期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于意图理解驱动的客服知识推荐大模型构建
被引量：
4
1
作者
马晓亮
高洁
+4 位作者
刘英
裴庆祺
赵汝强
杨邦兴
邓从健
《华南理工大学学报(自然科学版)》
北大核心
2025年第3期40-49,共10页
随着人工智能技术在客服领域的深入应用,电信运营商对AI服务知识推荐的准确率提升提出了更高的要求。为提高电信运营商AI客服系统的知识推荐效率和准确度,该文提出了基于意图理解驱动的客服知识推荐大模型。首先,采用同义词及对话序列...
随着人工智能技术在客服领域的深入应用,电信运营商对AI服务知识推荐的准确率提升提出了更高的要求。为提高电信运营商AI客服系统的知识推荐效率和准确度,该文提出了基于意图理解驱动的客服知识推荐大模型。首先,采用同义词及对话序列的关键词提取模型识别用户查询中的关键词,通过语义相似度比较技术匹配标准问库中的问题,生成最相关的标准问,并采用生成式智能体技术框架构建标准问库,使用智能体技术自动生成知识问题;然后将提取的标准问输入ChatGLM2-6B大语言模型中,经过预训练与人类偏好对齐训练,以进一步提高知识推荐的准确率。实验结果显示:引入标准问库后,智能推荐系统在特定行业知识领域的准确率从74.8%显著提升至85.9%,多组对比实验结果进一步验证了建立标准问库的策略在提高准确率方面的有效性;该文大模型优化了运营商AI客服的智能知识推荐,可为电信运营商AI客服系统的知识推荐提供新的思路和技术支持;运营商通过该文大模型能够更有效地理解和响应客户查询,显著提升客户服务体验。
展开更多
关键词
意图理解
AI客服
生成式大语言模型
关键词提问
提示示例
在线阅读
下载PDF
职称材料
基于行业词表的自动语音转写后优化技术
被引量：
4
2
作者
马晓亮
安玲玲
+2 位作者
邓从健
杜德泉
张国新
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023年第8期118-125,共8页
自动语音识别(ASR)技术目前已发展得较为成熟,通用ASR引擎已经广泛应用于交通、医疗、通信等行业。但是,由于行业专有词汇在大规模训练语料库中呈非独立同态分布,通用ASR引擎在各细分行业转写时存在对行业专有词汇识别准确率低的问题。...
自动语音识别(ASR)技术目前已发展得较为成熟,通用ASR引擎已经广泛应用于交通、医疗、通信等行业。但是,由于行业专有词汇在大规模训练语料库中呈非独立同态分布,通用ASR引擎在各细分行业转写时存在对行业专有词汇识别准确率低的问题。相较于互联网环境的16 kHz音频采样率,电话呼叫中心语音为窄带低采样(采样率8 kHz),转写后精度下降尤为明显。为了提高行业词汇的语音转写准确率,文中提出一种基于行业词表的ASR转写后优化技术。首先,对语料库文本数据分别采用卷积神经网络模型和深度神经网络BERT模型进行预测分词,生成行业纠错词表。随后,在生产环境中,使用通用ASR引擎对电话呼叫语音数据进行初始转写。然后,对一次转写后的文本,通过Soft-Masked BERT模型结合纠错词表实现文本数据的纠错,从而提高语音识别准确率。使用广州12345热线客服通话语音数据进行训练和测试,结果表明,使用文中的转写后优化技术可以将通用ASR引擎的行业用词转写准确率提高约10个百分点,且纠错速度较快,具有良好的适用性。
展开更多
关键词
文本纠错
语音识别
客服通话
行业纠错词表
卷积神经网络
在线阅读
下载PDF
职称材料
题名
基于意图理解驱动的客服知识推荐大模型构建
被引量：
4
1
作者
马晓亮
高洁
刘英
裴庆祺
赵汝强
杨邦兴
邓从健
机构
西安电子科技大学广州研究院
中国电信股份有限公司广州分公司
马晓亮劳模和创新工匠工作室
广州云趣信息科技有限公司
中数通信息有限公司
出处
《华南理工大学学报(自然科学版)》
北大核心
2025年第3期40-49,共10页
基金
国家重点研发计划项目(2021YFB2700600)。
文摘
