一种基于深度学习的智能聊天业务实现方法和系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的智能聊天业务实现方法和系统。


背景技术：

2.人工智能(artificial intelligence)，英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
3.随着人工智能的快速发展，使得智能客服聊天机器人也在迅速崛起，原本的智能客服聊天机器人只能通过问答数据库进行一些模板式的回答，到现在已经可以做到多种角度及智能化地解决我们的问题，如：作诗、写请假条、写代码、美食制作等功能都可以完成。然而，传统的智能客服聊天机器人在回答问题的时候仅仅只是按照你问的问题去解决，不会考虑整体问题去回答，并且不能分析用户情绪去优化回答方式，使得回答方式与语气显得模板化，从而用户没有感受到真实般的聊天体验感。


技术实现要素：

4.基于此，本发明提供一种基于深度学习的智能聊天业务实现方法和系统，以解决至少一个上述技术问题。
5.为实现上述目的，一种基于深度学习的智能聊天业务实现方法，所述方法包括以下步骤：
6.步骤s1：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成标准问答数据；对标准问答数据进行特征字段信息提取处理，从而生成特征信息数据；
7.步骤s2：对特征信息数据进行编码及率定参数处理，生成信息库率定数据；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型；
8.步骤s3：接收终端发送的用户问题信息，将用户问题信息传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据；
9.步骤s4：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；根据人脸图像数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
10.本实施例利用爬虫指令进行数据采集，提高数据采集的安全性，保证数据采集过
程中数据的完整性，并提取标准数据中特征信息字段，有助于构建智能客服聊天机器人的知识库，为后续的训练智能问答模型提供有用的训练数据，这样可以提高聊天机器人的准确性和对话质量。利用编码将特征信息数据转化为可以进行计算的向量，在将向量转化为率定数据从而可以传输进模型进行利用；记忆神经网络模型(memory networks)，英文缩写为：memnn，利用记忆神经网络模型为基础建立智能问答模型可以处理较大的数据量，并且在传输问题进入模型中时，可以实现模型对历史问题数据的记忆和利用，提高问题的准确性；通过使用信息库率定数据进行模型训练，可以提高模型的准确度和精度，使得智能问答机器人能够更准确地回答用户的问题，让模型更好地理解数据的特征和规律，从而提高模型的泛化能力，使得模型能够适应不同的场景和数据，优化模型的性能，提高其效率和速度，从而使得智能问答机器人能够更快速地回答用户的问题。通过智能问答模型，自动回答用户问题信息，节省人力的时间和精力，并且通过信息库中的信息可以快速获得准确地回答，智能问答模型可以通过用户问题信息及生成的答案进行学习和自我完善，提高答案的准确性。根据人脸图像数据对智能答复信息数据进行情感优化表达处理，可以让答复信息更符合用户的情感状态，增强用户体验和满意度。同时，通过将优化表达答复信息传输至终端，实现更加自然、人性化的人机交互，也能提高用户对智能客服聊天机器人的接受度和信任度。因此，本发明的基于深度学习的智能客服聊天机器人在回答问题的时候会考虑整体问题去回答问题去解决，提高答复信息的完整性及准确性，并且能分析用户情绪去优化回答方式，使得回答方式与语气拟人化，如会增加语气助词去安抚用户情绪，从而使用户感受到真实般的聊天体验感。
11.在本说明书的一个实施例中，步骤s1包括以下步骤：
12.步骤s11：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成初始问答数据；
13.步骤s12：对初始问答数据进行数据清洗处理，生成清洗问答数据；
14.步骤s13：对清洗问答数据进行数据标准化处理，生成标准问答数据；
15.步骤s14：利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成问答信息有效率；
16.步骤s15：将问答信息有效率与信息有效率阈值进行阈值比对处理，将问答信息有效率小于信息有效率阈值的标准问答数据剔除，从而获得有效信息数据；
17.步骤s16：利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据；
18.步骤s17：对语义信息数据进行批量归一化处理，生成归一化信息数据；
19.步骤s18：对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数据。
20.本实施例利用爬虫指令进行数据采集，生成的初始问答数据提高数据采集的安全性，保证数据采集过程中数据的完整性，为后续数据处理提供数据基础；对初始问答数据进行数据清洗，生成的清洗问答数据可以去除冗余和错误的信息，提高数据质量；对清洗问答数据进行数据标准化处理，生成的标准问答数据将数据格式标准化，方便后续处理；利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成的问答信息有效率可以对问答数据进行筛选，只选择对问题有价值的数据；将问题信息有效率小于预设有
效率阈值的标准问答数据进行剔除，生成有效信息数据，通过阈值比对，进一步筛选出对问题有实际帮助的数据；利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据，将问答数据转化为计算机可以理解的语义信息，为后续处理提供基础；对语义信息数据进行批量归一化处理，生成归一化信息数据，将数据进行统一的数值范围处理，方便后续模型训练和处理；对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数据，提取出对问题有帮助的关键特征，减少数据的运算量的同时保证数据的准确性，为后续模型训练和处理提供基础。
21.在本说明书的一个实施例中，步骤s14中的有效问答信息计算公式如下所示：
[0022][0023]
式中，p表示为问答信息有效率，a表示为标记字段出现频率，x表示为标准问答数据的熵值，d表示为信息字段重复率，f表示为无用信息字段占比数据，g表示为关键词字段出现频率，j表示为标记字段的权重信息，表示为问答信息有效率的异常调整值。
[0024]
本实施例提供一种有效问答信息计算公式，该公式充分考虑了标记字段出现频率a、标准问答数据的熵值x、信息字段重复率d、无用信息字段占比数据f、关键词字段出现频率g、标记字段的权重信息j以及相互之间的作用关系，以形成函数关系实现了通过标准问答数据的熵值为基础确定信息是否为有效数据，利用对数、三角函数及求导计算标准问答数据中标记字段出现频率、关键词出现频率与标记字段的权重信息，以确定该标准问答数据是否重要，能够在更小的数值运行与空间映射，减少了数据的运算量的同时保证了数据准确，降低硬件的负担与提高数据处理速度，避免了数据冗余带来的计算误差，同时使计算快速达到收敛阶段，再综合考虑信息字段重复率及无用信息字段占比数据判断该数据是否为有效数据，使得该函数对每条标准问题数据都聚偶针对性作用，从而可以筛选出高质量、有效的问答信息数据，减少重复数据与无效数据的干扰，提高智能客服聊天机器人的问答准确性和效率。再利用问答信息有效率的异常调整值进行数据修正，减少异常数据带来的影响，从而准确地问答信息有效率p的准确性。同时，该公式中的权重信息及调整项等参数可以根据实际情况进行调整，提高了算法的灵活性与适用性。
