CN108376144B - 基于深度神经网络的场景自动切换的人机多轮对话方法 - Google Patents
基于深度神经网络的场景自动切换的人机多轮对话方法 Download PDFInfo
- Publication number
- CN108376144B CN108376144B CN201810028692.9A CN201810028692A CN108376144B CN 108376144 B CN108376144 B CN 108376144B CN 201810028692 A CN201810028692 A CN 201810028692A CN 108376144 B CN108376144 B CN 108376144B
- Authority
- CN
- China
- Prior art keywords
- scene
- question
- context
- answer
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 19
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/768—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using context analysis, e.g. recognition aided by known co-occurring patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出一种基于深度神经网络的场景自动切换的人机多轮对话方法，本方法的操作步骤是：（1）建立多轮对话问答上下文表示；（2）建立问答上下文场景聚类与场景上下文表示；（3）问题场景自动识别及应答自动生成；（4）场景与场景上下文自动更新。本发明将问答的文字表示向量化，有效且方便地保存问答的上下文信息；在对话过程中有效地抓住场景信息以及场景下的问答上下文内容；结合所匹配场景下的问答上下文信息，自动地生成合理的答复，此方法充分利用了上下文内容，且相对于传统的直接从问答库中匹配答案更为灵活有效。
Description
技术领域
本发明涉及计算机人工智能领域，尤其涉及一种基于深度神经网络的场景自动切换的人机多轮对话方法。
背景技术
人机对话系统作为一个非常热门且具有极大前景的应用，正逐渐被运用到许多领域。人机对话系统依托语音识别以及自然语言理解等相关技术，旨在以语音交互的形式为用户提供各类服务，如咨询、导引、日常聊天等，在未来将直接改变现有的服务提供方式。
人机对话系统能否充分理解用户的语言，需要有强大的上下文感知能力。上下文感知技术，不仅需要能够抓住当前对话的重要信息，还需要对之前的对话做一定的记忆。近年来，依托深度神经网络，上下文感知技术取得了一定的进展。机器人与人的对话是一个时序过程，人机对话系统除了要理解当前正在进行的对话，还需要对之前的聊天记录有一定的理解能力。即，机器人在与人的对话过程中，需要以之前的聊天内容作为上下文依据，然后再结合当前的聊天内容的上下文，做出合理相应。
然而，目前市面上的对话系统，使用简单的问答库匹配机制，大多数只能提供简单的对话以及服务，对于长时间对话却无能为力。人类在长时间的相互交流过程中，会一直记忆之前聊天涉及的内容，在多轮次的对话过程中，由于存在之前的聊天背景，因此能够保持相当高的连贯性。然而，人机对话系统由于没有良好的记录之前聊天信息的机制，在与人进行多轮交互过程中，往往会有转移话题场景、答非所问甚至无法应答等现象的发生。因此，多轮对话是当下亟待解决的重大问题。
发明内容
本发明的目的是针对现有人机对话系统的不足，提供一种基于深度神经网络的场景自动切换的人机多轮对话方法。本方法可以记录人机对话过程中的上下文信息，对于每一个问题，系统自动地识别每一轮对话的场景信息，并根据特定场景信息进行应答。充分利用深度循环神经网络的长短期记忆机制，以及场景识别的方法，以完成聊天机器人多轮对话以及场景自动切换的功能。
为达到发明的目的，本发明的构思是：
为了有效地记录上下文内容，提出一种问答上下文表示的训练方法，对于每一轮问答，训练其上下文表示，问答的上下文表示即一轮问答包含的重要信息。此外，多轮次的对话中会涉及多个不同的对话场景，对话过程是多个场景相互切换的过程，为了让系统能够准确地检测到场景的切换，提出对话自动场景识别的方法，可以在对话场景切换时，自动地从上下文中匹配合适的场景，根据场景中的内容进行应答。
根据上述发明构思，本发明采用下述技术方案：
一种基于深度神经网络的场景自动切换的人机多轮对话方法，操作步骤如下：
a）构建多轮对话问答上下文表示：使用向量进行问题上下文表示；
b）构建问答上下文场景聚类与场景上下文表示：使用聚类的方法自动划分场景，并训练场景上下文向量；
c）问题场景自动识别及应答自动生成：自动的识别问题的所属场景，使用语言模型自动生成应答；
d）场景与场景上下文自动更新：将新生成的问题添加匹配到的场景中，若未匹配到则生成新的场景。
