CN110990543A - 智能对话的生成方法、装置、计算机设备及计算机存储介质 - Google Patents

智能对话的生成方法、装置、计算机设备及计算机存储介质 Download PDF

Info

Publication number
CN110990543A
CN110990543A CN201910992242.6A CN201910992242A CN110990543A CN 110990543 A CN110990543 A CN 110990543A CN 201910992242 A CN201910992242 A CN 201910992242A CN 110990543 A CN110990543 A CN 110990543A
Authority
CN
China
Prior art keywords
emotion
answer
question
conversation
control model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910992242.6A
Other languages
English (en)
Inventor
王健宗
程宁
于凤英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910992242.6A priority Critical patent/CN110990543A/zh
Priority to PCT/CN2019/118340 priority patent/WO2021072875A1/zh
Publication of CN110990543A publication Critical patent/CN110990543A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Machine Translation (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请公开了一种智能对话的生成方法、装置及计算机存储介质，涉及人工智能技术领域，能够综合考虑对话内容和情感情绪的因素，使得智能对话的回答更符合用户预期，提高智能对话的交互性。所述方法包括：获取智能对话中的问答语料；基于预先训练的情绪分类器，对智能对话中的问答语料进行情绪标记；将携带有情绪标签的问答语料输入至网络模型中进行训练，得到对话控制模型；当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型的编码部分，得到上下文语义向量；将请求生成对话的情绪分类标签以及上下文语义向量共同输入至对话控制模型的解码部分，得到与情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。

Description

智能对话的生成方法、装置、计算机设备及计算机存储介质
技术领域
本发明涉及人工智能技术领域，尤其是涉及到智能对话的生成方法、装置、计算机设备及计算机存储介质。
背景技术
随着人工智能技术的发展与应用，可以实现自动人机交互的虚拟机器人越来越多的被应用到日常的生活中。其中，较为常见的是智能交互系统，通过智能交互系统理解人类语言，并与人类进行有效的沟通，进而根据对人类意图的理解执行特定任务或作出回答。
现有的智能对话系统在接收到用户的输入后，基于此输入会生成一次智能对话，利用个语料库和模板搜寻产生一个或者多个回复，或者利用算法自动产生一个或多个回复。而在一个智能对话中，对于同一句话有多个不同的回答语句，现有的智能对话系统通常侧重内容方面，根据用户的对话内容作出相应回复，往往忽略了智能对话应用场景下用户的情绪，使得智能对话系统输出的回答语句偏重于于机器模式，降低了智能对话的交互性，用户体验较差。
发明内容
有鉴于此，本发明提供了一种智能对话的生成方法、装置、计算机设备及计算机存储介质，主要目的在于解决目前生成智能对话的交互性较差的问题。
依据本发明一个方面，提供了一种智能对话的生成方法，该方法包括：
获取智能对话中的问答语料；
基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料；
将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型，所述对话控制模型包括编码部分以及解码部分；
当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量；
将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
进一步地，在所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料之前，所述方法还包括：
对所述智能对话中的问答语料进行编码，得到未知情绪的问答向量；
所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料，具体包括：
基于预先训练的情绪分类器对所述未知情绪的问答向量进行情绪识别，得到携带有情绪标签的问答向量。
进一步地，所述深度学习模型为基于循环网络的编解码结构，所述将携带有情绪标签的问答语料作为训练语料输入至深度学习模型中进行训练，得到对话控制模型，具体包括：
针对所述编码阶段，将所述训练语料中的问题向量输入至所述深度学习模型的编码层进行语义向量提取，得到问题语句综合上下文的语义向量；
针对所述解码阶段，将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型。
进一步地，所述将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型，具体包括：
对于每一时刻输入的问题语句综合上下文的语义向量，添加情绪分类特征以及隐状态参数，作为所述深度学习模型的解码层的输入；
通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息；
将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
进一步地，所述通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息，具体包括：