[0025]
在本说明书的一个实施例中，其中文本编码及率定参数处理包括文本编码处理以及参数率定处理，步骤s2包括以下步骤：
[0026]
步骤s21：对特征信息数据进行文本编码处理，生成特征信息向量；
[0027]
步骤s22：对特征信息向量进行信息参数率定处理，生成信息库率定数据；
[0028]
步骤s23：基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；
[0029]
步骤s24：利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型。
[0030]
本实施例文本编码处理将特征信息数据转化为向量形式，有助于提高特征信息的表达能力和提取特征信息的效率，并且转化为数学向量形式，方便数学计算；信息参数率定处理可以优化特征信息向量的表示，提高模型对特征信息的理解和利用能力，同时也有助
于提高问答模型的准确度；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型，其中，记忆神经网络模型(memory networks)，英文缩写为：memnn，利用记忆神经网络模型为基础建立智能问答模型可以处理较大的数据量，并且在传输问题进入模型中时，可以实现模型对历史问题数据的记忆和利用，提高问题的准确性；问答模型训练可以提高模型的准确度和泛化能力，从而为用户提供更加准确、全面和高效的智能问答服务。
[0031]
在本说明书的一个实施例中，步骤s3包括以下步骤：
[0032]
步骤s31：接收终端发送的用户问题信息；
[0033]
步骤s32：对用户问题信息进行问题完整性判定处理，生成问题完整性信息；
[0034]
步骤s33：根据问题完整性信息对用户问题信息进行智能补全处理，生成智能用户问题信息；
[0035]
步骤s34：对智能用户问题信息进行时间序列提取处理，生成智能用户问题信息的时间序列；
[0036]
步骤s35：根据时间序列将智能用户问题信息进行问题关联处理，生成关联问题数据；
[0037]
步骤s36：将关联问题数据进行问题参数率定处理，生成关联问题率定数据；
[0038]
步骤s37：将关联问题率定数据传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据。
[0039]
本实施例接收终端发送的用户问题信息，为智能问答模型提供测试集数据；对用户问题信息进行问题完整性判定处理，可以提高答复的准确性和完整性；根据问题完整性信息对用户问题信息进行智能补全处理，可以增加问题的完整性和语义表达的准确性；对智能用户问题信息进行时间序列提取处理，可以提取出问题的时间属性信息，以此确定智能用户问题信息的先后顺序与关联性问题；根据时间序列将智能用户问题信息进行问题关联处理，可以根据问题的时间属性信息对相关问题进行关联，生成关联问题数据，可以将杂乱无章的问题整合成一整套问题序列，以此来回答问题得到的答复会更加准确，并且也确保问题的完整性；将关联问题数据进行问题参数率定处理，使得数据更加准确，减少数据造成的误差，可以提高问题答复的准确性；将问题率定数据传输至智能问答模型进行问题信息智能答复处理，可以实现智能的问题答复，并为用户提供有用的信息。
[0040]
在本说明书的一个实施例中，步骤s37包括以下步骤：
[0041]
步骤s371：将关联问题率定数据传输至智能问答模型进行问题信息回复处理，生成初步答复信息数据；
[0042]
步骤s372：基于信息库率定数据对初步答复信息数据进行预测用户问题信息处理，生成预测用户问题建议；
[0043]
步骤s373将预测用户问题建议与初步关联问题数据进行整体问题架构整理处理，生成整体问题架构信息，并将预测用户问题建议传输至终端；
[0044]
步骤s374：根据整体问题架构信息对初步回复信息数据进行智能优化处理，从而生成智能答复信息数据。
[0045]
本实施例通过接收关联问题率定数据作为智能问答模型的测试集，考虑问题的上下文数据来答复用户问题信息使得结果更加精确；基于信息库率定数据对初步答复信息数据进行预测用户问题信息处理，考虑用户接下来可能会问的问题，生成预测用户问题建议，
从而提高问题回复的精确度和针对性；通过整体问题架构整理处理，能够更好地将初步回复信息与预测用户问题建议进行整合，形成更为全面的回复，提高用户满意度和问题解决效率；通过智能优化处理，能够对初步回复信息进行精细化调整和优化，提高回答的准确度和可读性，进一步提高用户满意度和体验。
[0046]
在本说明书的一个实施例中，步骤s4包括以下步骤：
[0047]
步骤s41：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；
[0048]
步骤s42：通过预设的聊天时间对人脸图像数据进行答复时间内的人脸图像提取处理，生成有效人脸图像数据；
[0049]
步骤s43：利用面部表情积分计算公式对有效人脸图像数据进行面部表情积分计算处理，生成表情积分数据；
[0050]
步骤s44：对表情积分数据进行情绪分析处理，生成情绪信息数据；
[0051]
步骤s45：根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
[0052]
本实施例利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据，。这可以确保获取到清晰、准确的人脸图像，为后续的面部表情积分计算提供有效的数据基础；通过预设的聊天时间内对人脸图像数据进行人脸图像提取处理，生成有效人脸图像数据，这可以过滤掉不必要的数据，从而提高后续处理的效率和精度，保证了数据准确的情况下减少了数据的运算量；计算有效人脸图像数据中的面部表情积分，这可以将面部表情转化为数字化数据表示，为后续的情绪分析处理提供可靠的数据基础；对表情积分数据进行情绪分析处理，生成情绪信息数据。这可以分析用户当前的情绪状态，并为后续的情感优化表达处理提供决策依据；根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，这可以提高智能答复的情感表达能力，使得机器可以更好地理解用户需求并做出相应回应，从而提高用户体验和满意度。
[0053]
在本说明书的一个实施例中，步骤s43中的面部表情积分计算公式如下所示：
[0054][0055]
式中，q表示为面部表情积分，y表示为i时刻的眼角倾斜角度，u表示为面部表情挤压程度生成的权重信息，w表示为i时刻的瞳孔缩放程度，r表示为面部表情变化生成的权重信息，q表示为i时刻的嘴角倾斜角度，t表示为聊天时间，θ表示为面部表情积分的异常调整值。
[0056]
