一种智能生成接待记录的方法、装置及终端设备

本发明涉及智能窗口办公和自然语言处理研究领域，具体涉及一种智能生成接待记录的方法、装置及终端设备。

随着信息化时代的飞速发展，相应窗口记录软件系统应运而生，在窗口服务方面，给工作人员在记录、决策、统计等方面带来了便捷，但系统功能的准确性往往依赖着窗口工作人员的录入文本的准确性和详细程度。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：人工录入文本受限于对应工作人员的业务能力、工作时长等诸多因数，系统功能的准确性自然受制于人为因素；同时，工作人员的录入信息对后续事件的还原程度密切相关，若缺少关键信息或信息偏离主题，对应事件还原不完整或者不能还原，直接影响后续流程中工作人员的判断与决策，因此高效而准确的记录至关重要。而目前还缺乏对窗口服务的准确、便捷的自动记录方法。

为了克服现有技术的不足，本发明提供了一种智能生成接待记录的方法、装置及终端设备，有效辅助窗口接待工作人员进行智能化自动化办公，提供高效准确的记录和回答方法，实现了智能生成接待记录，大大提高了接待记录的准确性，有效缩短了接待时间。技术方案如下：

第一方面，提供了一种智能生成接待记录的方法,该方法包括如下步骤：

步骤1，根据历史接待记录训练语言模型，通过语言模型获取申请人问题描述的文本记录，得到申请人的初始问题描述；

获取业务场景历史接待记录作为训练样本，历史接待记录包括文本记录和语音记录，文本记录的训练样本记作X，语音记录的训练样本记作Y。

对训练样本进行扩充：对于历史接待记录中的每个文本记录x，采用标准普通话和/或各类方言读取文本记录内容，通过录音扩充对应语言类型的语音记录训练样本，且标注对应的普通话或方言类型，加入到样本Y中；对于历史接待记录中的每个语音记录y，根据语音描述得到文本记录，构造出对应的文本记录训练样本，加入到样本X中，并采用标准普通话和/或各类方言读取文本记录内容，通过录音扩充对应语言类型的语音记录训练样本，且标注对应的普通话或方言类型，加入到样本Y中。

对于语音记录的训练样本Y，每条记录都存在普通话和各方言的语音记录数据，从而可以基于seq2seq模型训练得到本业务场景下的普通话转换为各方言的模型M1(A)、各方言转换为普通话的模型M2(A)，其中A是指某方言。

对于文本记录的训练样本X，由于X中每条记录在Y中也同样存在对应的普通话和各方言的语音记录数据，从而可以基于seq2seq模型训练得到本业务场景下的文本转化为语音的模型M3(B)，语音转化为文本的模型M4(B)，其中B是指普通话或某方言。

对每条语音记录进行标注，标注标签为对应的方言或普通话，构建训练样本训练线性分类模型C，使得线性分类模型C能够根据语音记录识别出语言是普通话还是某方言。

根据训练好的模型M1、模型M2、模型M3、模型M4、模型C，在窗口接待场景中，将申请人的问题描述转换为文本记录，并从文本记录中提取出具体问题的问题描述作为初始问题描述。

步骤2，通过初始问题生成相关衍生问题，并向申请人进一步询问；

把获取的业务场景历史接待记录，根据训练好的模型M1、模型M2、模型M3、模型M4、模型C，得到对应的文本记录，进而得到问题文本，并对问题文本提取出若干个关键词。

构造问题衍生图G，具体为：以问题文本作为节点；对任意两个问题文本，若两个问题文本存在相同的关键词，则在这两个节点之间连接一条边，边的权重是相同关键词的个数。

从初始问题描述中提取出若干个关键词，根据衍生图G生成衍生问题集合H；

通过BERT文本匹配模型计算每个衍生问题与初始问题的相似度，将相似度高的k个衍生问题优先展示供工作人员参考，进一步询问申请人该k个衍生问题并获取申请人反馈进行登记记录。