通过所述深度学习模型的隐含层中设置的更新门，控制前一时刻的状态信息带入到当前时刻的状态信息，确定带入至当前时刻的隐状态参数；
通过所述深度学习模型的隐含层中设置的重置门，控制前一时刻的状态信息写入到当前时刻的状态信息，确定写入至当前时刻的隐状态参数；
基于所述带入至当前时刻的隐状态参数以及所述写入至当前时刻的隐状态参数，得到各个时刻的隐状态参数。
进一步地，所述将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型，具体包括：
将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征输入至辅助决断模块中，计算出问题向量在情绪分类特征上的权重值，所述辅助决断模块用于辅助决定情绪分类特征的输出权重值；
根据所述问题向量在情绪分类特征上的权重值，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
进一步地，在所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句之前，所述方法还包括：
若所述请求生成对话的情绪分类标签未设置，则根据所述对话控制模型输出的回答语句，生成适用于对话场景的情绪分类标签；
所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句，具体包括：
将所述适用于对话场景的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
依据本发明另一个方面，提供了一种智能对话的生成装置，所述装置包括：
获取单元，用于获取智能对话中的问答语料；
标记单元，用于基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料；
训练单元，用于将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型，所述对话控制模型包括编码部分以及解码部分；
第一生成单元，用于当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量；
第二生成单元，用于将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
进一步地，所述装置还包括：
编码单元，用于在所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料之前，对所述智能对话中的问答语料进行编码，得到未知情绪的问答向量；
所述标记单元，具体用于基于预先训练的情绪分类器对所述未知情绪的问答向量进行情绪识别，得到携带有情绪标签的问答向量。
进一步地，所述深度学习模型为基于循环网络的编解码结构，所述训练单元包括：
编码模块，用于针对所述编码阶段，将所述训练语料中的问题向量输入至所述深度学习模型的编码层进行语义向量提取，得到问题语句综合上下文的语义向量；
解码模块，用于针对所述解码阶段，将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型。
进一步地，所述解码模块包括：
添加子模块，用于对于每一时刻输入的问题语句综合上下文的语义向量，添加情绪分类特征以及隐状态参数，作为所述深度学习模型的解码层的输入；
设置子模块，用于通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息；
预测子模块，用于将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
进一步地，所述设置子模块，具体用于通过所述深度学习模型的隐含层中设置的更新门，控制前一时刻的状态信息带入到当前时刻的状态信息，确定带入至当前时刻的隐状态参数；
所述设置子模块，具体还用于通过所述深度学习模型的隐含层中设置的重置门，控制前一时刻的状态信息写入到当前时刻的状态信息，确定写入至当前时刻的隐状态参数；
所述设置子模块，具体还用于基于所述带入至当前时刻的隐状态参数以及所述写入至当前时刻的隐状态参数，得到各个时刻的隐状态参数。
进一步地，所述预测子模块，具体用于将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征输入至辅助决断模块中，计算出问题向量在情绪分类特征上的权重值，所述辅助决断模块用于辅助决定情绪分类特征的输出权重值；
所述预测子模块，具体还用于根据所述问题向量在情绪分类特征上的权重值，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
进一步地，所述装置还包括：
第三生成单元，用于在所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句之前，若所述请求生成对话的情绪分类标签未设置，则根据所述对话控制模型输出的回答语句，生成适用于对话场景的情绪分类标签；
所述第二生成单元，具体用于将所述适用于对话场景的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
依据本发明又一个方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现智能对话的生成方法的步骤。
依据本发明再一个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现智能对话的生成方法的步骤。
借由上述技术方案，本发明提供一种智能对话的生成方法及装置，通过对智能对话中的问答语料进行情绪标记，并将标记后的问答语料转换为词向量表示后作为训练语料输入至网络模型中进行训练，得到对话控制模型，进一步基于对话控制模型对请求生成的问题语句进行处理，生成携带有情绪偏好的回答语句。与现有技术中智能对话的生成方法相比，本申请通过在训练对话控制模型的过程中，考虑到智能对话场景中的情绪类别，从而自动识别适合该场景中的情绪类别，作为内容上和情绪上都适用的回答语句，使得智能对话的回答更符合用户预期，提高智能对话的交互性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种智能对话的生成方法的流程示意图；
图2示出了本发明实施例提供的另一种智能对话的生成方法的流程示意图；