本实施例提供一种面部表情积分计算公式，该公式充分考虑了i时刻的眼角倾斜角度y、面部表情挤压程度生成的权重信息u、i时刻的瞳孔缩放程度w、面部表情变化生成的权重信息r、i时刻的嘴角倾斜角度q、聊天时间t以及相互之间的作用关系，已形成函数关系通过在聊天时间内对i时刻的眼角倾斜角度、瞳孔缩放程度及嘴角倾斜角度进行整体求和，将面部表情转化为数学方式角度进行计算，使用三角函数及对数函数的方式，在保证数据准确的情况实现降维调整并精准对面部进行打分，使得计算快速达到收敛阶段，同时减少了冗余维度带来的计算误差，并利用面部表情挤压
程度生成的权重信息与面部表情变化生成的权重信息之间相互作用关系，综合分析用户面部的变化情况对面部表情积分的影响使其求的最优接，从而得到面部表情积分q，并通过面部表情积分的异常调整值θ进行修正，减少因设备或成像问题带来的误差影响，更准确地生成面部表情积分，提高了对面部表情打分的准确性和可靠性。同时，该公式中的权重信息及调整项等参数可以根据实际情况进行调整，应用于不同的电子监控设备拍下的面部图像，从而适应不同分辨率下的面部图像数据，提高了算法的灵活性与适用性。
[0057]
在本说明书的一个实施例中，步骤s44包括以下步骤：
[0058]
步骤s441：对人脸图像数据进行历史收集处理，得到历史人脸图像数据；
[0059]
步骤s442：对历史人脸图像进行面部表情特征提取处理，生成特征表情图像数据；
[0060]
步骤s443：通过卷积神经网络对特征表情图像进行识别用户情绪区间处理，从而生成用户情绪积分区间；
[0061]
步骤s444：利用情绪积分区间对表情积分数据进行情绪分析处理，生成情绪信息数据。
[0062]
本实施例对人脸图像数据进行历史收集处理，得到历史人脸图像数据，这可以获取用户以往的面部表情数据，并为后续的情绪分析处理提供更全面的数据基础；对历史人脸图像进行面部表情特征提取处理，生成特征表情图像数据，将图像数据转化为数字化的特征向量，为后续的情绪识别处理提供可靠的数据基础；通过卷积神经网络对特征表情图像进行识别用户情绪区间处理，从而生成用户情绪积分区间，这可以识别出面部表情特征，判断用户当前的情绪状态，并将其转化为数字化的情绪积分区间；利用情绪积分区间对表情积分数据进行情绪分析处理，生成情绪信息数据。这可以分析用户当前的情绪状态，并将其转化为文字化的情绪信息数据，为后续的情感优化表达处理提供决策依据。
[0063]
在本说明书的一个实施例中提供一种基于深度学习的智能客服聊天机器人系统，包括：
[0064]
至少一个处理器；以及，
[0065]
与所述至少一个处理器通信连接的存储器；其中，
[0066]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一项所述的基于深度学习的智能聊天业务实现方法。
[0067]
本发明为基于深度学习的智能聊天业务实现方法及系统，智能客服机器人利用爬虫指令进行数据采集，由于数据采集过程可能会造成数据遗失或不安全的可能，利用爬虫指令增加了数据的安全性与可靠性，从而获得问答数据；再通过记忆网络模型建立智能聊天问答的映射关系，生成初始智能问答模型，记忆网络模型与外部存储器互相连接可以对数据量较大的训练集进行训练，并且记忆网络模型可以考虑整体问题进行分析问题，使得智能聊天的过程中，答复问题也更加精确及全面，利用问答数据作为训练集传输进初始智能问答模型中进行模型训练，得到能针对问题进行回答的智能问答模型；接收终端发送的用户问题信息，对用户问题信息进行智能补全，使用户问题信息进行完善，并且对用户问题信息进行上下文分析处理，答复用户问题信息时不是单独考虑一个问题进行解决，而是通过对用户问题信息加入时间序列，通过时间序列找到与用户问题信息的关联问题信息，从而使问题信息变成关联问题数据，再将关联问题数据作为测试集传输至智能问答模型进行
智能答复，从而得到智能答复信息数据，使得答复信息数据具备准确性和完整性，节省人力的时间和精力，并且可以快速精确地回答问题；通过电子监控设备拍摄人脸图像，获得人脸图像数据，对人脸图像进行情绪分析处理，当分析用户情绪不好时，在智能聊天过程中智能机器人进行答复的时候加入安抚的话语，或者加入一些语气，安抚用户的心情，使得整个聊天更加拟人化。因此，本发明的基于深度学习的智能客服聊天机器人在回答问题的时候会考虑整体问题去回答问题去解决，提高答复信息的完整性及准确性，并且能分析用户情绪去优化回答方式，使得回答方式与语气拟人化，如会增加语气助词去安抚用户情绪，从而使用户感受到真实般的聊天体验感。
附图说明
[0068]
图1为本发明一种基于深度学习的智能聊天业务实现方法的步骤流程示意图；
[0069]
图2为图1中步骤s1的详细实施步骤流程示意图；
[0070]
图3为图1中步骤s2的详细实施步骤流程示意图；
[0071]
图4为图1中步骤s3的详细实施步骤流程示意图；
[0072]
图5为图1中步骤s4的详细实施步骤流程示意图；
[0073]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0074]
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
[0075]
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
[0076]
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
[0077]
本技术实施例提供一种基于深度学习的智能聊天业务实现方法和系统。所述智能客服聊天机器人包括但不限于：物流智能客服聊天机器人、电商智能聊天机器人及交流聊天机器人等。所述终端包括但不限于：移动端设备及计算机端设备等至少一种，电子监控设备包括但不限于：计算机端摄像头设备及移动端摄像头设备等一种。
[0078]
为实现上述目的，请参阅图1至图5，一种基于深度学习的智能聊天业务实现方法，所述方法包括以下步骤：
[0079]
步骤s1：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处
理，生成标准问答数据；对标准问答数据进行特征字段信息提取处理，从而生成特征信息数据；
[0080]
步骤s2：对特征信息数据进行编码及率定参数处理，生成信息库率定数据；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型；
[0081]
步骤s3：接收终端发送的用户问题信息，将用户问题信息传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据；
[0082]
步骤s4：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；根据人脸图像数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
[0083]