随着人工智能技术在客服领域的深入应用,电信运营商对AI服务知识推荐的准确率提升提出了更高的要求。为提高电信运营商AI客服系统的知识推荐效率和准确度,该文提出了基于意图理解驱动的客服知识推荐大模型。首先,采用同义词及对话序列的关键词提取模型识别用户查询中的关键词,通过语义相似度比较技术匹配标准问库中的问题,生成最相关的标准问,并采用生成式智能体技术框架构建标准问库,使用智能体技术自动生成知识问题;然后将提取的标准问输入ChatGLM2-6B大语言模型中,经过预训练与人类偏好对齐训练,以进一步提高知识推荐的准确率。实验结果显示:引入标准问库后,智能推荐系统在特定行业知识领域的准确率从74.8%显著提升至85.9%,多组对比实验结果进一步验证了建立标准问库的策略在提高准确率方面的有效性;该文大模型优化了运营商AI客服的智能知识推荐,可为电信运营商AI客服系统的知识推荐提供新的思路和技术支持;运营商通过该文大模型能够更有效地理解和响应客户查询,显著提升客户服务体验。
关键词
意图理解
AI客服
生成式大语言模型
关键词提问
提示示例
Keywords
intent understanding
AI customer service
large language model
keyword-based questioning
prompt example
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于行业词表的自动语音转写后优化技术
被引量：
4
2
作者
马晓亮
安玲玲
邓从健
杜德泉
张国新
机构
西安电子科技大学广州研究院
中国电信股份有限公司广州分公司
马晓亮劳模和创新工匠工作室
广州云趣信息科技有限公司
中国电信股份有限公司广东分公司
出处
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023年第8期118-125,共8页
基金
国家重点研发计划项目(2022YFB3102700)
国家自然科学基金重点资助项目(62132013)。
文摘
自动语音识别(ASR)技术目前已发展得较为成熟,通用ASR引擎已经广泛应用于交通、医疗、通信等行业。但是,由于行业专有词汇在大规模训练语料库中呈非独立同态分布,通用ASR引擎在各细分行业转写时存在对行业专有词汇识别准确率低的问题。相较于互联网环境的16 kHz音频采样率,电话呼叫中心语音为窄带低采样(采样率8 kHz),转写后精度下降尤为明显。为了提高行业词汇的语音转写准确率,文中提出一种基于行业词表的ASR转写后优化技术。首先,对语料库文本数据分别采用卷积神经网络模型和深度神经网络BERT模型进行预测分词,生成行业纠错词表。随后,在生产环境中,使用通用ASR引擎对电话呼叫语音数据进行初始转写。然后,对一次转写后的文本,通过Soft-Masked BERT模型结合纠错词表实现文本数据的纠错,从而提高语音识别准确率。使用广州12345热线客服通话语音数据进行训练和测试,结果表明,使用文中的转写后优化技术可以将通用ASR引擎的行业用词转写准确率提高约10个百分点,且纠错速度较快,具有良好的适用性。
关键词
文本纠错
语音识别
客服通话
行业纠错词表
卷积神经网络
Keywords
text error correction
speech recognition
customer service calls
industry-specific vocabulary
convolutional neural network
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于意图理解驱动的客服知识推荐大模型构建
马晓亮
高洁
刘英
裴庆祺
赵汝强
杨邦兴
邓从健
《华南理工大学学报(自然科学版)》
北大核心
2025
4
在线阅读
下载PDF
职称材料
2
基于行业词表的自动语音转写后优化技术
马晓亮
安玲玲
邓从健
杜德泉
张国新
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2023
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