图3示出了本发明实施例提供的对问答语料进行情绪识别过程的示意图；
图4示出了本发明实施例提供的对话控制模型的结构示意图；
图5示出了本发明实施例提供的GRU网络模型的结构示意图；
图6示出了本发明实施例提供的解码层中辅助决断模块的结构示意图；
图7示出了本发明实施例提供的一种智能对话的生成装置的结构示意图；
图8示出了本发明实施例提供的另一种智能对话的生成装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种智能对话的生成方法，能够综合考虑对话内容和情感情绪的因素，使得智能对话的回答更符合用户预期，提高智能对话的交互性，如图1所示，该方法包括：
101、获取智能对话中的问答语料。
其中，智能对话中的问答语料可以为从各个网络平台收集的语料库，通常情况下，网络平台在具体业务执行过程中，会接收到用户输入的大量问题语料以及与之相匹配的回答语料，例如，问题语料为“今天天气怎么样”，回答语料可以为“今天天气晴朗”。
应说明的是，收集的一个问题语句可能会存在一个或多个回答语句，也可能不存在回答语句，这里需要收集具有匹配关系的问答语料，将不存在回答语句的问题语句进行过滤，从而保证每个问题语句都存在与之对应的回答语句。
102、基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料。
由于一个问题语料可能会对应有多个回答语料，例如，问题语料为“真烦，堵车导致我今天迟到了”，回答语料可以为“你迟到了”，还可以为“开心点！多大事儿”，还可以为“生活总是这样”，还可以为“交通太差了”。每一种回答语料都携带有不同的情绪类别，然而哪种回答语料更适合用户则取决于用户属性(如用户性格、职业)和用户的情绪状态，所以，本申请通过预先训练的情绪分类器，来对智能对话中的问答语料进行情绪标记，从而在智能对话考虑到情绪因素，以使得回答语句能够更贴合用户的情绪状态。
其中，预先训练的情绪分类器为基于标注上相应的情绪标签的大规模语料训练而得到的分类模型。具体可以通过将情绪因素抽象为一些常见的类别，如快乐、沮丧、生气等，并将不同情绪类别的语料数据作为训练语句输入至分类模型中，根据情绪标签不断反复训练语料数据，从而构建能够识别情绪类别的分类器。
可理解的是，该情绪分类器是用于初步对智能对话中的语料进行标记，能够将语料中的情绪类别提取出来即可，通常由较小规模的人工标注情绪的语料作为训练数据，结合神经网络训练得到。
103、将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型。
其中，对话控制模型包括编码部分以及解码部分，具体训练对话控制模型的过程可以基于经典的编码-解码(Encoder-Decoder)结构进行相应改进，主要是在解码部分加入了情绪分类向量作为额外输入以及辅助决断模块来辅助决定当前的输出词应为情绪词(如讨厌、喜欢)，还是普通词(如学习、计算)的过程。
在经典的编码-解码模型中，编码器的作用是把一个不定长的输入序列变换为一个特定长度的背景变量C，并在该背景向量中编码输入序列信息。常用的编码器是循环神经网络，也可以使用双向循环神经网络，这里不进行限定。由于编码器输出的背景向量C编码了整个输入序列的信息，在给定训练样本中的输出序列，对于每个时刻，解码器输出序列的条件概率将基于前一时刻的输出序列和背景向量，因此，使用另一个循环神经网络作为解码器，在输出序列的时刻，解码器将上一时刻的输出序列以及背景向量作为输入序列，并将其余上一时刻的隐状态变换为当前时刻的隐状态，在获取到解码器的隐状态后，使用自定义输出层和softmax运算来计算输出序列。
可以理解的是，对话控制模型中在解码器计算输出序列的过程中，考虑到情绪因素，将情绪分类向量作为解码器的输入，通过辅助判断模块来辅助判断更适用于情绪分类向量的输出序列，从而计算出更符合情绪因素的输出序列，使得输出的回答语句符合用户预期。
104、当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量。
其中，对话生成请求携带有输入至对话控制模型的问题语句，在对话控制模型的编码部分，通过对问题语句进行编码，从而得到上下文语义向量。
105、将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
其中，请求生成对话的情绪分类标签可以为预先设定好的情绪标签，也可以为上一语句输出的情绪标签，在对话控制模型的解码部分，不仅使用编码部分的输出序列作为输入，另外还会把代表用户情绪以及情绪偏好的情绪分类标签、以及前一个输出词的词向量作为输入，共同来控制对话的输出语句，这样将情绪和内容上的因素同时考虑到智能对话中，使得输出的回答语句更符合用户预期，提高用户的满意度。
本发明实施例提供的一种智能对话的生成方法，通过对智能对话中的问答语料进行情绪标记，并将标记后的问答语料转换为词向量表示后作为训练语料输入至网络模型中进行训练，得到对话控制模型，进一步基于对话控制模型对请求生成的问题语句进行处理，生成携带有情绪偏好的回答语句。与现有技术中智能对话的生成方法相比，本申请通过在训练对话控制模型的过程中，考虑到智能对话场景中的情绪类别，从而自动识别适合该场景中的情绪类别，作为内容上和情绪上都适用的回答语句，使得智能对话的回答更符合用户预期，提高智能对话的交互性。
本发明实施例提供了另一种智能对话的生成方法，能够综合考虑对话内容和情感情绪的因素，使得智能对话的回答更符合用户预期，提高智能对话的交互性，如图2所示，所述方法包括：
201、获取智能对话中的问答语料。
可以理解的是，网络平台收集的语料库往往结构复杂，含有复杂的标记，也缺乏相应的语义标记，为了便于后续模型的训练，可以将智能对话中的问答语料进行结构化整理，添加相应标注分类，例如，问题语句可以划分为计算机、经济、娱乐、教育等。
202、对所述智能对话中的问答语料进行编码，得到未知情绪的问答向量。
可以理解的是，问答语料在输入至情绪分类器之前，需要对问答语料进行预处理。具体预处理的过程主要可以包括但不局限于规范编码、过滤非法字符、分词处理、去除停用词等步骤。这里通过对智能对话中的问答语料进行编码，进而从问答语料中规范的提取出主要内容。
203、基于预先训练的情绪分类器对所述未知情绪的问答向量进行情绪识别，得到携带有情绪标签的问答向量。