本实施例利用爬虫指令进行数据采集，提高数据采集的安全性，保证数据采集过程中数据的完整性，并提取标准数据中特征信息字段，有助于构建智能客服聊天机器人的知识库，为后续的训练智能问答模型提供有用的训练数据，这样可以提高聊天机器人的准确性和对话质量。利用编码将特征信息数据转化为可以进行计算的向量，在将向量转化为率定数据从而可以传输进模型进行利用；记忆神经网络模型(memory networks)，英文缩写为：memnn，利用记忆神经网络模型为基础建立智能问答模型可以处理较大的数据量，并且在传输问题进入模型中时，可以实现模型对历史问题数据的记忆和利用，提高问题的准确性；通过使用信息库率定数据进行模型训练，可以提高模型的准确度和精度，使得智能问答机器人能够更准确地回答用户的问题，让模型更好地理解数据的特征和规律，从而提高模型的泛化能力，使得模型能够适应不同的场景和数据，优化模型的性能，提高其效率和速度，从而使得智能问答机器人能够更快速地回答用户的问题。通过智能问答模型，自动回答用户问题信息，节省人力的时间和精力，并且通过信息库中的信息可以快速获得准确地回答，智能问答模型可以通过用户问题信息及生成的答案进行学习和自我完善，提高答案的准确性。根据人脸图像数据对智能答复信息数据进行情感优化表达处理，可以让答复信息更符合用户的情感状态，增强用户体验和满意度。同时，通过将优化表达答复信息传输至终端，实现更加自然、人性化的人机交互，也能提高用户对智能客服聊天机器人的接受度和信任度。因此，本发明的基于深度学习的智能客服聊天机器人在回答问题的时候会考虑整体问题去回答问题去解决，提高答复信息的完整性及准确性，并且能分析用户情绪去优化回答方式，使得回答方式与语气拟人化，如会增加语气助词去安抚用户情绪，从而使用户感受到真实般的聊天体验感。
[0084]
本发明实施例中，参考图1所述，为本发明一种基于深度学习的智能聊天业务实现方法的步骤流程示意图，在本实例中，所述基于深度学习的智能聊天业务实现方法的步骤包括：
[0085]
步骤s1：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成标准问答数据；对标准问答数据进行特征字段信息提取处理，从而生成特征信息数据；
[0086]
本发明实施例中，智能客服聊天机器人可以在云服务器的相关网站上使用爬虫指令，如：python爬虫指令及java爬虫指令等，自动化地抓取和提取相关的问答信息，并将其转化为标准格式的数据；使用自然语言处理技术，对标准问答数据进行分词、词性标注、命
名实体识别等处理，从而提取出关键词、实体、属性等特征字段信息，并将其转化为数字化的特征向量，作为特征信息数据的表示形式。
[0087]
步骤s2：对特征信息数据进行编码及率定参数处理，生成信息库率定数据；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型；
[0088]
本发明实施例中，使用一些技术手段，如词袋模型、tf-idf算法等，将特征信息数据进行数字化表示，再利用信息率定参数技术调整特征信息向量中各参数的权重和偏置值，使其符合问题分类和回答准确性的要求，并将经过参数率定处理后的特征信息向量作为信息库率定数据，基于记忆神经网络模型(memnn)建立智能聊天问答的映射关系，将记忆神经网络模型针对处理问答信息数据而建立的模型，从而生成初始智能问答模型；将信息库率定数据作为训练集传输至初始智能问答模型进行问答模型训练，初始智能问答模型利用递归的方式对模型进行训练，从而生成智能问答模型。
[0089]
步骤s3：接收终端发送的用户问题信息，将用户问题信息传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据；
[0090]
本发明实施例中，通过网络连接等方式，接收来自计算机设备的用户问题信息，将接收到的用户问题信息输入到已经训练好的智能问答模型中，利用模型中存储的问答知识库和算法，进行问题理解、相关知识检索、答案生成等处理，从而生成智能答复信息数据。
[0091]
步骤s4：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；根据人脸图像数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
[0092]
本发明实施例中，可以使用计算机端摄像头设备对用户进行人脸拍摄处理，以获取用户的人脸图像数据；可以采用人脸识别技术和情感分析算法，对用户的面部表情进行识别和分析，从而了解用户的情感状态，并根据情感状态将智能答复信息进行情感优化表达处理，生成更符合用户需求和情感状态的优化表达答复信息，将生成的优化表达答复信息通过网络连接等方式，传输回计算机端设备，并在屏幕上显示出相应的文字或语音提示，与用户进行实时的人机交互。
[0093]
在本说明书的一个实施例中，步骤s1包括以下步骤：
[0094]
步骤s11：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成初始问答数据；
[0095]
步骤s12：对初始问答数据进行数据清洗处理，生成清洗问答数据；
[0096]
步骤s13：对清洗问答数据进行数据标准化处理，生成标准问答数据；
[0097]
步骤s14：利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成问答信息有效率；
[0098]
步骤s15：将问答信息有效率与信息有效率阈值进行阈值比对处理，将问答信息有效率小于信息有效率阈值的标准问答数据剔除，从而获得有效信息数据；
[0099]
步骤s16：利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据；
[0100]
步骤s17：对语义信息数据进行批量归一化处理，生成归一化信息数据；
[0101]
步骤s18：对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数
据。
[0102]
本实施例利用爬虫指令进行数据采集，生成的初始问答数据提高数据采集的安全性，保证数据采集过程中数据的完整性，为后续数据处理提供数据基础；对初始问答数据进行数据清洗，生成的清洗问答数据可以去除冗余和错误的信息，提高数据质量；对清洗问答数据进行数据标准化处理，生成的标准问答数据将数据格式标准化，方便后续处理；利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成的问答信息有效率可以对问答数据进行筛选，只选择对问题有价值的数据；将问题信息有效率小于预设有效率阈值的标准问答数据进行剔除，生成有效信息数据，通过阈值比对，进一步筛选出对问题有实际帮助的数据；利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据，将问答数据转化为计算机可以理解的语义信息，为后续处理提供基础；对语义信息数据进行批量归一化处理，生成归一化信息数据，将数据进行统一的数值范围处理，方便后续模型训练和处理；对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数据，提取出对问题有帮助的关键特征，减少数据的运算量的同时保证数据的准确性，为后续模型训练和处理提供基础。
[0103]
作为本发明的一个实例，参考图2所示，为图1中步骤s1的详细实施步骤流程示意图，在本实例中所述步骤s1包括：
[0104]
步骤s11：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成初始问答数据；
[0105]
本发明实施例中，智能客服聊天机器人可以在云服务器的相关网站上使用爬虫指令，如：python爬虫指令及java爬虫指令等，自动化地抓取云服务器上的问答信息数据，并将其转化为初始问答数据。
[0106]
步骤s12：对初始问答数据进行数据清洗处理，生成清洗问答数据；
[0107]