所述步骤a）构建多轮对话问答上下文表示具体为：问答上下文表示依托问答知识库为基础支持，问答知识库即多个一问一答存储的数据库；问答上下文表示使用深度循环神经网络将一问一答的文本转换为问答的上下文向量表示。
所述步骤b）构建问答上下文场景聚类与场景上下文表示具体为：每一个问答上下文的向量表示在向量空间中作为一个孤立点，为了将所有的问答上下文按场景进行分类，采用聚类方法将问答知识库的所有问答上下文进行聚类，对于每一个场景类别，使用深度循环神经网络提取其场景上下文的向量表示。
所述步骤c）问题场景自动识别及应答自动生成具体为：对于每一个问题，提取其问题与场景上下文表示，与当前对话前的对话内容进行场景相似度匹配，若相似度最高的场景高于阈值，则从最相似的场景中抽取上下文内容，若低于阈值则从问答知识库中匹配最相似场景，从中提取上下文内容；结合从场景中提取的上下文与当前问题，使用深度神经网络语言模型自动生成应答。
所述步骤d）场景与场景上下文自动更新具体为：若新生成的问答与之前的对话内容中的某个场景相匹配，则将该问答上下文存入该场景中，使用深度循环神经网络更新该场景的上下文表示；若无法从正在进行的对话内容中准确匹配，则构建一个新的场景，训练该轮问答的场景上下文，并将该轮问答存入该场景中。
本发明与已有技术相比较，具有如下显而易见的突出实质性特点和显著的技术进步：
本发明将问答的文字表示向量化，有效且方便地保存问答的上下文信息；在对话过程中有效地抓住场景信息以及场景下的问答上下文内容；并结合所匹配场景下的问答上下文信息，自动地生成合理的答复，此方法充分利用了上下文内容，且相对于传统的直接从问答库中匹配答案更为灵活有效。
附图说明
图1是本发明的基于深度神经网络的问答上下文表示方法示意图。
图2是本发明的问答场景划分示意图。
图3是本发明的场景上下文训练方法示意图。
图4是本发明的问题场景识别及应答自动生成方法示意图。
具体实施方式
下面结合附图，对本发明的具体实施例做进一步的说明。
一种基于深度神经网络的场景自动切换的人机多轮对话方法，操作步骤如下：
a）构建多轮对话问答上下文表示：使用向量进行问题上下文表示；
b）构建问答上下文场景聚类与场景上下文表示：使用聚类的方法自动划分场景，并训练场景上下文向量；
c）问题场景自动识别及应答自动生成：自动的识别问题的所属场景，使用语言模型自动生成应答；
d）场景与场景上下文自动更新：将新生成的问题添加匹配到的场景中，若未匹配到则生成新的场景。
所述步骤a）构建多轮对话问答上下文表示具体为：
问答上下文提取依托问答知识库为数据，采用循环神经网络的方法将一问一答的文本转换为问答上下文的向量表示。在问答知识库中，假设每一个问答对表示一个独立的场景。基于这一独立的场景假设，使用循环神经网络技术，将问答提取为上下文向量表示。该网络结构参照图1，其相关流程如下：
1）使用id表示问答字符串中的每一个字，将问答转换为id序列表示；
2）采用循环神经网络算法将问答序列转换为问答上下文表示；每一个问答赋予一个场景编号；
3）使用一个全连接层将问答上下文映射为总场景个数的长度；
4）使用Softmax激活函数对问答上下文的全连接表示进行场景分类；
5）保存问答上下文和循环神经网络参数。
利用该网络对问答知识库进行训练，对所有的问答上下文的向量表示，以及循环神经网络的参数进行存储。
所述步骤b）构建问答上下文场景聚类与场景上下文表示具体为：
在获取了问答上下文的向量表示之后，我们把所有的问答对都映射为向量空间中的一个点。问答越相似，其上下文在空间中的表示就越接近，它们的场景也越相似。使用典型聚类方法对问答上下文进行场景聚类。距离近的问答聚类在一个场景中，这样可以将所有的问答划分为多个场景，参照图2，其中QAC表示问答上下文，SC表示场景上下文，数字表示问答和场景的id。
对于每一个场景可以用向量来表示其场景上下文。典型的表示上下文的方法是使用各个聚类的中心。还可以使用循环圣经网络再训练的方法，重新训练场景上下文。使用训练的方法获取场景上下文参照图3，该网络相关流程如下：
1）对于每一个类别的问答上下文序列，使用循环神经网络，提取它们的场景上下文表示；
2）使用全连接的方法，将场景上下文映射为聚类个数的长度；
3）使用Softmax激活函数对场景上下文进行场景分类；
4）保存场景上下文以及循环神经网络参数。
所述步骤c）问题场景自动识别及应答自动生成具体为：
使用以上的方法，本发明提取了问答上下文的向量表示，并将问答知识库划分为k个独立场景，每一个场景以场景上下文的向量表示。
基于问答上下文提取技术以及场景上下文提取技术的参数，对于新的问题，可以找到其问题上下文，再进一步提取其场景上下文，基于场景识别方法识别该问题所属场景。如果找到合适场景，提取该场景下的问答上下文序列，结合问题上下文，使用层级神经网络的方法，生成合理答复。如果未找到合适场景，将返回通用的答复，并生成新的场景，将新的问答上下文保存在这个新的场景中，并计算该场景的场景上下文。其过程参照图4，主要流程如下：
1）对于新进入的问题，采用问答上下文提取方法提取其问题上下文，在使用场景上下文提取方法提取其场景上下文；
2）根据问题场景聚类模型得到的场景类别，对该场景上下文进行分类，找出其所处场景编号；