具体对未标注情绪的问答语料进行情绪识别的过程可以如图3所示，预先训练的情绪分类器通过对未知情绪的问答向量进行情绪识别后，得到相应问答向量的情绪类别。应说明的是，为了强化回答语句在用户情绪上的表达，该过程仅是对智能对话中的回答向量进行情绪类别标记，形成<问题向量，回答向量，情绪分类标签>的三元元组。
应说明的是，在情绪分类识别的过程中，标签通常都要求是one-hot编码，这里通过对情绪分类标签使用one-hot编码，使得每个情绪特征只有一个有效位，例如，情绪分类包括快乐、沮丧、生气，可以将快乐情绪表示为001，沮丧情绪表示为010，生气情绪表示为100。
204、针对所述编码阶段，将所述训练语料中的问题向量输入至所述深度学习模型的编码层进行语义向量提取，得到问题语句综合上下文的语义向量。
其中，深度学习模型可以为基于循环网络的编解码结构，深度学习模型的编码层用于对输入的问题向量进行语义编码，将输入的问题向量通过非线性变化转换为中间语义表示向量以及当前时刻的隐状态参数。
205、针对所述解码阶段，将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型。
其中，深度学习模型的解码层用于根据编码层生成的中间语义表示向量、上一时刻的隐状态参数以及情绪分类特征，生成下一时刻的回答向量中的每个词语，形成回答语句。具体构建的对话控制模型可以如图4所示，通过在解码模块中加入了情绪向量作为额外的输入以及辅助决断模块来辅助预测模型输出的回答语句。
具体地，对于每一时刻输入与的问题语句综合上下文的语义向量，添加情绪分类特征以及隐状态参数，作为神经网络模型的解码层输入；通过深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息；将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
具体Encoder部分以及Decoder部分可以使用GRU网络模型，GRU网络模型中只有两个门，分别是更新门和重置门，具体结构如下图5，图中的zt和rt分别表示更新门和重置门。更新门用于控制前一时刻的状态信息被带入当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集
Figure BDA0002238635270000111
上，重置门越小，前一状态的信息被写入的越少。
根据上面的GRU的模型图，首先通过上一个传输下来的状态ht-1和当前节点的输入xt来获取两个门控状态，其中r控制重置门的门控，z为控制更新门的门控，σ为激活函数，通过激活函数可以将数据变化为0-1范围内的数值，从而来充当门控信号。
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
在得到门控信号后，首先使用重置门来控制“重置”之后的数据rt*ht-1，再将rt*ht-1与输入xt进行拼接，在通过tanh激活函数来将数据缩放到-1～1的范围内，即得到：
Figure BDA0002238635270000112
这里的ht主要包含了当前输入的xt数据。有针对地对ht添加当前的隐含状态，相当于“记忆力当前时刻的状态”。
最后，通过更新记忆阶段来遗忘记忆两个步骤，使用先前得到的更新门控z，更新表达式得到：
Figure BDA0002238635270000113
应说明的是，门控信号(这里的z)的范围为0～1。门控信号越接近1，代表“记忆”下来的数据越多；而越接近0则代表“遗忘”的越多。最后输出yt为：
yt＝σ(Wo·ht)
其中[]表示两个向量相连，*表示矩阵的乘积。
对于本发明实施例，在通过深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息的过程中，具体可以通过深度学习模型的隐含层中设置的更新门，控制前一时刻的状态信息带入到当前时刻的状态信息，确定带入至当前时刻的隐状态参数；通过深度学习模型的隐含层中设置的重置门，控制前一时刻的状态信息写入到当前时刻的状态信息，确定写入至当前时刻的隐状态参数；基于带入至当前时刻的隐状态参数以及写入至当前时刻的隐状态参数，得到各个时刻的隐状态参数。
对于本发明实施例，在将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型的过程中，具体可以将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征输入至辅助决断模块中，计算出问题向量在情绪分类特征上的权重值，该辅助决断模块用于辅助决定情绪分类特征的输出权重值；然后根据问题向量在情绪分类特征上的权重值，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
具体地，在解码层部分体检的辅助决断模块的主要结构如图6所示，该辅助决断模块用于辅助决定当前输出词应为情绪词(如讨厌、喜欢)，还是通用词(如学习、计算)。有别于传统的方法，即将一个Softmax层用于所有词，将情绪词和通用词分到不同的词库，情绪词库从外部存储中读取，两者没有交集。进一步对情绪词和通用词分开计算出概率，从当前隐含层的输出隐状态参数St通过选择器计算出一个权重α对两者进行加权平均，选择器是一组模型参数，在训练过程中得到，最后综合两者的输出概率作为最终的概率分布，来决定最终的输出词。
206、当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量。
207、将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
本申请的智能对话控制方式，能够根据用户静态设定的偏好情绪类别，或自动识别适合该场合的情绪类别，作为内容上和情绪上都合适的回答语句，如果用户没有设定偏好，系统也可以在对话过程中，通过情绪分类器来动态记录用户的情绪变化，从而在应答上做出相应情绪的调整。
进一步地，作为图1所述方法的具体实现，本发明实施例提供了一种智能对话的生成装置，如图7所示，所述装置包括：获取单元31、标记单元32、训练单元33、第一生成单元34、第二生成单元35。
获取单元31，用于获取智能对话中的问答语料；
标记单元32，用于基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料；
训练单元33，用于将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型，所述对话控制模型包括编码部分以及解码部分；
