096]
匹配单元，用于根据关键词聚类结果，在预设数据库中查询与关键词聚类结果匹配的预先保存的匹配问题文本。
[0097]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0098]
图4为本技术实施例提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个基于人工智能的客服售后服务方法实施例中的步骤。
[0099]
该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是终端设备的举例，并不构成对终端设备的限定，终端设备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，例如还可以包括网络接口、显示屏和输入装置等。
[0100]
所称处理器可以是cpu，该处理器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 specific integrated circuit，asic)、现成可编程门阵列(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也可以是任何常规的处理器等。
[0101]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是终端设备的内存，
内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是终端设备的硬盘，在另一些实施例中也可以是终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0102]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元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，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0103]
本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
[0104]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0105]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0106]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一
点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0107]
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单元来实现本实施例方案的目的。
[0108]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于人工智能的客服售后服务方法，其特征在于，所述客服售后服务方法包括：接收用户邮箱发送的售后问题文本，根据所述售后问题文本，在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本，根据所述匹配问题文本，确定对应的回复信息文本；根据所述匹配问题文本与所述回复信息文本构建上下文文本，将所述上下文文本与所述售后问题文本进行拼接，得到拼接文本；使用预设自然语言处理模型对所述拼接文本进行推理，得到对应推理结果，将所述推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。2.如权利要求1所述的客服售后服务方法，其特征在于，所述在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本之前，还包括：获取邮箱邮件，当所述邮箱邮件满足预设条件时，提取与所述邮箱邮件关联的往返邮箱邮件；从所述邮箱邮件中提取售后信息文本，从所述往返邮箱邮件中提取回复信息文本，将所述售后信息文本与所述回复信息文本组成问答对。3.如权利要求2所述的客服售后服务方法，其特征在于，所述当所述邮箱邮件满足预设条件时，包括：若所述邮箱邮件为用户发送邮箱发送的邮箱邮件，所述有邮箱邮件的长度小于预设阈值时，所述邮箱邮件满足预设条件。4.如权利要求1所述的客服售后服务方法，其特征在于，所述在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本，包括：通过预设聚类模型对所述售后问题文本进行聚类处理，得到所述售后问题文本的关键词聚类结果；根据所述关键词聚类结果，在预设数据库中查询与所述关键词聚类结果匹配的预先保存的匹配问题文本。5.如权利要求1所述的客服售后服务方法，其特征在于，所述根据所述匹配问题文本与所述回复信息文本构建上下文文本之后，还包括：计算所述上下文文本的长度，若所述长度小于预设阈值，执行将所述上下文文本与所述售后问题文本进行拼接的步骤；若所述长度大于所述预设阈值，获取所述回复信息文本的时间，根据所述时间，筛选出目标回复信息文本，根据所述匹配问题文本与所述目标回复信息文本构建上下文文本。6.一种基于人工智能的客服售后服务装置，其特征在于，所述客服售后服务装置包括：接收模块，用于接收用户邮箱发送的售后问题文本，根据所述售后问题文本，在预设数据库中查询与所述售后问题文本匹配的预先保存的匹配问题文本，根据所述匹配问题文本，确定对应的回复信息文本；拼接模块，用于根据所述匹配问题文本与所述回复信息文本构建上下文文本，将所述上下文文本与所述售后问题文本进行拼接，得到拼接文本；推理模块，用于使用预设自然语言处理模型对所述拼接文本进行推理，得到对应推理结果，将所述推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。7.如权利要求6所述的客服售后服务装置，其特征在于，所述客服售后服务装置还包
括：获取模块，用于获取邮箱邮件，当所述邮箱邮件满足预设条件时，提取与所述邮箱邮件关联的往返邮箱邮件；提取模块，用于从所述邮箱邮件中提取售后信息文本，从所述往返邮箱邮件中提取回复信息文本，将所述售后信息文本与所述回复信息文本组成问答对。8.如权利要求6所述的客服售后服务装置，其特征在于，所述客服售后服务装置还包括：计算模块，用于计算所述上下文文本的长度，若所述长度小于预设阈值，执行将所述上下文文本与所述售后问题文本进行拼接的步骤；判断模块，用于若所述长度大于所述预设阈值，获取所述回复信息的时间，根据所述时间，筛选出目标回复信息文本，根据所述匹配问题文本与所述目标回复信息文本构建上下文文本。9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的客服售后服务方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的客服售后服务方法。

技术总结
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的客服售后服务方法、装置、设备及介质，根据售后问题文本，在预设数据库中查询与售后问题文本匹配的预先保存的匹配问题文本，根据匹配问题文本，确定对应的回复信息文本，根据匹配问题文本与回复信息文本构建上下文文本，将上下文文本与售后问题文本进行拼接，得到拼接文本，对拼接文本进行推理，得到对应推理结果，将推理结果作为售后问题文本对应的目标回复结果自动发送至用户邮箱。获取与售后问题文本相匹配的匹配问题文本与回复信息，自动推理出对应的售后问题文本的推理结果，极大程度地替代一个人工客服大部分的回复工作，为用户提供更及时的服务，大大提升了客服售后工作的效率。服售后工作的效率。服售后工作的效率。


技术研发人员：羊气仕 张钰峰 赵传涛
受保护的技术使用者：深圳市普森斯科技有限公司
技术研发日：2023.07.07
技术公布日：2023/10/11