步骤3，为申请人提供详细回答以及综合处理回答，形成接待记录；

对问题衍生图G中的每个节点所代表的问题，可以出现多个反馈，依据历史经验及法律、规章制度构造每个问题节点的处理树，多个反馈分别对应多个处理回答。

工作人员询问相似度高的k个衍生问题记为： Q1,Q2,Q3,…, Qk，其对应的申请人反馈记为P1,P2, P3,…, Pk，对于每个衍生问题Qi，根据其对应的处理树和对应的申请人反馈Pi得到该衍生问题最合适的处理回答，记为Ri，从而可以得到k个详细处理回答R1,R2,R3,…, Rk，结合k个详细处理回答得到综合处理回答；把详细处理回答和综合处理回答一并作为接待记录。

优选的，步骤1所述将申请人的问题描述转换为文本记录，具体为：

若申请人是通过语音描述的问题，首先通过模型C判断申请人是采用哪种语言描述的：如果是普通话描述的，则直接通过模型M4将其转换为文本；如果是方言描述，先用模型M4将其转换为文本，再利用模型M2将其转换为普通话后，再通过模型M4转换为文本，得到两个备选文本供工作人员选择或者交叉参考；

若申请人是通过文本记录描述的问题，则直接获取该条文本记录。

进一步的，还包括对文本记录进行清洗处理：无效词过滤和语句、错别字修正。

优选的，步骤2所述根据衍生图G生成衍生问题集合H，具体步骤如下：

选取初始问题描述的一个关键词，从衍生图G中挑选任一个包含了该关键词的节点g1，将节点g1对应的问题文本添加到集合H；

从节点g1出发，按照边的权重大小顺序依次选择其他与g1存在边相连的其他节点g2，并将这些节点对应的问题文本依次添加到集合H中；

从节点g2出发，按照边的权重大小顺序依次选择其他与g2存在边相连的其他节点g3，并将这些节点对应的问题文本依次添加到集合H中；

依次扩展节点，直到不存在边相连的其他节点；完成该关键词的衍生问题的添加；在衍生问题的添加的过程中，如果集合H中已经包含某节点的问题文本，则不再重复添加；

依次选取初始问题描述的其他每个关键词，生成最终的衍生问题集合H。

进一步的，还包括对衍生问题集合H进行过滤筛选：通过BERT文本匹配模型计算任意两个问题文本之间的相似度，如果相似度超过设置的阈值，就认为这两个文本是相似的，去除文本长度较长的一条。

进一步的，工作人员进一步询问申请人的过程中，如果工作人员选择口头询问，则可以通过模型M1将工作人员的询问通过方言播放给申请人，如果工作人员选择非口头询问，可以直接选择相应衍生问题，通过模型M3将该问题通过方言播放。

优选的，步骤3所述结合k个详细处理回答得到综合处理回答，具体为：

把每个衍生问题Qi与其处理回答Ri进行拼接，得到拼接文本，通过BERT文本匹配模型计算拼接文本和申请人初始问题的文本相似度S1,S2, S3,…, SK，将每个衍生问题的相似度作为回答的重要性，得到K个处理回答R1,R2, R3,…, Rk对应的重要性S1,S2, S3,…,SK；

通过文本摘要提取技术从K个处理回答中提取出一个摘要，即从K个回答中随机选取K’个，K’≤K，把K’个处理回答按照一定顺序排列拼接形成文本，对于一种摘要方式，通过LSTM语言模型计算这个摘要的合理性P，合理性P代表文本的日常书写习惯的符合性；

计算摘要的优先分值：，Si 是K’个处理回答对应的重要性；

选取优先分支最高的摘要作为综合处理回答。

进一步的，该方法还包括：将得到的详细处理回答Ri和综合处理回答通过文本记录方式保存到历史接待记录的训练样本中，对语言模型、问题衍生图G、处理树进行不断迭代更新优化。