本发明实施例中，去除重复、含有特殊字符或html标签等无用信息，将初始问答数据进行清洗和规范化处理，从而生成清洗问答数据。
[0108]
步骤s13：对清洗问答数据进行数据标准化处理，生成标准问答数据；
[0109]
本发明实施例中，统一问答数据的格式、结构和内容，使其符合标准要求，从而生成标准问答数据。
[0110]
步骤s14：利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成问答信息有效率；
[0111]
本发明实施例中，针对标准问答数据，设计有效问答信息计算公式，综合考虑问答对的有效性、回答的准确性、问答对的重要性等因素，计算出问答信息有效率。
[0112]
步骤s15：将问答信息有效率与信息有效率阈值进行阈值比对处理，将问答信息有效率小于信息有效率阈值的标准问答数据剔除，从而获得有效信息数据；
[0113]
本发明实施例中，设置信息有效率的阈值，将问答信息有效率小于该阈值的标准问答数据进行剔除，从而获取有效信息数据。
[0114]
步骤s16：利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据；
[0115]
本发明实施例中，利用自然语言处理技术，对有效信息数据进行分词、词性标注、命名实体识别等处理，从而提取出关键词、实体和属性等语义信息数据。
[0116]
步骤s17：对语义信息数据进行批量归一化处理，生成归一化信息数据；
[0117]
本发明实施例中，对语义信息数据进行归一化处理，使其符合正态分布或均匀分布等标准分布特征，从而生成归一化信息数据。
[0118]
步骤s18：对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数据。
[0119]
本发明实施例中，对归一化信息数据进行特征字段信息提取处理，从中提取出关键词、实体、属性等特征信息，并将其转化为数字化的特征向量，作为特征信息数据的表示形式。
[0120]
在本说明书的一个实施例中，步骤s14中的有效问答信息计算公式如下所示：
[0121][0122]
式中，p表示为问答信息有效率，a表示为标记字段出现频率，x表示为标准问答数据的熵值，d表示为信息字段重复率，f表示为无用信息字段占比数据，g表示为关键词字段出现频率，j表示为标记字段的权重信息，表示为问答信息有效率的异常调整值。
[0123]
本实施例提供一种有效问答信息计算公式，该公式充分考虑了标记字段出现频率a、标准问答数据的熵值x、信息字段重复率d、无用信息字段占比数据f、关键词字段出现频率g、标记字段的权重信息j以及相互之间的作用关系，以形成函数关系实现了通过标准问答数据的熵值为基础确定信息是否为有效数据，利用对数、三角函数及求导计算标准问答数据中标记字段出现频率、关键词出现频率与标记字段的权重信息，以确定该标准问答数据是否重要，能够在更小的数值运行与空间映射，减少了数据的运算量的同时保证了数据准确，降低硬件的负担与提高数据处理速度，避免了数据冗余带来的计算误差，同时使计算快速达到收敛阶段，再综合考虑信息字段重复率及无用信息字段占比数据判断该数据是否为有效数据，使得该函数对每条标准问题数据都聚偶针对性作用，从而可以筛选出高质量、有效的问答信息数据，减少重复数据与无效数据的干扰，提高智能客服聊天机器人的问答准确性和效率。再利用问答信息有效率的异常调整值进行数据修正，减少异常数据带来的影响，从而准确地问答信息有效率p的准确性。同时，该公式中的权重信息及调整项等参数可以根据实际情况进行调整，提高了算法的灵活性与适用性。
[0124]
在本说明书的一个实施例中，其中文本编码及率定参数处理包括文本编码处理以及参数率定处理，步骤s2包括以下步骤：
[0125]
步骤s21：对特征信息数据进行文本编码处理，生成特征信息向量；
[0126]
步骤s22：对特征信息向量进行信息参数率定处理，生成信息库率定数据；
[0127]
步骤s23：基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；
[0128]
步骤s24：利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型。
[0129]
本实施例文本编码处理将特征信息数据转化为向量形式，有助于提高特征信息的表达能力和提取特征信息的效率，并且转化为数学向量形式，方便数学计算；信息参数率定
处理可以优化特征信息向量的表示，提高模型对特征信息的理解和利用能力，同时也有助于提高问答模型的准确度；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型，其中，记忆神经网络模型(memory networks)，英文缩写为：memnn，利用记忆神经网络模型为基础建立智能问答模型可以处理较大的数据量，并且在传输问题进入模型中时，可以实现模型对历史问题数据的记忆和利用，提高问题的准确性；问答模型训练可以提高模型的准确度和泛化能力，从而为用户提供更加准确、全面和高效的智能问答服务。
[0130]
作为本发明的一个实例，参考图3所示，为图1中步骤s2的详细实施步骤流程示意图，在本实例中所述步骤s2包括：
[0131]
步骤s21：对特征信息数据进行文本编码处理，生成特征信息向量；
[0132]
本发明实施例中，利用文本编码技术，如词袋模型、tf-idf模型等，将特征信息数据中的文本信息转换为向量表示形式，从而生成特征信息向量。
[0133]
步骤s22：对特征信息向量进行信息参数率定处理，生成信息库率定数据；
[0134]
本发明实施例中，利用信息参数率定技术，调整特征信息向量中各参数的权重和偏置值，使其符合问题分类和回答准确性的要求，并将经过参数率定处理后的特征信息向量作为信息库率定数据。
[0135]
步骤s23：基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；
[0136]
本发明实施例中，采用记忆网络模型，在信息库率定数据的基础上，建立问题-答案的映射关系，从而生成初始的智能问答模型。
[0137]
步骤s24：利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型。
[0138]
本发明实施例中，将信息库率定数据作为初始智能问答模型的输入，并根据模型训练算法和损失函数，对模型进行迭代训练，直到达到预设的收敛条件或训练次数，从而生成具有更高精度和泛化性能的智能问答模型。
[0139]
在本说明书的一个实施例中，步骤s3包括以下步骤：
[0140]
步骤s31：接收终端发送的用户问题信息；
[0141]
步骤s32：对用户问题信息进行问题完整性判定处理，生成问题完整性信息；
[0142]
步骤s33：根据问题完整性信息对用户问题信息进行智能补全处理，生成智能用户问题信息；
[0143]
步骤s34：对智能用户问题信息进行时间序列提取处理，生成智能用户问题信息的时间序列；
[0144]
步骤s35：根据时间序列将智能用户问题信息进行问题关联处理，生成关联问题数据；
[0145]
步骤s36：将关联问题数据进行问题参数率定处理，生成关联问题率定数据；
[0146]
步骤s37：将关联问题率定数据传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据。
[0147]