第一生成单元34，用于当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量；
第二生成单元35，用于将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
本发明实施例提供的一种智能对话的生成装置，通过对智能对话中的问答语料进行情绪标记，并将标记后的问答语料转换为词向量表示后作为训练语料输入至网络模型中进行训练，得到对话控制模型，进一步基于对话控制模型对请求生成的问题语句进行处理，生成携带有情绪偏好的回答语句。与现有技术中智能对话的生成方法相比，本申请通过在训练对话控制模型的过程中，考虑到智能对话场景中的情绪类别，从而自动识别适合该场景中的情绪类别，作为内容上和情绪上都适用的回答语句，使得智能对话的回答更符合用户预期，提高智能对话的交互性。
作为图7中所示智能对话的生成装置的进一步说明，图8是根据本发明实施例另一种智能对话的生成装置的结构示意图，如图8所示，所述装置还包括：
编码单元36，可以用于在所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料之前，对所述智能对话中的问答语料进行编码，得到未知情绪的问答向量；
所述标记单元32，具体可以用于基于预先训练的情绪分类器对所述未知情绪的问答向量进行情绪识别，得到携带有情绪标签的问答向量。
进一步地，所述装置还包括：
第三生成单元37，可以用于在所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句之前，若所述请求生成对话的情绪分类标签未设置，则根据所述对话控制模型输出的回答语句，生成适用于对话场景的情绪分类标签；
所述第二生成单元35，具体可以用于将所述适用于对话场景的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
进一步地，所述深度学习模型为基于循环网络的编解码结构，所述训练单元33包括：
编码模块331，可以用于针对所述编码阶段，将所述训练语料中的问题向量输入至所述深度学习模型的编码层进行语义向量提取，得到问题语句综合上下文的语义向量；
解码模块332，可以用于针对所述解码阶段，将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型。
进一步地，所述解码模块332包括：
添加子模块3321，可以用于对于每一时刻输入的问题语句综合上下文的语义向量，添加情绪分类特征以及隐状态参数，作为所述深度学习模型的解码层的输入；
设置子模块3322，可以用于通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息；
预测子模块3323，可以用于将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
进一步地，所述设置子模块3322，具体可以用于通过所述深度学习模型的隐含层中设置的更新门，控制前一时刻的状态信息带入到当前时刻的状态信息，确定带入至当前时刻的隐状态参数；
所述设置子模块3322，具体还可以用于通过所述深度学习模型的隐含层中设置的重置门，控制前一时刻的状态信息写入到当前时刻的状态信息，确定写入至当前时刻的隐状态参数；
所述设置子模块3322，具体还可以用于基于所述带入至当前时刻的隐状态参数以及所述写入至当前时刻的隐状态参数，得到各个时刻的隐状态参数。
进一步地，所述预测子模块3323，具体可以用于将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征输入至辅助决断模块中，计算出问题向量在情绪分类特征上的权重值，所述辅助决断模块用于辅助决定情绪分类特征的输出权重值；
所述预测子模块3323，具体还可以用于根据所述问题向量在情绪分类特征上的权重值，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
需要说明的是，本实施例提供的一种智能对话的生成装置所涉及各功能单元的其他相应描述，可以参考图1-图2中的对应描述，在此不再赘述。
基于上述如图1、图2所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1、图2所示的智能对话的生成方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法，以及图7、图8所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1、图2所示的智能对话的生成方法。
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的智能对话的生成装置的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有技术相比，本申请通过在训练对话控制模型的过程中，考虑到智能对话场景中的情绪类别，从而自动识别适合该场景中的情绪类别，作为内容上和情绪上都适用的回答语句，使得智能对话的回答更符合用户预期，提高智能对话的交互性。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种智能对话的生成方法，其特征在于，所述方法包括：
获取智能对话中的问答语料；
基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料；
将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型，所述对话控制模型包括编码部分以及解码部分；
当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量；
将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
2.根据权利要求1所述的方法，其特征在于，在所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料之前，所述方法还包括：
对所述智能对话中的问答语料进行编码，得到未知情绪的问答向量；
所述基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料，具体包括：