与现有技术相比，上述技术方案中的一个技术方案具有如下有益效果：通过基于业务场景训练语音-文本以及普通话-方言的各种转化模型，使得能够灵活应对各类申请人；通过问题衍生树对初始问题构造衍生问题，获取更多详细的信息；通过构造处理树来提供准确完整的回答。有效辅助窗口接待工作人员进行智能化自动化办公，灵活处理多种申请人的多种问题场景，提供高效准确的记录和回答方法，实现了智能生成接待记录，大大提高了接待记录的准确性，有效缩短了接待时间，同时也提升了申请人的满意度。

图1为本公开实施例提供的处理树示意图。

为了阐明本发明的技术方案和工作原理，下面将结合附图对本公开实施方式做进一步的详细描述。上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

本申请的说明书和权利要求书中的术语“步骤1”、“步骤2”、“步骤3”等类似描述（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里描述的那些以外的顺序实施。

第一方面：本公开实施例提供了一种智能生成接待记录的方法,该方法包括如下步骤：

步骤1，根据历史接待记录训练语言模型，通过语言模型获取申请人问题描述的文本记录，得到申请人的初始问题描述。

获取业务场景历史接待记录作为训练样本，历史接待记录包括文本记录和语音记录，文本记录的训练样本记作X，语音记录的训练样本记作Y。

对训练样本进行扩充：对于历史接待记录中的每个文本记录x，采用标准普通话和/或各类方言读取文本记录内容，通过录音扩充对应语言类型的语音记录训练样本，且标注对应的普通话或方言类型，加入到样本Y中；对于历史接待记录中的每个语音记录y，根据语音描述得到文本记录，构造出对应的文本记录训练样本，加入到样本X中，并采用标准普通话和/或各类方言读取文本记录内容，通过录音扩充对应语言类型的语音记录训练样本，且标注对应的普通话或方言类型，加入到样本Y中；从而扩充构建了足够多的语音记录和文本记录的训练样本。

对于语音记录的训练样本Y，每条记录都存在普通话和各方言的语音记录数据，从而可以基于seq2seq模型训练得到本业务场景下的普通话转换为各方言的模型M1(A)、各方言转换为普通话的模型M2(A)，其中A是指某方言；例如可以训练得到M1(粤语)、M2(粤语)、M1(吴语) 、M2(吴语)等。

对于文本记录的训练样本X，由于X中每条记录在Y中也同样存在对应的普通话和各方言的语音记录数据，从而可以基于seq2seq模型训练得到本业务场景下的文本转化为语音的模型M3(B)，语音转化为文本的模型M4(B)，其中B是指普通话或某方言。

对每条语音记录进行标注，标注标签为对应的方言或普通话，构建训练样本训练线性分类模型C，使得线性分类模型C能够根据语音记录识别出语言是普通话还是某方言。

根据训练好的模型M1、模型M2、模型M3、模型M4、模型C，在窗口接待场景中，将申请人的问题描述转换为文本记录，并从文本记录中提取出具体问题的问题描述作为初始问题描述。所述初始问题有现象、事实、问题、诉求等。

优选的，所述将申请人的问题描述转换为文本记录，具体为：

若申请人是通过语音描述的问题，首先通过模型C判断申请人是采用哪种语言描述的：如果是普通话描述的，则直接通过模型M4将其转换为文本；如果是方言描述，先用模型M4将其转换为文本，再利用模型M2将其转换为普通话后，再通过模型M4转换为文本，得到两个备选文本供工作人员选择或者交叉参考；从而使得当面临较难方言场景时，避免出现单一模型难以准确识别转换的问题。