本实施例接收终端发送的用户问题信息，为智能问答模型提供测试集数据；对用户问题信息进行问题完整性判定处理，可以提高答复的准确性和完整性；根据问题完整性信息对用户问题信息进行智能补全处理，可以增加问题的完整性和语义表达的准确性；对
智能用户问题信息进行时间序列提取处理，可以提取出问题的时间属性信息，以此确定智能用户问题信息的先后顺序与关联性问题；根据时间序列将智能用户问题信息进行问题关联处理，可以根据问题的时间属性信息对相关问题进行关联，生成关联问题数据，可以将杂乱无章的问题整合成一整套问题序列，以此来回答问题得到的答复会更加准确，并且也确保问题的完整性；将关联问题数据进行问题参数率定处理，使得数据更加准确，减少数据造成的误差，可以提高问题答复的准确性；将问题率定数据传输至智能问答模型进行问题信息智能答复处理，可以实现智能的问题答复，并为用户提供有用的信息。
[0148]
作为本发明的一个实例，参考图4所示，为图1中步骤s3的详细实施步骤流程示意图，在本实例中所述步骤s3包括：
[0149]
步骤s31：接收终端发送的用户问题信息；
[0150]
本发明实施例中，用户在计算机端设备中发送一条问题信息：“今天天气怎么样？”，接收计算机端设备该条用户问题信息。
[0151]
步骤s32：对用户问题信息进行问题完整性判定处理，生成问题完整性信息；
[0152]
本发明实施例中，通过判断用户的问题信息是否完整，如缺少关键词、时间等信息，生成问题完整性信息。
[0153]
步骤s33：根据问题完整性信息对用户问题信息进行智能补全处理，生成智能用户问题信息；
[0154]
本发明实施例中，根据问题完整性信息，利用自然语言处理技术对用户问题信息进行补充，如补充关键词、时间等信息，生成智能用户问题信息：“明天下午5点a地的天气怎么样？”。
[0155]
步骤s34：对智能用户问题信息进行时间序列提取处理，生成智能用户问题信息的时间序列；
[0156]
本发明实施例中，根据智能用户问题信息中的剔除问题的时间，如该条信息为9：00发送，提取出该时间信息。
[0157]
步骤s35：根据时间序列将智能用户问题信息进行问题关联处理，生成关联问题数据；
[0158]
本发明实施例中，根据时间序列信息，找到该时间附件的相关其他问题信息，如在8：59时提出问题“今天适合出去旅游吗？”、“a地今天适合出门吗？”等，将这些信息与最新提问的智能用户问题信息进行联系，对智能用户问题信息一些细节进行补充，生成关联问题数据。
[0159]
步骤s36：将关联问题数据进行问题参数率定处理，生成关联问题率定数据；
[0160]
本发明实施例中，根据关联问题数据，对每个问题信息中的关键词、时间等参数进行评估和比较，生成关联问题率定数据。
[0161]
步骤s37：将关联问题率定数据传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据。
[0162]
本发明实施例中，将关联问题率定数据输入到智能问答模型中进行处理，根据模型输出生成智能答复信息数据，如“今天a地天气多云，气温20℃左右。另外，您可能还关心a地哪些地方会下雨。”。
[0163]
在本说明书的一个实施例中，步骤s37包括以下步骤：
[0164]
步骤s371：将关联问题率定数据传输至智能问答模型进行问题信息回复处理，生成初步答复信息数据；
[0165]
步骤s372：基于信息库率定数据对初步答复信息数据进行预测用户问题信息处理，生成预测用户问题建议；
[0166]
步骤s373将预测用户问题建议与初步关联问题数据进行整体问题架构整理处理，生成整体问题架构信息，并将预测用户问题建议传输至终端；
[0167]
步骤s374：根据整体问题架构信息对初步回复信息数据进行智能优化处理，从而生成智能答复信息数据。
[0168]
本实施例通过接收关联问题率定数据作为智能问答模型的测试集，考虑问题的上下文数据来答复用户问题信息使得结果更加精确；基于信息库率定数据对初步答复信息数据进行预测用户问题信息处理，考虑用户接下来可能会问的问题，生成预测用户问题建议，从而提高问题回复的精确度和针对性；通过整体问题架构整理处理，能够更好地将初步回复信息与预测用户问题建议进行整合，形成更为全面的回复，提高用户满意度和问题解决效率；通过智能优化处理，能够对初步回复信息进行精细化调整和优化，提高回答的准确度和可读性，进一步提高用户满意度和体验。
[0169]
本发明实施例中，将关联问题率定数据作为输入，通过智能问答模型生成初步答复信息数据，例如：“明天a地天气多云，气温20℃左右。”，利用信息库中的已有数据和概率模型，对初步答复信息数据进行分析和预测，生成预测用户问题建议，例如：“用户可能会继续询问a地哪些地方会下雨。”，将预测用户问题建议与初步关联问题数据整合，形成一个完整的问题架构信息。同时，将预测用户问题建议传输到终端提示用户可能会继续关注哪些相关问题，利用整体问题架构信息对初步答复信息数据进行分析和智能优化处理，从而生成最终的智能答复信息数据，例如：“今天a地天气多云，气温20℃左右。另外，您可能还关心a地哪些地方会下雨。”。
[0170]
在本说明书的一个实施例中，步骤s4包括以下步骤：
[0171]
步骤s41：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；
[0172]
步骤s42：通过预设的聊天时间对人脸图像数据进行答复时间内的人脸图像提取处理，生成有效人脸图像数据；
[0173]
步骤s43：利用面部表情积分计算公式对有效人脸图像数据进行面部表情积分计算处理，生成表情积分数据；
[0174]
步骤s44：对表情积分数据进行情绪分析处理，生成情绪信息数据；
[0175]
步骤s45：根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
[0176]
本实施例利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据，。这可以确保获取到清晰、准确的人脸图像，为后续的面部表情积分计算提供有效的数据基础；通过预设的聊天时间内对人脸图像数据进行人脸图像提取处理，生成有效人脸图像数据，这可以过滤掉不必要的数据，从而提高后续处理的效率和精度，保证了数据准确的情况下减少了数据的运算量；计算有效人脸图像数据中的面部表情积分，这可以将面部表情转化为数字化数据表示，为后续的情绪分析处理提供可靠的数据基础；对表情积分数据进行情绪分析处理，生成情绪信息数据。这可以分析用户当前的情绪状态，并为后续的情感优化表
达处理提供决策依据；根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，这可以提高智能答复的情感表达能力，使得机器可以更好地理解用户需求并做出相应回应，从而提高用户体验和满意度。
[0177]
作为本发明的一个实例，参考图5所示，为图1中步骤s4的详细实施步骤流程示意图，在本实例中所述步骤s4包括：
[0178]
步骤s41：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；
[0179]
本发明实施例中，利用电脑端摄像头设备对用户的人脸进行实时拍摄处理，以获取人脸图像数据。
[0180]
步骤s42：通过预设的聊天时间对人脸图像数据进行答复时间内的人脸图像提取处理，生成有效人脸图像数据；
[0181]
本发明实施例中，预设的聊天时间范围，该聊天时间范围如从与智能聊天机器人开始聊天到结束为止，从人脸图像数据中筛选出在该时间范围内的有效人脸图像数据。
[0182]
步骤s43：利用面部表情积分计算公式对有效人脸图像数据进行面部表情积分计算处理，生成表情积分数据；
[0183]
本发明实施例中，利用面部表情积分计算公式对有效人脸图像数据进行面部表情积分计算处理，在人脸不同表情的情况下赋予不同的积分值，形成表情积分数据。
[0184]
步骤s44：对表情积分数据进行情绪分析处理，生成情绪信息数据；
[0185]
本发明实施例中，通过对表情积分数据进行情绪分析处理，如基于机器学习和深度学习算法等，识别出用户当前的情绪状态，并生成相应的情绪信息数据。
[0186]
步骤s45：根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。
[0187]
本发明实施例中，根据情绪信息数据，系统可以自动提取适当的语气、措辞等元素，对智能答复信息数据进行情感优化表达处理，生成更符合用户情绪和需求的优化表达答复信息，并将其传输到终端，以实现更好的人机交互效果。例如，在用户询问天气时，如果情绪为焦虑，则系统可以使用更温和、缓解情绪的语气回答。
[0188]
在本说明书的一个实施例中，步骤s43中的面部表情积分计算公式如下所示：
[0189][0190]
式中，q表示为面部表情积分，y表示为i时刻的眼角倾斜角度，u表示为面部表情挤压程度生成的权重信息，w表示为i时刻的瞳孔缩放程度，r表示为面部表情变化生成的权重信息，q表示为i时刻的嘴角倾斜角度，t表示为聊天时间，θ表示为面部表情积分的异常调整值。
[0191]
本实施例提供一种面部表情积分计算公式，该公式充分考虑了i时刻的眼角倾斜角度y、面部表情挤压程度生成的权重信息u、i时刻的瞳孔缩放程度w、面部表情变化生成的权重信息r、i时刻的嘴角倾斜角度q、聊天时间t以及相互之间的作用关系，已形成函数关系通过在聊天时间内对i时刻的眼角倾斜角度、瞳孔缩放程度及嘴角倾斜角度进行整体求和，将面部表情转化为数学方式角度进行计算，使用三
角函数及对数函数的方式，在保证数据准确的情况实现降维调整并精准对面部进行打分，使得计算快速达到收敛阶段，同时减少了冗余维度带来的计算误差，并利用面部表情挤压程度生成的权重信息与面部表情变化生成的权重信息之间相互作用关系，综合分析用户面部的变化情况对面部表情积分的影响使其求的最优接，从而得到面部表情积分q，并通过面部表情积分的异常调整值θ进行修正，减少因设备或成像问题带来的误差影响，更准确地生成面部表情积分，提高了对面部表情打分的准确性和可靠性。同时，该公式中的权重信息及调整项等参数可以根据实际情况进行调整，应用于不同的电子监控设备拍下的面部图像，从而适应不同分辨率下的面部图像数据，提高了算法的灵活性与适用性。
[0192]
在本说明书的一个实施例中，步骤s44包括以下步骤：
[0193]
步骤s441：对人脸图像数据进行历史收集处理，得到历史人脸图像数据；
[0194]
步骤s442：对历史人脸图像进行面部表情特征提取处理，生成特征表情图像数据；
[0195]
步骤s443：通过卷积神经网络对特征表情图像进行识别用户情绪区间处理，从而生成用户情绪积分区间；
[0196]
步骤s444：利用情绪积分区间对表情积分数据进行情绪分析处理，生成情绪信息数据。
[0197]
本实施例对人脸图像数据进行历史收集处理，得到历史人脸图像数据，这可以获取用户以往的面部表情数据，并为后续的情绪分析处理提供更全面的数据基础；对历史人脸图像进行面部表情特征提取处理，生成特征表情图像数据，将图像数据转化为数字化的特征向量，为后续的情绪识别处理提供可靠的数据基础；通过卷积神经网络对特征表情图像进行识别用户情绪区间处理，从而生成用户情绪积分区间，这可以识别出面部表情特征，判断用户当前的情绪状态，并将其转化为数字化的情绪积分区间；利用情绪积分区间对表情积分数据进行情绪分析处理，生成情绪信息数据。这可以分析用户当前的情绪状态，并将其转化为文字化的情绪信息数据，为后续的情感优化表达处理提供决策依据。
[0198]
本发明实施例中，通过对计算机端摄像头拍摄过的用户的人脸图像数据进行历史收集处理，将这些图像整理并存储，得到历史人脸图像数据；使用面部表情识别算法对历史照片库中的每张照片进行特征提取处理，生成特征表情图像数据，例如，我们可以使用opencv库中的haar cascade分类器对每张照片进行面部检测和面部表情特征提取；使用卷积神经网络(cnn)对特征表情图像进行情绪识别处理，我们可以先把特征表情图像数据中的部分图片手动标注其情绪类别，如开心、悲伤、愤怒等，然后使用这些已有标注的样本来训练cnn模型，训练完成后，我们将历史照片库中的所有图片输入到cnn模型中，得到每张图片对应的情绪类别或情绪积分区间；根据情绪积分区间对每张历史照片的表情积分数据进行情绪分析处理，生成情绪信息数据，例如，我们可以将情绪积分区间划分为五个等级：兴奋、开心、正常、沮丧、悲伤，然后对每张历史照片的情绪积分进行分类处理，从而生成情绪信息数据，并且考虑该人物在历史上的情绪变化趋势和偏好，对现获得的表情积分数据与情绪关系进行自适应改变。
[0199]
在本说明书的一个实施例中提供一种基于深度学习的智能客服聊天机器人系统，包括：
[0200]
至少一个处理器；以及，
[0201]
与所述至少一个处理器通信连接的存储器；其中，
[0202]
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一项所述的基于深度学习的智能聊天业务实现方法。
[0203]
本发明为基于深度学习的智能聊天业务实现方法及系统，智能客服机器人利用爬虫指令进行数据采集，由于数据采集过程可能会造成数据遗失或不安全的可能，利用爬虫指令增加了数据的安全性与可靠性，从而获得问答数据；再通过记忆网络模型建立智能聊天问答的映射关系，生成初始智能问答模型，记忆网络模型与外部存储器互相连接可以对数据量较大的训练集进行训练，并且记忆网络模型可以考虑整体问题进行分析问题，使得智能聊天的过程中，答复问题也更加精确及全面，利用问答数据作为训练集传输进初始智能问答模型中进行模型训练，得到能针对问题进行回答的智能问答模型；接收终端发送的用户问题信息，对用户问题信息进行智能补全，使用户问题信息进行完善，并且对用户问题信息进行上下文分析处理，答复用户问题信息时不是单独考虑一个问题进行解决，而是通过对用户问题信息加入时间序列，通过时间序列找到与用户问题信息的关联问题信息，从而使问题信息变成关联问题数据，再将关联问题数据作为测试集传输至智能问答模型进行智能答复，从而得到智能答复信息数据，使得答复信息数据具备准确性和完整性，节省人力的时间和精力，并且可以快速精确地回答问题；通过电子监控设备拍摄人脸图像，获得人脸图像数据，对人脸图像进行情绪分析处理，当分析用户情绪不好时，在智能聊天过程中智能机器人进行答复的时候加入安抚的话语，或者加入一些语气，安抚用户的心情，使得整个聊天更加拟人化。因此，本发明的基于深度学习的智能客服聊天机器人在回答问题的时候会考虑整体问题去回答问题去解决，提高答复信息的完整性及准确性，并且能分析用户情绪去优化回答方式，使得回答方式与语气拟人化，如会增加语气助词去安抚用户情绪，从而使用户感受到真实般的聊天体验感。