3）提取该场景编号下的问答上下文序列，与当前的问题上下文组合，并使用循环神经网络训练，以生成答案。
所述步骤d）场景与场景上下文自动更新具体为：
在新的问题进入时，如果其场景上下文处于某个类别以内，将根据该类别的问题上下文以及新的问题生成答案，并将新生成的问答添加到该类别内，更新该类别的场景上下文，更新场景上下文的方法可以使用聚类中心，或者使用循环神经网络训练方法重新训练上下文。如果其场景上下文不属于任何一个场景（离所有场景上下文都很远），可以根据应用的需要，生成定制化的答复，不对场景聚类进行更新，或者使用集合搜索方法生成答复，并以新的问答作为新的场景类别，训练其场景上下文。这样就可以完成场景与场景上下文的更新与添加。
Claims (4)
1.一种基于深度神经网络的场景自动切换的人机多轮对话方法，其特征在于，操作步骤如下：
a）构建多轮对话问答上下文表示：使用向量进行问题上下文表示；
b）构建问答上下文场景聚类与场景上下文表示：使用聚类的方法自动划分场景，并训练场景上下文向量；
c）问题场景自动识别及应答自动生成：自动的识别问题的所属场景，使用语言模型自动生成应答；
d）场景与场景上下文自动更新：将新生成的问题添加匹配到的场景中，若未匹配到则生成新的场景；
所述步骤a）构建多轮对话问答上下文表示具体为：问答上下文表示依托问答知识库为基础支持，问答知识库即多个一问一答存储的数据库；问答上下文表示使用深度循环神经网络将一问一答的文本转换为问答的上下文向量表示；其中，问答的上下文向量表示方法包括如下步骤：
1）使用id表示问答字符串中的每一个字，将问答转换为id序列表示；
2）采用循环神经网络算法将问答序列转换为问答上下文表示；每一个问答赋予一个场景编号；
3）使用一个全连接层将问答上下文映射为总场景个数的长度；
4）使用Softmax激活函数对问答上下文的全连接表示进行场景分类；
5）保存问答上下文和循环神经网络参数。
2.根据权利要求1所述的基于深度神经网络的场景自动切换的人机多轮对话方法，其特征在于，所述步骤b）构建问答上下文场景聚类与场景上下文表示具体为：每一个问答上下文的向量表示在向量空间中作为一个孤立点，为了将所有的问答上下文按场景进行分类，采用聚类方法将问答知识库的所有问答上下文进行聚类，对于每一个场景类别，使用深度循环神经网络提取其场景上下文的向量表示。
3.根据权利要求1所述的基于深度神经网络的场景自动切换的人机多轮对话方法，其特征在于，所述步骤c）问题场景自动识别及应答自动生成具体为：对于每一个问题，提取其问题与场景上下文表示，与当前对话前的对话内容进行场景相似度匹配，若相似度最高的场景高于阈值，则从最相似的场景中抽取上下文内容，若低于阈值则从问答知识库中匹配最相似场景，从中提取上下文内容；结合从场景中提取的上下文与当前问题，使用深度神经网络语言模型自动生成应答。
4.根据权利要求1所述的基于深度神经网络的场景自动切换的人机多轮对话方法，其特征在于，所述步骤d）场景与场景上下文自动更新具体为：若新生成的问答与之前的对话内容中的某个场景相匹配，则将该问答上下文存入该场景中，使用深度循环神经网络更新该场景的上下文表示；若无法从正在进行的对话内容中准确匹配，则构建一个新的场景，训练该轮问答的场景上下文，并将该轮问答存入该场景中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810028692.9A CN108376144B (zh) | 2018-01-12 | 2018-01-12 | 基于深度神经网络的场景自动切换的人机多轮对话方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810028692.9A CN108376144B (zh) | 2018-01-12 | 2018-01-12 | 基于深度神经网络的场景自动切换的人机多轮对话方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108376144A CN108376144A (zh) | 2018-08-07 |
| CN108376144B true CN108376144B (zh) | 2021-10-12 |
Family
ID=63015152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810028692.9A Active CN108376144B (zh) | 2018-01-12 | 2018-01-12 | 基于深度神经网络的场景自动切换的人机多轮对话方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108376144B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109241265B (zh) * | 2018-09-17 | 2022-06-03 | 四川长虹电器股份有限公司 | 一种面向多轮查询的领域识别方法及系统 |
| CN111368533B (zh) * | 2018-12-10 | 2023-11-07 | 北京沃东天骏信息技术有限公司 | 一种基于神经网络识别对话信息的方法及系统 |