若申请人是通过文本记录描述的问题，则直接获取该条文本记录。

进一步的，由于申请人问题一般会存在语气词、抱怨、催促等无效词，还包括对文本记录进行清洗处理：无效词过滤和语句、错别字修正。

步骤2，通过初始问题生成相关衍生问题，并向申请人进一步询问；

当申请人描述一个初始问题时，只根据该问题往往是难以给出明确的回答，需要围绕申请人的问题进一步询问其他相关问题进而获取详细信息才能给出明确的回答，比如申请人简单描述了事件，需要进一步询问事件的时间、地点、人物等六要素，又比如申请人描述了盗窃事件，需要进一步询问盗窃的金额等。

把获取的业务场景历史接待记录，根据训练好的模型M1、模型M2、模型M3、模型M4、模型C，得到对应的文本记录，进而得到问题文本并对问题文本提取出若干个关键词。

构造问题衍生图G，具体为：以问题文本作为节点；对任意两个问题文本，若两个问题文本存在相同的关键词，则在这两个节点之间连接一条边，边的权重是相同关键词的个数。

从初始问题描述中提取出若干个关键词，根据衍生图G生成衍生问题集合H；通过对初始问题生成衍生问题，使得工作人员能够获取更多额外的信息。

优选的，所述根据衍生图G生成衍生问题集合H，具体步骤如下：

选取初始问题描述的一个关键词，从衍生图G中挑选任一个包含了该关键词的节点g1，将节点g1对应的问题文本添加到集合H。

从节点g1出发，按照边的权重大小顺序依次选择其他与g1存在边相连的其他节点g2，并将这些节点对应的问题文本依次添加到集合H中；（如果节点之前已经添加了，就不再添加）。在此过程中，不包含该关键词的节点也会被纳入集合H中，解决了因为含义相同、而描述习惯不同（即不包含该关键词），而被遗漏的问题，而通过后续的相似度筛选，也去除了无关的节点。

从节点g2出发，按照边的权重大小顺序依次选择其他与g2存在边相连的其他节点g3，并将这些节点对应的问题文本依次添加到集合H中。

依次扩展节点，直到不存在边相连的其他节点；完成该关键词的衍生问题的添加；在衍生问题的添加的过程中，如果集合H中已经包含某节点的问题文本，则不再重复添加。

依次选取初始问题描述的其他每个关键词，生成最终的衍生问题集合H。

进一步的，还包括对衍生问题集合H进行过滤筛选：

虽然不会存在重复的问题，但是可能会存在相似的问题，所以还需要进一步的筛选，通过BERT文本匹配模型计算任意两个问题文本之间的相似度，如果相似度超过设置的阈值，就认为这两个文本是相似的，去除文本长度较长的一条；从而可以节约存储空间，并且使得问题更加简洁明了。对集合H进行筛选操作后，剩余的每个问题就可以作为初始问题的衍生问题。

通过BERT文本匹配模型计算每个衍生问题与初始问题的相似度，将相似度高的k个衍生问题优先展示供工作人员参考，进一步询问申请人该k个衍生问题并获取申请人反馈进行登记记录。

进一步的，工作人员进一步询问申请人的过程中，如果工作人员选择口头询问，则可以通过模型M1将工作人员的询问通过方言播放给申请人，如果工作人员选择非口头询问，可以直接选择相应衍生问题，通过模型M3将该问题通过方言播放；从而保证在各种场景下都能够使得，申请人很容易理解衍生问题，方便工作人员和申请人的问答交流，避免出现只能某一方能听懂另外一方而不能双向交流的情形。

通过步骤2的衍生问题集合，工作人员围绕着申请人的初始问题进行了更多的询问和登记，而这个交流过程可以通过步骤1的语言处理模块顺畅无误的进行，适合各种场景各种申请人。