基于预先训练的情绪分类器对所述未知情绪的问答向量进行情绪识别，得到携带有情绪标签的问答向量。
3.根据权利要求2所述的方法，其特征在于，所述深度学习模型为基于循环网络的编解码结构，所述将携带有情绪标签的问答语料作为训练语料输入至深度学习模型中进行训练，得到对话控制模型，具体包括：
针对所述编码阶段，将所述训练语料中的问题向量输入至所述深度学习模型的编码层进行语义向量提取，得到问题语句综合上下文的语义向量；
针对所述解码阶段，将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述问题语句综合上下文的语义向量输入至所述深度学习模型的解码层进行映射关系提取，并控制所述训练语料中的回答向量作为所述深度学习模型的解码层的输出，构建对话控制模型，具体包括：
对于每一时刻输入的问题语句综合上下文的语义向量，添加情绪分类特征以及隐状态参数，作为所述深度学习模型的解码层的输入；
通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息；
将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
5.根据权利要求4所述的方法，其特征在于，所述通过所述深度学习模型的隐含层中设置的门控循环单元更新下一时刻的隐状态参数，得到各个时刻的隐状态信息，具体包括：
通过所述深度学习模型的隐含层中设置的更新门，控制前一时刻的状态信息带入到当前时刻的状态信息，确定带入至当前时刻的隐状态参数；
通过所述深度学习模型的隐含层中设置的重置门，控制前一时刻的状态信息写入到当前时刻的状态信息，确定写入至当前时刻的隐状态参数；
基于所述带入至当前时刻的隐状态参数以及所述写入至当前时刻的隐状态参数，得到各个时刻的隐状态参数。
6.根据权利要求4所述的方法，其特征在于，所述将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型，具体包括：
将各个时刻的隐状态参数结合下一时刻的问题语句综合上下文的语义向量以及情绪分类特征输入至辅助决断模块中，计算出问题向量在情绪分类特征上的权重值，所述辅助决断模块用于辅助决定情绪分类特征的输出权重值；
根据所述问题向量在情绪分类特征上的权重值，预测问题向量与不同情绪分类的回答向量之间的映射关系，构建对话控制模型。
7.根据权利要求1-6中任一项所述的方法，其特征在于，在所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句之前，所述方法还包括：
若所述请求生成对话的情绪分类标签未设置，则根据所述对话控制模型输出的回答语句，生成适用于对话场景的情绪分类标签；
所述将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句，具体包括：
将所述适用于对话场景的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
8.一种智能对话的生成装置，其特征在于，所述装置包括：
获取单元，用于获取智能对话中的问答语料；
标记单元，用于基于预先训练的情绪分类器，对所述智能对话中的问答语料进行情绪标记，得到携带有情绪标签的问答语料；
训练单元，用于将携带有情绪标签的问答语料作为训练语料输入至网络模型中进行训练，得到对话控制模型，所述对话控制模型包括编码部分以及解码部分；
第一生成单元，用于当接收到对话生成请求时，将请求生成对话的问题语句输入至所述对话控制模型中的编码部分，得到上下文语义向量；
第二生成单元，用于将请求生成对话的情绪分类标签以及所述上下文语义向量共同输入至所述对话控制模型中的解码部分，得到与所述情绪分类标签相匹配回答语句的词向量表示，组成后输出相应的回答语句。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201910992242.6A 2019-10-18 2019-10-18 智能对话的生成方法、装置、计算机设备及计算机存储介质 Pending CN110990543A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910992242.6A CN110990543A (zh) 2019-10-18 2019-10-18 智能对话的生成方法、装置、计算机设备及计算机存储介质
PCT/CN2019/118340 WO2021072875A1 (zh) 2019-10-18 2019-11-14 智能对话的生成方法、装置、计算机设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910992242.6A CN110990543A (zh) 2019-10-18 2019-10-18 智能对话的生成方法、装置、计算机设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110990543A true CN110990543A (zh) 2020-04-10

Family

ID=70082090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910992242.6A Pending CN110990543A (zh) 2019-10-18 2019-10-18 智能对话的生成方法、装置、计算机设备及计算机存储介质

Country Status (2)

Country Link
CN (1) CN110990543A (zh)
WO (1) WO2021072875A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859989A (zh) * 2020-07-27 2020-10-30 平安科技（深圳）有限公司 基于属性标签控制的对话回复方法、装置和计算机设备
CN112163080A (zh) * 2020-10-12 2021-01-01 辽宁工程技术大学 一种基于多轮情绪分析的生成式对话系统
CN112380875A (zh) * 2020-11-18 2021-02-19 杭州大搜车汽车服务有限公司 对话标签跟踪方法、装置、电子装置及存储介质
CN112860873A (zh) * 2021-03-23 2021-05-28 北京小米移动软件有限公司 智能应答方法、装置及存储介质
