AI客服模型测试方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术领域,尤其涉及一种AI客服模型测试方法、装置、电子设备及存储介质。
背景技术
现有技术方案中,通常采用人工打标的方式对AI(Artificial Intelligence,人工智能)客服模型输出结果的准确性进行评价,耗时较长,且由于人为操作的不可控性,还可能产生滞后现象。
发明内容
鉴于以上内容,有必要提供一种AI客服模型测试方法、装置、电子设备及存储介质,能够基于语义相似算法对AI客服模型进行有针对性地测试,且测试样本的覆盖面更加全面,有效解决了测试数据不足的问题,基于人工智能手段实现对AI客服模型快速地自动化测试。
一种AI客服模型测试方法,所述AI客服模型测试方法包括:
当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料;
基于语义相似算法对所述标准语料进行相似度分析,得到分类语料;
基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据;
将所述输入数据输入至所述待测AI客服模型中,得到输出数据;
以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
根据本发明优选实施例,所述基于语义相似算法对所述标准语料进行相似度分析,得到分类语料包括:
基于自然语言处理将所述标准语料转换为语义向量;
采用余弦相似度算法计算所述语义向量中各个词向量间的余弦距离;
根据所述余弦距离对各个词向量进行分类,得到所述分类语料。
根据本发明优选实施例,所述基于预设词库对所述分类语料进行扩展,生成测试样本包括:
对于所述分类语料中的每个目标词向量,计算所述目标词向量与所述预设词库中词向量的相似度;
从所述预设词库中获取与所述目标词向量的相似度大于或者等于预设相似度的词向量作为所述目标词向量的扩展词向量;
将每个目标词向量的扩展词向量添加至所述分类语料,得到所述测试样本。
根据本发明优选实施例,所述以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果包括:
采用POI将所述输出数据及所述期望数据写入Excel,生成excel文件;
确定所述excel文件的文件名称及指定接口的接口参数;
以所述文件名称及所述接口参数修改所述配置脚本;
以修改后的配置脚本调用所述excel文件,输出对所述待测AI客服模型的测试结果。
根据本发明优选实施例,所述测试结果包括准确率,所述AI客服模型测试方法还包括:
获取所述输出数据中与所述期望数据的相似度大于或者等于第一相似度的数据的第一数量;
确定所述输出数据的第二数量;
计算所述第一数量与所述第二数量的商作为所述准确率。
根据本发明优选实施例,所述测试结果还包括召回率,所述AI客服模型测试方法还包括:
对于任意类别下的第一输出数据,确定所述第一输出数据对应的第一期望数据;
获取所述第一输出数据中与所述第一期望数据的相似度大于或者等于第二相似度的数据的第三数量;
确定所述第一输出数据的第四数量;
计算所述第三数量与所述第四数量的商作为所述任意类别下的召回率。
根据本发明优选实施例,所述AI客服模型测试方法还包括:
当检测到所述待测AI客服模型有更新时,重新执行对所述待测AI客服模型的检测。
一种AI客服模型测试装置,所述AI客服模型测试装置包括:
获取单元,用于当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料;
分析单元,用于基于语义相似算法对所述标准语料进行相似度分析,得到分类语料;
扩展单元,用于基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据;
输入单元,用于将所述输入数据输入至所述待测AI客服模型中,得到输出数据;
测试单元,用于以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
根据本发明优选实施例,所述分析单元具体用于:
基于自然语言处理将所述标准语料转换为语义向量;
采用余弦相似度算法计算所述语义向量中各个词向量间的余弦距离;
根据所述余弦距离对各个词向量进行分类,得到所述分类语料。
根据本发明优选实施例,所述扩展单元具体用于:
对于所述分类语料中的每个目标词向量,计算所述目标词向量与所述预设词库中词向量的相似度;
从所述预设词库中获取与所述目标词向量的相似度大于或者等于预设相似度的词向量作为所述目标词向量的扩展词向量;
将每个目标词向量的扩展词向量添加至所述分类语料,得到所述测试样本。
根据本发明优选实施例,所述测试单元具体用于:
采用POI将所述输出数据及所述期望数据写入Excel,生成excel文件;
确定所述excel文件的文件名称及指定接口的接口参数;
以所述文件名称及所述接口参数修改所述配置脚本;
以修改后的配置脚本调用所述excel文件,输出对所述待测AI客服模型的测试结果。