步骤3，为申请人提供详细回答以及综合处理回答，形成接待记录；

得到k个详细处理回答后，还需要提供一个综合性的处理回答（结案）。

对问题衍生图G中的每个节点所代表的问题，可以出现多个反馈，依据历史经验及法律、规章制度构造每个问题节点的处理树，多个反馈分别对应多个处理回答；附图1为本公开实施例的处理树示意图，在步骤2中生成的每个衍生问题都是问题衍生图G中的某个节点，对每个节点所代表的问题根据申请人反馈可能出现的不同情形，对不同情形将会有不同的处理回答，依据历史经验及法律、规章制度构造处理树，例如当涉及资产被盗时，会根据申请人反馈的具体金额大小的不同情况，采取不同的处理措施，反馈相应的处理回答。设置处理树中的处理回答时，如果申请人反馈信息无需处理，则该种情形下，处理回答为空。

工作人员询问相似度高的k个衍生问题记为：Q1,Q2, Q3,…, Qk，其对应的申请人反馈记为P1,P2, P3,…, Pk，对于每个衍生问题Qi，根据其对应的处理树和对应的申请人反馈Pi得到该衍生问题最合适的处理回答，记为Ri，从而可以得到k个详细处理回答R1,R2,R3,…, Rk，结合k个详细处理回答得到综合处理回答；把详细处理回答和综合处理回答一并作为接待记录。根据申请人的具体需求和实际情况，将详细处理回答和综合处理回答通过步骤1的语言模型输出成语音或者文本的格式解答用户。该方法有效辅助窗口接待工作人员进行智能化自动化办公，灵活处理多种申请人的多种问题场景，提供高效准确的记录和回答方法，实现了智能生成接待记录。

优选的，所述结合k个详细处理回答得到综合处理回答，具体为：

把每个衍生问题Qi与其处理回答Ri进行拼接，得到拼接文本，通过BERT文本匹配模型计算拼接文本和申请人初始问题的文本相似度S1,S2, S3,…, SK，这里的相似度是综合考虑了衍生问题与其处理回答，所以其相似度值可以反映出在综合处理回答中的重要性，当处理回答为空时，对应的重要性很低。将每个衍生问题的相似度作为回答的重要性，得到K个处理回答R1,R2, R3,…, Rk对应的重要性S1,S2, S3,…, SK。

通过文本摘要提取技术从K个处理回答中提取出一个摘要，即从K个回答中随机选取K’个，K’≤K，把K’个处理回答按照一定顺序排列拼接形成文本，进一步的，控制摘要长度小于阈值，从而避免摘要过长。对于一种摘要方式，通过LSTM语言模型计算这个摘要的合理性P，合理性P代表文本的日常书写习惯的符合性，P值低代表了这种摘要方式所形成摘要很不符合常规的人的书写习惯。

计算摘要的优先分值：，Si 是K’个处理回答对应的重要性；

选取优先分支最高的摘要作为综合处理回答。综合处理回答能够同时兼具了与申请人初始问题相关程度大、符合日常文本书写习惯、长度不会过长等优点。

进一步的，该方法还包括：将得到的详细处理回答Ri和综合处理回答通过文本记录方式保存到历史接待记录的训练样本中，对语言模型、问题衍生图G、处理树进行不断迭代更新优化。

第二方面，本公开实施例提供了一种智能生成接待记录的装置，该装置可以实现或执行所有可能的实现方式中任一项所述的一种智能生成接待记录的方法。

优选的，该装置包括第一处理单元、第二处理单元、第三处理单元；

所述第一处理单元，用于执行所有可能的实现方式中任一项所述的一种智能生成接待记录的方法的步骤1的步骤。

所述第二处理单元，用于执行所有可能的实现方式中任一项所述的一种智能生成接待记录的方法的步骤2的步骤。

所述第三处理单元，用于执行所有可能的实现方式中任一项所述的一种智能生成接待记录的方法的步骤3的步骤。

需要说明的是，上述实施例提供的一种智能生成接待记录的装置在执行一种智能生成接待记录的方法时，仅以上述各功能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模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

第三方面，本公开实施例提供了一种终端设备，该终端设备包括所有可能的实现方式中任一项所述一种智能生成接待记录的装置。

以上结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。