[0204]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0205]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于深度学习的智能聊天业务实现方法，其特征在于，所述方法包括以下步骤：步骤s1：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成标准问答数据；对标准问答数据进行特征字段信息提取处理，从而生成特征信息数据；步骤s2：对特征信息数据进行编码及率定参数处理，生成信息库率定数据；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型；步骤s3：接收终端发送的用户问题信息，将用户问题信息传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据；步骤s4：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；根据人脸图像数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。2.根据权利要求1所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s1包括以下步骤：步骤s11：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成初始问答数据；步骤s12：对初始问答数据进行数据清洗处理，生成清洗问答数据；步骤s13：对清洗问答数据进行数据标准化处理，生成标准问答数据；步骤s14：利用有效问答信息计算公式对标准问答数据进行问答信息有效率计算处理，生成问答信息有效率；步骤s15：将问答信息有效率与信息有效率阈值进行阈值比对处理，将问答信息有效率小于信息有效率阈值的标准问答数据剔除，从而获得有效信息数据；步骤s16：利用自然语言处理技术对有效信息数据进行语义识别处理，生成语义信息数据；步骤s17：对语义信息数据进行批量归一化处理，生成归一化信息数据；步骤s18：对归一化信息数据进行特征字段信息提取处理，从而生成特征信息数据。3.根据权利要求2所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s14中的有效问答信息计算公式如下所示：式中，p表示为问答信息有效率，a表示为标记字段出现频率，x表示为标准问答数据的熵值，d表示为信息字段重复率，f表示为无用信息字段占比数据，g表示为关键词字段出现频率，j表示为标记字段的权重信息，表示为问答信息有效率的异常调整值。4.根据权利要求2所述的基于深度学习的智能聊天业务实现方法，其特征在于，其中文本编码及率定参数处理包括文本编码处理以及参数率定处理，步骤s2包括以下步骤：步骤s21：对特征信息数据进行文本编码处理，生成特征信息向量；步骤s22：对特征信息向量进行信息参数率定处理，生成信息库率定数据；步骤s23：基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；
步骤s24：利用信息库率定数据对初始智能问答模型进行问答模型训练，从而生成智能问答模型。5.根据权利要求4所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s3包括以下步骤：步骤s31：接收终端发送的用户问题信息；步骤s32：对用户问题信息进行问题完整性判定处理，生成问题完整性信息；步骤s33：根据问题完整性信息对用户问题信息进行智能补全处理，生成智能用户问题信息；步骤s34：对智能用户问题信息进行时间序列提取处理，生成智能用户问题信息的时间序列；步骤s35：根据时间序列将智能用户问题信息进行问题关联处理，生成关联问题数据；步骤s36：将关联问题数据进行问题参数率定处理，生成关联问题率定数据；步骤s37：将关联问题率定数据传输至智能问答模型进行问题信息智能答复处理，从而生成智能答复信息数据。6.根据权利要求5所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s37包括以下步骤：步骤s371：将关联问题率定数据传输至智能问答模型进行问题信息回复处理，生成初步答复信息数据；步骤s372：基于信息库率定数据对初步答复信息数据进行预测用户问题信息处理，生成预测用户问题建议；步骤s373将预测用户问题建议与初步关联问题数据进行整体问题架构整理处理，生成整体问题架构信息，并将预测用户问题建议传输至终端；步骤s374：根据整体问题架构信息对初步回复信息数据进行智能优化处理，从而生成智能答复信息数据。7.根据权利要求5所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s4包括以下步骤：步骤s41：利用电子监控设备对用户进行人脸拍摄处理，以获取人脸图像数据；步骤s42：通过预设的聊天时间对人脸图像数据进行答复时间内的人脸图像提取处理，生成有效人脸图像数据；步骤s43：利用面部表情积分计算公式对有效人脸图像数据进行面部表情积分计算处理，生成表情积分数据；步骤s44：对表情积分数据进行情绪分析处理，生成情绪信息数据；步骤s45：根据情绪信息数据对智能答复信息数据进行情感优化表达处理，从而生成优化表达答复信息，并将优化表达答复信息传输至终端，以实现人机交互。8.根据权利要求7所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s43中的面部表情积分计算公式如下所示：
式中，q表示为面部表情积分，y表示为i时刻的眼角倾斜角度，u表示为面部表情挤压程度生成的权重信息，w表示为i时刻的瞳孔缩放程度，r表示为面部表情变化生成的权重信息，q表示为i时刻的嘴角倾斜角度，t表示为聊天时间，θ表示为面部表情积分的异常调整值。9.根据权利要求7所述的基于深度学习的智能聊天业务实现方法，其特征在于，步骤s44包括以下步骤：步骤s441：对人脸图像数据进行历史收集处理，得到历史人脸图像数据；步骤s442：对历史人脸图像进行面部表情特征提取处理，生成特征表情图像数据；步骤s443：通过卷积神经网络对特征表情图像进行识别用户情绪区间处理，从而生成用户情绪积分区间；步骤s444：利用情绪积分区间对表情积分数据进行情绪分析处理，生成情绪信息数据。10.一种基于深度学习的智能客服聊天机器人系统，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9中任一项所述的基于深度学习的智能聊天业务实现方法。

技术总结
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的智能聊天业务实现方法和系统。所述方法包括以下步骤：智能客服聊天机器人利用爬虫指令对云服务器进行问答信息数据采集处理，生成标准问答数据；对标准问答数据进行特征字段信息提取处理，生成特征信息数据；对特征信息数据进行编码及率定参数处理，生成信息库率定数据；基于记忆网络模型建立智能聊天问答的映射关系，以生成初始智能问答模型；利用信息库率定数据对初始智能问答模型进行问答模型训练，生成智能问答模型。本发明通过接收用户问题信息并智能化处理，以实现智能化的聊天过程。化的聊天过程。化的聊天过程。


技术研发人员：张世众 李燕 饶德才
受保护的技术使用者：张世众
技术研发日：2023.04.04
技术公布日：2023/8/9