根据本发明优选实施例,所述测试结果包括准确率,所述获取单元,还用于获取所述输出数据中与所述期望数据的相似度大于或者等于第一相似度的数据的第一数量;
所述AI客服模型测试装置还包括:
确定单元,用于确定所述输出数据的第二数量;
计算单元,用于计算所述第一数量与所述第二数量的商作为所述准确率。
根据本发明优选实施例,所述测试结果还包括召回率,所述确定单元,用于对于任意类别下的第一输出数据,确定所述第一输出数据对应的第一期望数据;
所述获取单元,还用于获取所述第一输出数据中与所述第一期望数据的相似度大于或者等于第二相似度的数据的第三数量;
所述确定单元,还用于确定所述第一输出数据的第四数量;
所述计算单元,还用于计算所述第三数量与所述第四数量的商作为所述任意类别下的召回率。
根据本发明优选实施例,所述测试单元,还用于当检测到所述待测AI客服模型有更新时,重新执行对所述待测AI客服模型的检测。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述AI客服模型测试方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述AI客服模型测试方法。
由以上技术方案可以看出,本发明能够当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料,基于语义相似算法对所述标准语料进行相似度分析,得到分类语料,使后续的测试更加有针对性,进一步基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据,使生成的所述测试样本的覆盖面更加全面,并可以有效解决测试数据不足的问题,将所述输入数据输入至所述待测AI客服模型中,得到输出数据,并以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果,进而实现对AI客服模型快速地自动化测试。
附图说明
图1是本发明AI客服模型测试方法的较佳实施例的流程图。
图2是本发明AI客服模型测试装置的较佳实施例的功能模块图。
图3是本发明实现AI客服模型测试方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明AI客服模型测试方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述AI客服模型测试方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料。
在本发明的至少一个实施例中,所述待测AI客服模型的测试指令可以由相关工作人员触发,也可以根据实际使用根据预先配置的测试时间自动触发。
在本发明的至少一个实施例中,所述语料库可以是预先配置的具有多种语料的数据库。
在本发明的至少一个实施例中,所述标准语料包括输入标准语料及输出标准语料。
其中,所述待测AI(Artificial Intelligence,人工智能)客服模型用于自动对客户的提问进行解答。
实际应用中,用户的提问是多种多样的,以贷款场景为例,用户会提问贷款时所涉及到的各个环节的问题,例如:利率问题、放款问题、还款问题等,甚至还可能包括各种调侃语句等。
针对如此分类的各种场景,首先在初建模时,会对各个场景进行分类并收集用户的真实问题,用以模型的标准回答,以确保回答符合公司对外统一话术,并没有法律风险等,建模完成后即可进入测试阶段。
具体而言,所述AI客服模型能够针对上述不同场景下的用户提问给出自动解答,因此,AI客服模型解答的准确性则尤为重要,也就需要对AI客服模型进行测试。
在本发明的至少一个实施例中,所述输入标准语料是指采集的用户输入的标准化语料。
在本发明的至少一个实施例中,所述输出标准语料是指对所述输入标准语料的标准回答语料。
S11,基于语义相似算法对所述标准语料进行相似度分析,得到分类语料。
具体地,所述基于语义相似算法对所述标准语料进行相似度分析,得到分类语料包括:
基于自然语言处理将所述标准语料转换为语义向量;
进一步采用余弦相似度算法计算所述语义向量中各个词向量间的余弦距离;
所述电子设备根据所述余弦距离对各个词向量进行分类,得到所述分类语料。
通过上述实施方式,能够对所述标准语料进行分类,使后续的测试更加有针对性。
S12,基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据。
具体地,所述电子设备基于预设词库对所述分类语料进行扩展,生成测试样本包括:
对于所述分类语料中的每个目标词向量,所述电子设备计算所述目标词向量与所述预设词库中词向量的相似度;
从所述预设词库中获取与所述目标词向量的相似度大于或者等于预设相似度的词向量作为所述目标词向量的扩展词向量;
将每个目标词向量的扩展词向量添加至所述分类语料,得到所述测试样本。
例如:对于语料“你们公司利息多少”,该语料分别包括以下词语对应的词向量:“你们”、“公司”、“利息”以及“多少”,其中,词向量“公司”以及词向量“利息”为关键字,所述电子设备通过相似度计算,可选取出“公司”的近义词“单位”等,“利息”的相似词“收益”、“利率”等,那么语料“你们公司利息多少”则可以包括扩展语料“你们单位利率多少”等。