| CN111382241A (zh) * | 2018-12-28 | 2020-07-07 | 上海汽车集团股份有限公司 | 会话场景切换方法及装置 |
| CN110096567B (zh) * | 2019-03-14 | 2020-12-25 | 中国科学院自动化研究所 | 基于qa知识库推理的多轮对话回复选择方法、系统 |
| CN110704586A (zh) * | 2019-09-30 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 一种信息处理方法及系统 |
| CN111177310B (zh) * | 2019-12-06 | 2023-08-18 | 广西电网有限责任公司 | 电力服务机器人智能场景会话方法及装置 |
| WO2021128044A1 (zh) * | 2019-12-25 | 2021-07-01 | 深圳市优必选科技股份有限公司 | 一种基于上下文的多轮对话方法、装置、设备及存储介质 |
| CN115809669B (zh) * | 2022-12-30 | 2024-03-29 | 联通智网科技股份有限公司 | 一种对话管理方法和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744836A (zh) * | 2014-01-08 | 2014-04-23 | 苏州思必驰信息科技有限公司 | 一种人机对话方法及装置 |
| CN105095444A (zh) * | 2015-07-24 | 2015-11-25 | 百度在线网络技术（北京）有限公司 | 信息获取方法和装置 |
| CN105704013A (zh) * | 2016-03-18 | 2016-06-22 | 北京光年无限科技有限公司 | 基于上下文的话题更新数据处理方法及装置 |
| CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
| CN106503156A (zh) * | 2016-10-24 | 2017-03-15 | 北京百度网讯科技有限公司 | 基于人工智能的人机交互方法及装置 |
| CN106934068A (zh) * | 2017-04-10 | 2017-07-07 | 江苏东方金钰智能机器人有限公司 | 机器人基于环境上下文的语义理解的方法 |
| CN107193978A (zh) * | 2017-05-26 | 2017-09-22 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的多轮自动聊天对话方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104699763B (zh) * | 2015-02-11 | 2017-10-17 | 中国科学院新疆理化技术研究所 | 多特征融合的文本相似性度量系统 |
| WO2017083504A1 (en) * | 2015-11-12 | 2017-05-18 | Semantic Machines, Inc. | Interaction assistant |
| CN106155522B (zh) * | 2016-06-29 | 2019-03-29 | 上海智臻智能网络科技股份有限公司 | 会话数据处理、知识库建立、优化、交互方法及装置 |
| CN107436864B (zh) * | 2017-08-04 | 2021-03-02 | 识因智能科技(北京)有限公司 | 一种基于Word2Vec的中文问答语义相似度计算方法 |
-
2018
- 2018-01-12 CN CN201810028692.9A patent/CN108376144B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744836A (zh) * | 2014-01-08 | 2014-04-23 | 苏州思必驰信息科技有限公司 | 一种人机对话方法及装置 |
| CN105095444A (zh) * | 2015-07-24 | 2015-11-25 | 百度在线网络技术（北京）有限公司 | 信息获取方法和装置 |
| CN105704013A (zh) * | 2016-03-18 | 2016-06-22 | 北京光年无限科技有限公司 | 基于上下文的话题更新数据处理方法及装置 |
| CN106227740A (zh) * | 2016-07-12 | 2016-12-14 | 北京光年无限科技有限公司 | 一种面向对话系统的数据处理方法及装置 |
| CN106503156A (zh) * | 2016-10-24 | 2017-03-15 | 北京百度网讯科技有限公司 | 基于人工智能的人机交互方法及装置 |
