[发明专利]文本话术聚类方法、装置、计算机设备及存储介质

权利要求书

1.一种文本话术聚类方法，其特征在于，包括：

获取待聚类文本数据，将所述待聚类文本数据随机平均分为K组；

采用在线贪心算法分别对每组中的文本数据进行组内聚类，得到所述待聚类文本数据的组内聚类结果集，所述组内聚类结果集中包括各个组的聚类簇列表、每个聚类簇中的聚类成员以及每个聚类簇的中心句；

采用在线贪心算法对所述组内聚类结果集中的中心句进行跨组聚类，得到中心句聚类结果集；

获取所述中心句聚类结果集的同一聚类簇中各个中心句在所述组内聚类结果集中对应的聚类簇，并将所述聚类簇的聚类成员进行合并，得到所述待聚类文本数据的聚类结果。

2.根据权利要求1所述的文本话术聚类方法，其特征在于，所述获取待聚类文本数据具体为：

获取坐席与用户的历史对话数据，并根据对话特征对所述历史对话数据进行筛选，得到筛选后的对话数据；所述对话特征包括每通历史对话数据的通话时长、对话轮数、是否成交以及坐席为所述历史对话数据所做的记录；

采用ASR算法将所述筛选后的对话数据进行语音转换，得到语音转换后的文本数据；

采用Bart模型对所述转换后的文本数据进行纠错、加标点以及断句处理，得到待聚类文本数据。

3.根据权利要求2所述的文本话术聚类方法，其特征在于，所述将所述待聚类文本数据随机平均分为K组具体为：

利用RoBERTa模型将所述待聚类文本数据编码为固定维数的句子向量，并按照所述待聚类文本数据的条数将所述编码后的句子向量随机平均分为K组。

4.根据权利要求1至3任一项所述的文本话术聚类方法，其特征在于，所述采用在线贪心算法分别对每组中的文本数据进行组内聚类具体为：

设定每组中的簇内最大距离d、最大簇数、簇的最小文本数量m以及回流文本的百分比δ，所述回流文本是指在聚类结束后未被分到任何一个簇的文本，回流文本数量不超过组内文本总数量×回流文本的百分比；

初始化每个组中的未聚类文本集合S'＝S，聚类簇列表clusters＝[]；

判断每个组中的未聚类文本集合S'的文本数量是否大于回流文本数量，如果大于，从所述未聚类文本集合S'中随机选择一条文本，并计算所述文本与组内其他文本之间的距离，找到与所述文本之间的距离小于聚类簇内最大距离d的文本作为聚类成员，得到聚类文本集合C；

判断C≥m是否成立，如果成立，计算所述聚类文本集合C的簇中心，得到距离簇中心最近的文本text，将所述文本text作为聚类文本集合C的中心句，并在聚类簇列表clusters＝[]中新增二元组(C,text)；

从所述未聚类文本集合S'中剔除掉聚类文本集合C，并重新执行所述判断每个组中的未聚类文本集合S'的文本数量是否大于回流文本数量的步骤。

5.根据权利要求4所述的文本话术聚类方法，其特征在于，所述判断每个组中的未聚类文本集合S'的文本数量是否大于回流文本数量之后，还包括：

如果未聚类文本集合S'的文本数量小于回流文本数量，则收集各个组中的所有回流文本，并重新执行所述初始化每个组中的未聚类文本集合S'的步骤。

6.一种文本话术聚类装置，其特征在于，包括：

数据获取模块：用于获取待聚类文本数据，将所述待聚类文本数据随机平均分为K组；

组内聚类模块：用于采用在线贪心算法分别对每组中的文本数据进行组内聚类，得到所述待聚类文本数据的组内聚类结果集，所述组内聚类结果集中包括各个组的聚类簇列表、每个聚类簇中的聚类成员以及每个聚类簇的中心句；

跨组聚类模块：用于采用在线贪心算法对所述组内聚类结果集中的中心句进行跨组聚类，得到中心句聚类结果集；

数据合并模块：用于获取所述中心句聚类结果集的同一聚类簇中各个中心句在所述组内聚类结果集中对应的聚类簇，并将所述聚类簇的聚类成员进行合并，得到所述待聚类文本数据的聚类结果。