通过上述实施方式,所述电子设备能够通过扩展所述分类语料,使生成的所述测试样本的覆盖面更加全面,进而能够实现对所述待测AI客服模型的更加准确的测试。
另外,现有语料库主要以生产数据为基础,数据量有限,本实施例也可以有效解决测试数据不足的问题。
S13,将所述输入数据输入至所述待测AI客服模型中,得到输出数据。
在本实施例中,所述待测AI客服模型能够响应于所述输入数据进行语音的输出。
其中,所述输出数据是所述待测AI客服模型响应所述输入数据所得到的输出结果,属于模型的自动解答。
例如:当所述输入数据为“该次贷款的收益是多少”时,通过所述待测AI客服模型的分析及匹配等自动化处理,得到所述输出数据“该次贷款的收益是50万”。
S14,以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
具体地,所述以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果包括:
所述电子设备采用POI将所述输出数据及所述期望数据写入Excel,生成excel文件;
进一步地,所述电子设备确定所述excel文件的文件名称及指定接口的接口参数;
更进一步地,所述电子设备以所述文件名称及所述接口参数修改所述配置脚本;
以修改后的配置脚本调用所述excel文件,输出对所述待测AI客服模型的测试结果。
其中,所述接口参数可以包括,但不限于:服务器IP(Internet Protocol,网际互连协议)、端口、测试URI(Uniform Resource Identifier,统一资源标识符)等。
POI是对office的文档进行读和写的工具,POI中的组件(如HSSF和XSS)可以读写excel。
所述配置脚本可以进行预先配置,以便于修改相关参数后直接调用,提升了运行效率,且简化了开发流程。
通过上述实施方式,结合POI技术生成excel文件,并进一步通过以修改后的配置脚本调用生成的所述excel文件,输出对所述待测AI客服模型的测试结果即可实现快速的自动化测试。
在本发明的至少一个实施例中,所述测试结果包括准确率,所述方法还包括:
获取所述输出数据中与所述期望数据的相似度大于或者等于第一相似度的数据的第一数量;
确定所述输出数据的第二数量;
进一步地,所述电子设备计算所述第一数量与所述第二数量的商作为所述准确率。
例如:某次测试共10000个测试样本,正确的输出数据有5000个,那准确率=5000/10000=50%。
在本发明的至少一个实施例中,所述测试结果还包括召回率,所述方法还包括:
对于任意类别下的第一输出数据,确定所述第一输出数据对应的第一期望数据;
获取所述第一输出数据中与所述第一期望数据的相似度大于或者等于第二相似度的数据的第三数量;
确定所述第一输出数据的第四数量;
进一步计算所述第三数量与所述第四数量的商作为所述任意类别下的召回率。
通过上述实施方式,能够计算所述待测AI客服模型的准确率与召回率,以便于对所述待测AI客服模型进行有效检测。
在本发明的至少一个实施例中,所述AI客服模型测试方法还包括:
当检测到所述待测AI客服模型有更新时,重新执行对所述待测AI客服模型的检测。
因为模型在优化的过程中,阈值的调整会影响到各个分类的情况,比如利息问题的准确率提升了,那可能会导致用户操作类的准确率降低了,但用户的高频问题准确率需呈上升趋势才行,因此,需要对所述待测AI客服模型进行重新检测,以保证所述待测AI客服模型能够对用户的提问做出最佳的响应。
需要说明的是,为了提高数据的安全性及隐私性,可将测试结果存储于区块链中。
由以上技术方案可以看出,本发明能够当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料,基于语义相似算法对所述标准语料进行相似度分析,得到分类语料,使后续的测试更加有针对性,进一步基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据,使生成的所述测试样本的覆盖面更加全面,并可以有效解决测试数据不足的问题,将所述输入数据输入至所述待测AI客服模型中,得到输出数据,并以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果,进而实现对AI客服模型快速地自动化测试。
如图2所示,是本发明AI客服模型测试装置的较佳实施例的功能模块图。所述AI客服模型测试装置11包括获取单元110、分析单元111、扩展单元112、输入单元113、测试单元114、确定单元115、计算单元116。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到对待测AI客服模型的测试指令时,获取单元110从语料库中获取预先配置的标准语料。
在本发明的至少一个实施例中,所述待测AI客服模型的测试指令可以由相关工作人员触发,也可以根据实际使用根据预先配置的测试时间自动触发。
在本发明的至少一个实施例中,所述语料库可以是预先配置的具有多种语料的数据库。
在本发明的至少一个实施例中,所述标准语料包括输入标准语料及输出标准语料。
其中,所述待测AI(Artificial Intelligence,人工智能)客服模型用于自动对客户的提问进行解答。
实际应用中,用户的提问是多种多样的,以贷款场景为例,用户会提问贷款时所涉及到的各个环节的问题,例如:利率问题、放款问题、还款问题等,甚至还可能包括各种调侃语句等。
针对如此分类的各种场景,首先在初建模时,会对各个场景进行分类并收集用户的真实问题,用以模型的标准回答,以确保回答符合公司对外统一话术,并没有法律风险等,建模完成后即可进入测试阶段。
具体而言,所述AI客服模型能够针对上述不同场景下的用户提问给出自动解答,因此,AI客服模型解答的准确性则尤为重要,也就需要对AI客服模型进行测试。
在本发明的至少一个实施例中,所述输入标准语料是指采集的用户输入的标准化语料。
在本发明的至少一个实施例中,所述输出标准语料是指对所述输入标准语料的标准回答语料。
分析单元111基于语义相似算法对所述标准语料进行相似度分析,得到分类语料。
具体地,所述分析单元111基于语义相似算法对所述标准语料进行相似度分析,得到分类语料包括:
基于自然语言处理将所述标准语料转换为语义向量;
进一步采用余弦相似度算法计算所述语义向量中各个词向量间的余弦距离;
所述分析单元111根据所述余弦距离对各个词向量进行分类,得到所述分类语料。
通过上述实施方式,能够对所述标准语料进行分类,使后续的测试更加有针对性。
进一步地,扩展单元112基于预设词库对所述分类语料进行扩展,生成测试样本。
其中,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据。
具体地,所述扩展单元112基于预设词库对所述分类语料进行扩展,生成测试样本包括:
对于所述分类语料中的每个目标词向量,所述扩展单元112计算所述目标词向量与所述预设词库中词向量的相似度;
从所述预设词库中获取与所述目标词向量的相似度大于或者等于预设相似度的词向量作为所述目标词向量的扩展词向量;
将每个目标词向量的扩展词向量添加至所述分类语料,得到所述测试样本。
例如:对于语料“你们公司利息多少”,该语料分别包括以下词语对应的词向量:“你们”、“公司”、“利息”以及“多少”,其中,词向量“公司”以及词向量“利息”为关键字,所述扩展单元112通过相似度计算,可选取出“公司”的近义词“单位”等,“利息”的相似词“收益”、“利率”等,那么语料“你们公司利息多少”则可以包括扩展语料“你们单位利率多少”等。
通过上述实施方式,所述扩展单元112能够通过扩展所述分类语料,使生成的所述测试样本的覆盖面更加全面,进而能够实现对所述待测AI客服模型的更加准确的测试。
另外,现有语料库主要以生产数据为基础,数据量有限,本实施例也可以有效解决测试数据不足的问题。
输入单元113将所述输入数据输入至所述待测AI客服模型中,得到输出数据。
在本实施例中,所述待测AI客服模型能够响应于所述输入数据进行语音的输出。
其中,所述输出数据是所述待测AI客服模型响应所述输入数据所得到的输出结果,属于模型的自动解答。
例如:当所述输入数据为“该次贷款的收益是多少”时,通过所述待测AI客服模型的分析及匹配等自动化处理,得到所述输出数据“该次贷款的收益是50万”。
具体地,所述测试单元114以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
所述测试单元114以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果包括:
所述测试单元114采用POI将所述输出数据及所述期望数据写入Excel,生成excel文件;
进一步地,所述测试单元114确定所述excel文件的文件名称及指定接口的接口参数;
更进一步地,所述测试单元114以所述文件名称及所述接口参数修改所述配置脚本;
以修改后的配置脚本调用所述excel文件,输出对所述待测AI客服模型的测试结果。
其中,所述接口参数可以包括,但不限于:服务器IP(Internet Protocol,网际互连协议)、端口、测试URI(Uniform Resource Identifier,统一资源标识符)等。
POI是对office的文档进行读和写的工具,POI中的组件(如HSSF和XSS)可以读写excel。
所述配置脚本可以进行预先配置,以便于修改相关参数后直接调用,提升了运行效率,且简化了开发流程。
通过上述实施方式,结合POI技术生成excel文件,并进一步通过以修改后的配置脚本调用生成的所述excel文件,输出对所述待测AI客服模型的测试结果即可实现快速的自动化测试。
在本发明的至少一个实施例中,所述测试结果包括准确率,所述获取单元110获取所述输出数据中与所述期望数据的相似度大于或者等于第一相似度的数据的第一数量;
确定单元115确定所述输出数据的第二数量;
进一步地,计算单元116计算所述第一数量与所述第二数量的商作为所述准确率。
例如:某次测试共10000个测试样本,正确的输出数据有5000个,那准确率=5000/10000=50%。
在本发明的至少一个实施例中,所述测试结果还包括召回率,对于任意类别下的第一输出数据,所述确定单元115确定所述第一输出数据对应的第一期望数据;
所述获取单元110获取所述第一输出数据中与所述第一期望数据的相似度大于或者等于第二相似度的数据的第三数量;
所述确定单元115确定所述第一输出数据的第四数量;
所述计算单元116进一步计算所述第三数量与所述第四数量的商作为所述任意类别下的召回率。
通过上述实施方式,能够计算所述待测AI客服模型的准确率与召回率,以便于对所述待测AI客服模型进行有效检测。
在本发明的至少一个实施例中,当检测到所述待测AI客服模型有更新时,所述测试单元114重新执行对所述待测AI客服模型的检测。
因为模型在优化的过程中,阈值的调整会影响到各个分类的情况,比如利息问题的准确率提升了,那可能会导致用户操作类的准确率降低了,但用户的高频问题准确率需呈上升趋势才行,因此,需要对所述待测AI客服模型进行重新检测,以保证所述待测AI客服模型能够对用户的提问做出最佳的响应。
需要说明的是,为了提高数据的安全性及隐私性,可将测试结果存储于区块链中。
由以上技术方案可以看出,本发明能够当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料,基于语义相似算法对所述标准语料进行相似度分析,得到分类语料,使后续的测试更加有针对性,进一步基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据,使生成的所述测试样本的覆盖面更加全面,并可以有效解决测试数据不足的问题,将所述输入数据输入至所述待测AI客服模型中,得到输出数据,并以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果,进而实现对AI客服模型快速地自动化测试。
如图3所示,是本发明实现AI客服模型测试方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如AI客服模型测试程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、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12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如AI客服模型测试程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行AI客服模型测试程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个AI客服模型测试方法实施例中的步骤,例如图1所示的步骤:S10、S11、S12、S13、S14。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:
当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料;
基于语义相似算法对所述标准语料进行相似度分析,得到分类语料;
基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据;
将所述输入数据输入至所述待测AI客服模型中,得到输出数据;
以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、分析单元111、扩展单元112、输入单元113、测试单元114、确定单元115、计算单元116。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述AI客服模型测试方法的部分。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的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,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种AI客服模型测试方法,所述处理器13可执行所述多个指令从而实现:
当接收到对待测AI客服模型的测试指令时,从语料库中获取预先配置的标准语料,所述标准语料包括输入标准语料及输出标准语料;
基于语义相似算法对所述标准语料进行相似度分析,得到分类语料;
基于预设词库对所述分类语料进行扩展,生成测试样本,所述测试样本中包括与所述输入标准语料对应的输入数据及与所述输出标准语料对应的期望数据;
将所述输入数据输入至所述待测AI客服模型中,得到输出数据;
以配置脚本调用所述输出数据及所述期望数据,输出对所述待测AI客服模型的测试结果。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。