| CN106934068A (zh) * | 2017-04-10 | 2017-07-07 | 江苏东方金钰智能机器人有限公司 | 机器人基于环境上下文的语义理解的方法 |
| CN107193978A (zh) * | 2017-05-26 | 2017-09-22 | 武汉泰迪智慧科技有限公司 | 一种基于深度学习的多轮自动聊天对话方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Chinese Lyrics Generation Using Long Short-Term Memory Neural Network;Xing Wu等;《Springer》;20170603;全文 * |
| 任务型人机对话系统中的认知技术——概念、进展及其未来;俞凯等;《计算机学报》;20151231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108376144A (zh) | 2018-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376144B (zh) | 基于深度神经网络的场景自动切换的人机多轮对话方法 | |
| CN110795543B (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
| CN106409289B (zh) | 语音识别的环境自适应方法、语音识别装置和家用电器 | |
| CN108701453A (zh) | 模块化深度学习模型 | |
| CN108829667A (zh) | 一种基于记忆网络的多轮对话下的意图识别方法 | |
| CN108170764A (zh) | 一种基于场景上下文的人机多轮对话模型构建方法 | |
| CN109740447A (zh) | 基于人工智能的通信方法、设备及可读存储介质 | |
| CN108984778A (zh) | 一种智能交互自动问答系统以及自我学习方法 | |
| CN111046155A (zh) | 一种基于fsm多轮问答的语义相似度计算方法 | |
| Choi et al. | Temporal knowledge distillation for on-device audio classification | |
| CN114596844A (zh) | 声学模型的训练方法、语音识别方法及相关设备 | |
| CN110825865A (zh) | 一种基于专有词纠正和冷启动的多轮对话智能客服系统 | |
| CN110570847A (zh) | 一种多人场景的人机交互系统及方法 | |
| CN116226338A (zh) | 基于检索和生成融合的多轮对话系统及方法 | |
| CN113392265A (zh) | 多媒体处理方法、装置及设备 | |
| US11487948B2 (en) | Method and system for automated autonomous intent mining | |
| CN117493513A (zh) | 一种基于向量和大语言模型的问答系统及方法 | |
| Chen et al. | Towards unsupervised automatic speech recognition trained by unaligned speech and text only | |
| CN115187910A (zh) | 视频分类模型训练方法、装置、电子设备及存储介质 | |
| CN109961152B (zh) | 虚拟偶像的个性化互动方法、系统、终端设备及存储介质 | |
| CN115146124A (zh) | 问答系统应答方法及其装置、设备、介质、产品 | |
| CN116955579B (zh) | 一种基于关键词知识检索的聊天回复生成方法和装置 | |
| CN111046674B (zh) | 语义理解方法、装置、电子设备和存储介质 | |
| CN112233655A (zh) | 一种提高语音命令词识别性能的神经网络训练方法 | |
| CN115712739B (zh) | 舞蹈动作生成方法、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240617 Address after: Tian'an Smart City 2-104, No. 228 Linghu Avenue, Xin'an Street, Xinwu District, Wuxi City, Jiangsu Province, 214000 Patentee after: Wuxi ZHONGDUN Technology Co.,Ltd. Country or region after: China Address before: 200444 No. 99, upper road, Shanghai, Baoshan District Patentee before: Shanghai University Country or region before: China |