CN112883179A (zh) * 2021-02-23 2021-06-01 中国科学技术大学 一种人机对话方法及系统
CN112951215A (zh) * 2021-04-27 2021-06-11 平安科技（深圳）有限公司 语音的智能客服回答方法、装置以及计算机设备
CN112967725A (zh) * 2021-02-26 2021-06-15 平安科技（深圳）有限公司 语音对话数据处理方法、装置、计算机设备及存储介质
CN113360614A (zh) * 2021-05-31 2021-09-07 多益网络有限公司 生成式聊天机器人回复情感控制方法、装置、终端及介质
CN113449092A (zh) * 2021-07-08 2021-09-28 京东科技控股股份有限公司 语料获取方法、装置、电子设备及存储介质
CN113449094A (zh) * 2021-07-08 2021-09-28 京东科技控股股份有限公司 语料获取方法、装置、电子设备及存储介质
CN113627196A (zh) * 2021-07-21 2021-11-09 前海企保科技（深圳）有限公司 一种基于语境和Transformer的多语言对话机器人系统及其对话方法
CN114036272A (zh) * 2021-10-29 2022-02-11 厦门快商通科技股份有限公司 一种对话系统语义分析方法、系统、电子装置及存储介质
CN115062606A (zh) * 2022-08-16 2022-09-16 阿里巴巴（中国）有限公司 对话数据分析及其模型训练方法、及电子设备
CN115130432A (zh) * 2022-07-13 2022-09-30 平安科技（深圳）有限公司 文本处理方法、文本处理装置、电子设备及存储介质
CN115730070A (zh) * 2022-11-25 2023-03-03 重庆邮电大学 一种人机共情对话方法、系统、电子设备和介质
WO2023108994A1 (zh) * 2021-12-15 2023-06-22 平安科技（深圳）有限公司 一种语句生成方法及电子设备、存储介质
CN116389644A (zh) * 2022-11-10 2023-07-04 八度云计算(安徽)有限公司 一种基于大数据分析的外呼系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139042B (zh) * 2021-04-25 2022-04-29 内蒙古工业大学 一种利用微调和重排序策略的情感可控回复生成方法
CN114463688A (zh) * 2022-04-12 2022-05-10 之江实验室 一种跨模态上下文编码的对话情感识别方法及系统
CN115617973B (zh) * 2022-12-14 2023-03-21 安徽数分智能科技有限公司 一种基于智能数据处理的信息获取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121823A (zh) * 2018-01-11 2018-06-05 哈尔滨工业大学 Babbling情感对话生成系统及方法
US20180174020A1 (en) * 2016-12-21 2018-06-21 Microsoft Technology Licensing, Llc Systems and methods for an emotionally intelligent chat bot
CN110188182A (zh) * 2019-05-31 2019-08-30 中国科学院深圳先进技术研究院 模型训练方法、对话生成方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808660A (zh) * 2016-09-05 2018-03-16 株式会社东芝 训练神经网络语言模型的方法和装置及语音识别方法和装置
CN108427722A (zh) * 2018-02-09 2018-08-21 卫盈联信息技术（深圳）有限公司 智能交互方法、电子装置及存储介质
CN109587360B (zh) * 2018-11-12 2021-07-13 平安科技（深圳）有限公司 电子装置、应对话术推荐方法和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174020A1 (en) * 2016-12-21 2018-06-21 Microsoft Technology Licensing, Llc Systems and methods for an emotionally intelligent chat bot
CN108121823A (zh) * 2018-01-11 2018-06-05 哈尔滨工业大学 Babbling情感对话生成系统及方法
CN110188182A (zh) * 2019-05-31 2019-08-30 中国科学院深圳先进技术研究院 模型训练方法、对话生成方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAO ZHOU ET AL: "Emotional Chatting Machine: Emotional Conversation Generation with Internal and External Memory", 《ARXIV:1704.01074V4 [CS.CL]》, pages 1 - 9 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111859989B (zh) * 2020-07-27 2023-11-14 平安科技（深圳）有限公司 基于属性标签控制的对话回复方法、装置和计算机设备
CN111859989A (zh) * 2020-07-27 2020-10-30 平安科技（深圳）有限公司 基于属性标签控制的对话回复方法、装置和计算机设备
CN112163080A (zh) * 2020-10-12 2021-01-01 辽宁工程技术大学 一种基于多轮情绪分析的生成式对话系统
CN112380875A (zh) * 2020-11-18 2021-02-19 杭州大搜车汽车服务有限公司 对话标签跟踪方法、装置、电子装置及存储介质
