• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 11
    • 下载费用:30 金币  

    重庆时时彩个位教程: 一种智能客服知识库的管理方法及系统.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201610927667.5

    申请日:

    2016.10.31

    公开号:

    CN106570708A

    公开日:

    2017.04.19

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06Q 30/00申请日:20161031|||公开
    IPC分类号: G06Q30/00(2012.01)I; G06F17/30 主分类号: G06Q30/00
    申请人: 厦门快商通科技股份有限公司
    发明人: 刘楚; 蔡振华; 李稀敏; 刘晓葳; 肖龙源; 朱敬华
    地址: 361009 福建省厦门市思明区嘉禾路267号惠元大厦13楼
    优先权:
    专利代理机构: 代理人:
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610927667.5

    授权公告号:

    |||

    法律状态公告日:

    2017.05.17|||2017.04.19

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种智能客服知识库的管理方法及系统,通过利用主题模型对各个对话记录进行对话主题的分类,得到不同主题类别的对话组;利用文本深度表示模型计算得到每一个问题的向量值及每一个答案的向量值;并根据所述向量值对所述对话组的每一个问题进行分组,得到问题组;以及对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;根据所述向量值和所述向量平均值进行分组管理,极大的提高了知识库的管理效率,并加快了客服回答问题的响应速度,提高了客服推荐答案的准确率,用户体验更好。

    权利要求书

    1.一种智能客服知识库的管理方法,其特征在于,包括以下步骤:
    10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别将所
    述对话记录进行分组,得到不同主题类别的对话组;
    20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内容的
    向量运算,得到每一个问题的向量值及每一个答案的向量值;
    30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向量值
    对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同问题
    或者相似问题;
    40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;
    50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进行判
    断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运算,得
    到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的对应
    的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相似问
    题所属问答对中对应的答案,作为所述访客问题的答案。
    2.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤10
    中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模型。
    3.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤20
    中,所述的文本深度表示模型可采用Doc2vec模型或者Word2vec模型。
    4.根据权利要求1所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤30
    中,所述问答对包括一个问题对应一个答案、一个问题对应多个相似答案、或者一个答案对
    应多个相似问题。
    5.根据权利要求4所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤40
    中,对所述问题组进行向量平均值的计算,计算所述问题组中所有相同问题或者相似问题
    的向量平均值,还进一步计算得到每个问题所属问答对中对应的所有相同答案或者相似答
    案的向量平均值。
    6.根据权利要求5所述的一种智能客服知识库的管理方法,其特征在于:所述的步骤50
    中,得到所述相似问题所属问答对中对应的答案,作为所述访客问题的答案,是指在所述问
    题组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答
    对中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的
    答案。
    7.一种智能客服知识库的管理系统,其特征在于,包括:
    一级分组???,利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题
    的类别将所述对话记录进行分组,得到不同主题类别的对话组;
    向量运算???,利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行
    文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;
    二级分组???,对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据
    所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都
    是相同问题或者相似问题;
    平均向量统计???,对所述问题组进行向量平均值的计算,得到每个问题组的向量平
    均值;
    问题答案检索???,利用主题模型对访客问题进行对话主题的分类,根据分类得到的
    主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容
    的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根
    据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,
    得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。
    8.根据权利要求7所述的一种智能客服知识库的管理系统,其特征在于:所述二级分组
    ??橹薪刑崛∥蚀鸲?,该问答对包括一个问题对应一个答案、一个问题对应多个相似答
    案、或者一个答案对应多个相似问题。
    9.根据权利要求8所述的一种智能客服知识库的管理系统,其特征在于:所述问题答案
    检索??橹械玫剿龇每臀侍獾拇鸢?,是通过在所述问题组内查找最接近所述向量平均值
    的作为相似问题,并将向量值与所述相似问题所属问答对中对应的所有相同答案或者相似
    答案的向量平均值最接近的答案,作为所述访客问题的答案。

    说明书

    一种智能客服知识库的管理方法及系统

    技术领域

    本发明涉及通信技术领域,特别是一种智能客服方法及其知识库的管理方法及应
    用该方法的系统。

    背景技术

    随着互联网及电子商务的普及应用,智能客服也越来越多。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的应用,适用于大规模知识处理、自然语言理解、
    知识管理、自动问答系统、推理等等技术行业,智能客服不仅为企业提供了细粒度知识管理
    技术,还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;
    同时还能够为企业提供精细化管理所需的统计分析信息。

    目前大部分智能客服都是基于大数据知识处理技术的应用,即提前将智能客服需
    要的数据存储于知识库中,在智能客服工作时,随时去读取知识库中存储的知识。数据即是
    由大量的“问答对”组成的,问题和对应答案匹配成一组,这些“问答对”来自平时访客和人
    工客服的交流沟通,或者其它对话场合,然后经人工梳理形成可供智能客服使用的知识库。

    但是,由于中文语言的原因,存在大量近义词、同义词等,所以同一句话通?;嵊?br />多种表达方式,这就造成了智能客服的知识库存在一个问题对应多个答案的问题所在。目
    前大部分系统采用的方法都是将问题的备选答案按词频进行排序,然后回答问题时选择调
    用频率最高的答案给访客。但按这种较为机械呆板的方法推荐的问题却并不是每次都是最
    适合访客的答案,使得用户体验感下降。

    并且,知识库储存了大量的对话数据,智能客服在每次检索答案时,需要运算的数
    据量庞大。且随着系统知识库不断的更新,运算量会越来越大,所需要的时间也越来越长,
    从而影响智能客服回答问题的响应时间,延长了访客的等待时间。

    发明内容

    本发明为解决上述问题,提供了一种智能客服知识库的管理方法及系统,通过采
    用基于向量的分组管理方法,极大的提高了知识库的管理效率,并加快了客服回答问题的
    响应速度,提高了客服推荐答案的准确率,用户体验更好。

    为实现上述目的,本发明采用的技术方案为:

    一种智能客服知识库的管理方法,其包括以下步骤:

    10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别
    将所述对话记录进行分组,得到不同主题类别的对话组;

    20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内
    容的向量运算,得到每一个问题的向量值及每一个答案的向量值;

    30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向
    量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同
    问题或者相似问题;

    40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;

    50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进
    行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运
    算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的
    对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相
    似问题所属问答对中对应的答案,作为所述访客问题的答案。

    优选的,所述的步骤10中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模
    型。

    优选的,所述的步骤20中,所述的文本深度表示模型可采用Doc2vec模型或者
    Word2vec模型。

    优选的,所述的步骤30中,所述问答对包括一个问题对应一个答案、一个问题对应
    多个相似答案、或者一个答案对应多个相似问题。

    优选的,所述的步骤40中,对所述问题组进行向量平均值的计算,计算所述问题组
    中所有相同问题或者相似问题的向量平均值,还进一步计算得到每个问题所属问答对中对
    应的所有相同答案或者相似答案的向量平均值。

    优选的,所述的步骤50中,得到所述相似问题所属问答对中对应的答案,作为所述
    访客问题的答案,是指在所述问题组内查找最接近所述向量平均值的作为相似问题,并将
    向量值与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最
    接近的答案,作为所述访客问题的答案。

    对应的,本发明还提供了一种智能客服知识库的管理系统,其包括:

    一级分组???,利用主题模型对各个对话记录进行对话主题的分类,并根据对话
    主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;

    向量运算???,利用文本深度表示模型对所述对话组的每一个问题及每一个答案
    进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;

    二级分组???,对所述对话组的每一个问题及其对应的答案进行提取问答对,并
    根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问
    题都是相同问题或者相似问题;

    平均向量统计???,对所述问题组进行向量平均值的计算,得到每个问题组的向
    量平均值;

    问题答案检索???,利用主题模型对访客问题进行对话主题的分类,根据分类得
    到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本
    内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;
    再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似
    问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。

    优选的,所述二级分组??橹薪刑崛∥蚀鸲?,该问答对包括一个问题对应一个
    答案、一个问题对应多个相似答案、或者一个答案对应多个相似问题。

    优选的,所述问题答案检索??橹械玫剿龇每臀侍獾拇鸢?,是通过在所述问题
    组内查找最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对
    中对应的所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答
    案。

    本发明的有益效果是:

    (1)本发明基于主题分类及向量平均值作为参考后,智能客服所回答的访客问题,
    将更为接近访客所期望的答案,提高答案的准备率,及用户体验感;

    (2)采用本发明的方法后,系统在知识库中检索问题及答案所需的运算量和时间
    将大大降低,大大提高了智能客服回答问题的速度,从而提高了沟通效率。

    附图说明

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

    图1为本发明一种智能客服知识库的主题分类过程示意图;

    图2为本发明一种智能客服知识库的问答对提取过程示意图;

    图3为本发明一种智能客服知识库的基于向量运算的问题分组过程示意图;

    图4为本发明一种智能客服知识库的问题答案检索过程示意图。

    具体实施方式

    为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结
    合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用
    以解释本发明,并不用于限定本发明。

    如图1至4所示,本发明的一种智能客服知识库的管理方法,其包括以下步骤:

    10.利用主题模型对各个对话记录进行对话主题的分类,并根据对话主题的类别
    将所述对话记录进行分组,得到不同主题类别的对话组;

    20.利用文本深度表示模型对所述对话组的每一个问题及每一个答案进行文本内
    容的向量运算,得到每一个问题的向量值及每一个答案的向量值;

    30.对所述对话组的每一个问题及其对应的答案进行提取问答对,并根据所述向
    量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问题都是相同
    问题或者相似问题;

    40.对所述问题组进行向量平均值的计算,得到每个问题组的向量平均值;

    50.利用主题模型对访客问题进行对话主题的分类,根据分类得到的主题类型进
    行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本内容的向量运
    算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;再根据所述的
    对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似问题,得到该相
    似问题所属问答对中对应的答案,作为所述访客问题的答案。

    所述的步骤10中,所述的主题模型可采用LDA模型、SVD模型或者TF-IDF模型,通过
    收集大量的访客与客服的对话记录进行分类,利用所述的主题模型将共同主题类型的对话
    记录列为同一个组别,例如,可按对话主题分为以下分组,包括:医疗服务、健康咨询、餐饮
    服务、电子产品等。主题模型是对文本中隐含主题的一种建模方法;每个主题其实是词表上
    单词的概率分布。主题模型是一种生成模型,每个对话记录的每个词都是通过“以一定概率
    选择了某个主题,并从这个主题中以一定概率选择某个词语”这样一个过程得到的。

    其中,LDA(Latent Dirichlet Allocation)是一个三层贝叶斯概率模型,包含词、
    主题和文档三层结构,文档到主题服从多项式分布,主题到词服从多项式分布,LDA是一种
    非监督机器学习技术,对于知识库中的每个对话记录,LDA定义了如下生成过程
    (generativeprocess):

    1.对每一个对话记录,从主题分布中抽取一个主题;

    2.从上述被抽到的主题所对应的单词分布中抽取一个单词;

    3.重复上述过程直至遍历所示对话记录中的每一个单词。

    SVD(Singular Value Decomposition)是一种奇异值模型,其通过奇异值分解,奇
    异值分解是线性代数中一种重要的矩阵分解,是对矩阵的一种因素分解,将一个矩阵分解
    成若干个各有其应用意义的成分。SVD模型所提取的主题中包含正向词语和负向词语。

    TF-IDF是在抽取文档关键词、文档分类等领域比较经典的算法。TF词频(Term
    Frequency)是指一个词汇在一篇文章中出现的次数文档总次数之比。IDF逆向文件频率
    (Inverse Document Frequency)是一个词语普遍重要性的度量。tf-idf模型的主要思想
    是:如果词w在一篇文档d中出现的频率高,并且在其他文档中很少出现,则认为词w具有很
    好的区分能力,适合用来把文章d和其他文章区分开来。因此,TF-IDF倾向于过滤掉常见的
    词语,保留重要的词语。

    所述的步骤20中,所述的文本深度表示模型可采用Doc2vec模型或者Word2vec模
    型。其中,Word2vec模型是一款将词表征为实数值向量的高效工具,其利用深度学习的思
    想,可以通过训练,把对文本内容的处理简化为K维向量空间中的向量运算,而向量空间上
    的相似度可以用来表示文本语义上的相似度。其基本思想是通过训练将每个词映射成K维
    实数向量(K一般为模型中的超参数),通过词之间的距离(比如cosine相似度、欧氏距离等)
    来判断它们之间的语义相似度。Word2vec模型还进一步增加一个段落向量,利用了词的上
    下文,语义信息更加地丰富。这样,通过所述的文本深度表示模型的向量运算,使得每个问
    题、每个答案都将得到一个向量值。

    所述的步骤30中,所述问答对包括一个问题对应一个答案、一个问题对应多个相
    似答案、或者一个答案对应多个相似问题。原始数据一般是一问一答的形式,即一个问题对
    应一个答案,但是,可根据相似性分析,进行抽取更复杂的一对多、多对一、多对多等问答对
    组,从而能够提高答案的准确率。利用每个问题的向量数值将上一步抽取的问题进行分类
    管理,这样同一个主题内的对话记录会按照向量数值再次被分为不同的问题组,每个问题
    组内的问题都是相同问题或相似问题。此时每个问题组内,都是同个对话主题(同个对话
    组)下的相同或相似问题。

    所述的步骤40中,对所述问题组进行向量平均值的计算,计算所述问题组中所有
    相同问题或者相似问题的向量平均值,还进一步计算得到每个问题所属问答对中对应的所
    有相同答案或者相似答案的向量平均值。从而使每一个问题组将会得到一个平均向量数
    值。

    所述的步骤50中,得到所述相似问题所属问答对中对应的答案,作为所述访客问
    题的答案,是指在所述问题组内查找最接近所述向量平均值的作为相似问题,并将向量值
    与所述相似问题所属问答对中对应的所有相同答案或者相似答案的向量平均值最接近的
    答案,作为所述访客问题的答案。

    另外,本发明还提供了一种智能客服知识库的管理系统,其包括:

    一级分组???,利用主题模型对各个对话记录进行对话主题的分类,并根据对话
    主题的类别将所述对话记录进行分组,得到不同主题类别的对话组;

    向量运算???,利用文本深度表示模型对所述对话组的每一个问题及每一个答案
    进行文本内容的向量运算,得到每一个问题的向量值及每一个答案的向量值;

    二级分组???,对所述对话组的每一个问题及其对应的答案进行提取问答对,并
    根据所述向量值对所述对话组的每一个问题进行分组,得到问题组,使每个问题组内的问
    题都是相同问题或者相似问题;

    平均向量统计???,对所述问题组进行向量平均值的计算,得到每个问题组的向
    量平均值;

    问题答案检索???,利用主题模型对访客问题进行对话主题的分类,根据分类得
    到的主题类型进行判断所对应的对话组;利用文本深度表示模型对所述访客问题进行文本
    内容的向量运算,得到所述访客问题的向量值,并根据该向量值进行判断所对应的问题组;
    再根据所述的对应的问题组的向量平均值进行查找最接近该向量平均值的问题作为相似
    问题,得到该相似问题所属问答对中对应的答案,作为所述访客问题的答案。

    所述二级分组??橹薪刑崛∥蚀鸲?,该问答对包括一个问题对应一个答案、一
    个问题对应多个相似答案、或者一个答案对应多个相似问题。

    所述问题答案检索??橹械玫剿龇每臀侍獾拇鸢?,是通过在所述问题组内查找
    最接近所述向量平均值的作为相似问题,并将向量值与所述相似问题所属问答对中对应的
    所有相同答案或者相似答案的向量平均值最接近的答案,作为所述访客问题的答案。

    智能客服在回答访客问题的流程如下:

    1.智能客服接收到访客的问题时,首先利用主题模型判断访客的问题属于哪个主
    题分类,确定后接下来的搜索运算将只在此主题分类内展开;

    2.确定问题主题分类后,再利用文本深度表示模型对问题进行向量值的计算,然
    后将计算后的结果与该问题主题分类下的多组问题的向量平均值进行比较,找到最为接近
    的一个向量值后,接下来的搜索运算将只在此问题分组中展开;

    3.将访客问题的向量值与步骤2计算得到的问题组的向量平均值相比较,确定所
    属的问题组,再与该问题组中的问题的向量值进行比较,取向量值最接近的一个问题,作为
    访客问题的标准对应问题(即相似问题),然后再进行答案的检索;

    4此时回答访客的问题,有两种方案:

    4.1根据步骤3所确定的标准对应问题,取标准对应问题的对应答案,作为访客问
    题的答案;

    4.2在步骤2中,除了计算每个问题组的向量平均值外,还对该问题组内相对应的
    答案也同样计算向量平均值。这样在回答访客的问题时,取该问题组内与答案的向量平均
    值最为接近的一个答案,作为访客问题的答案。

    采用此方法后,系统在知识库中检索问题及答案所需的运算量和时间将大大降
    低,大大提高了智能客服回答问题的速度,和沟通效率。例如,假设知识库有10000条数据记
    录,按传统技术是直接在10000条记录中进行检索计算;而现在,采用本发明的方法和系统,
    假设10000条数据记录分为100个对话主题,每个主题按向量数量分为100个分组。首先确定
    对话主题,只需要在这100个主题中进行检索,确定主题后,再进行向量数据的比对,也只有
    100个分组,然后继续在该分组内的具体问题进行比对,最多只需要计算300次。相对于传统
    技术方法的10000次运算,则速度大大提高,对计算机硬件的要求也降低很多。

    需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重
    点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
    对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见
    方法实施例的部分说明即可。并且,在本文中,术语“包括”、“包含”或者其任何其他变体意
    在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那
    些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者
    设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排
    除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本领域普
    通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过
    程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提
    到的存储介质可以是只读存储器,磁盘或光盘等。

    上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所
    披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能
    够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人
    员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的?;?br />范围内。

    关 键 词:
    一种 智能 客服 知识库 管理 方法 系统
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种智能客服知识库的管理方法及系统.pdf
    链接地址://www.4mum.com.cn/p-6092954.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03