CN112883179A (zh) * 2021-02-23 2021-06-01 中国科学技术大学 一种人机对话方法及系统
CN112883179B (zh) * 2021-02-23 2024-05-24 中国科学技术大学 一种人机对话方法及系统
CN112967725A (zh) * 2021-02-26 2021-06-15 平安科技（深圳）有限公司 语音对话数据处理方法、装置、计算机设备及存储介质
CN112860873A (zh) * 2021-03-23 2021-05-28 北京小米移动软件有限公司 智能应答方法、装置及存储介质
CN112860873B (zh) * 2021-03-23 2024-03-05 北京小米移动软件有限公司 智能应答方法、装置及存储介质
CN112951215A (zh) * 2021-04-27 2021-06-11 平安科技（深圳）有限公司 语音的智能客服回答方法、装置以及计算机设备
CN112951215B (zh) * 2021-04-27 2024-05-07 平安科技（深圳）有限公司 语音的智能客服回答方法、装置以及计算机设备
CN113360614A (zh) * 2021-05-31 2021-09-07 多益网络有限公司 生成式聊天机器人回复情感控制方法、装置、终端及介质
CN113449092A (zh) * 2021-07-08 2021-09-28 京东科技控股股份有限公司 语料获取方法、装置、电子设备及存储介质
CN113449094A (zh) * 2021-07-08 2021-09-28 京东科技控股股份有限公司 语料获取方法、装置、电子设备及存储介质
CN113627196A (zh) * 2021-07-21 2021-11-09 前海企保科技（深圳）有限公司 一种基于语境和Transformer的多语言对话机器人系统及其对话方法
CN114036272A (zh) * 2021-10-29 2022-02-11 厦门快商通科技股份有限公司 一种对话系统语义分析方法、系统、电子装置及存储介质
WO2023108994A1 (zh) * 2021-12-15 2023-06-22 平安科技（深圳）有限公司 一种语句生成方法及电子设备、存储介质
CN115130432A (zh) * 2022-07-13 2022-09-30 平安科技（深圳）有限公司 文本处理方法、文本处理装置、电子设备及存储介质
CN115130432B (zh) * 2022-07-13 2023-05-05 平安科技（深圳）有限公司 文本处理方法、文本处理装置、电子设备及存储介质
CN115062606A (zh) * 2022-08-16 2022-09-16 阿里巴巴（中国）有限公司 对话数据分析及其模型训练方法、及电子设备
CN115062606B (zh) * 2022-08-16 2022-11-18 阿里巴巴（中国）有限公司 对话数据分析及其模型训练方法、及电子设备
CN116389644B (zh) * 2022-11-10 2023-11-03 八度云计算(安徽)有限公司 一种基于大数据分析的外呼系统
CN116389644A (zh) * 2022-11-10 2023-07-04 八度云计算(安徽)有限公司 一种基于大数据分析的外呼系统
CN115730070B (zh) * 2022-11-25 2023-08-08 重庆邮电大学 一种人机共情对话方法、系统、电子设备和介质
CN115730070A (zh) * 2022-11-25 2023-03-03 重庆邮电大学 一种人机共情对话方法、系统、电子设备和介质

Also Published As

Publication number Publication date
WO2021072875A1 (zh) 2021-04-22

Similar Documents

Publication Publication Date Title
CN110990543A (zh) 智能对话的生成方法、装置、计算机设备及计算机存储介质
KR102071582B1 (ko) 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치
CN112100349A (zh) 一种多轮对话方法、装置、电子设备及存储介质
CN111312245B (zh) 一种语音应答方法、装置和存储介质
CN112487139A (zh) 基于文本的自动出题方法、装置及计算机设备
CN113987147A (zh) 样本处理方法及装置
CN115599901B (zh) 基于语义提示的机器问答方法、装置、设备及存储介质
CN112632244A (zh) 一种人机通话的优化方法、装置、计算机设备及存储介质
CN111597341A (zh) 一种文档级关系抽取方法、装置、设备及存储介质
CN111858898A (zh) 基于人工智能的文本处理方法、装置及电子设备
CN113704419A (zh) 对话处理方法及装置
CN110297909A (zh) 一种无标签语料的分类方法及装置
CN113268994A (zh) 基于胶囊网络的意图识别方法及装置
CN115954001A (zh) 语音识别方法和模型训练方法
CN115269836A (zh) 意图识别方法及装置
CN111241820A (zh) 不良用语识别方法、装置、电子装置及存储介质
CN112989843A (zh) 意图识别方法、装置、计算设备及存储介质
CN113128284A (zh) 一种多模态情感识别方法和装置
CN111310847B (zh) 训练要素分类模型的方法和装置
CN112434133A (zh) 一种意图分类方法、装置、智能终端及存储介质
CN111046674B (zh) 语义理解方法、装置、电子设备和存储介质
CN114818644B (zh) 文本模板生成方法、装置、设备及存储介质
CN115376547B (zh) 发音评测方法、装置、计算机设备和存储介质
CN117059082B (zh) 基于大模型的外呼通话方法、装置、介质和计算机设备
CN117150320B (zh) 对话数字人情感风格相似度评价方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination