CN108460033A - 在自动聊天中提供响应 - Google Patents

Abstract

本公开提供了用于自动聊天的方法、装置和系统。可以获得用户输入的消息。可以确定所述消息是否关联于多个话题中的第一话题。在确定所述消息关联于所述第一话题的情况下，可以基于所述第一话题来提供对所述消息的响应。

Description

在自动聊天中提供响应

背景技术

如今，聊天机器人已经越来越盛行，并且被应用在了越来越多的场合。聊天机器人被设计用于模拟人类会话，其可以经由文本、语音、视觉等形式来与用户进行会话。通常，聊天机器人可以扫描用户输入中的关键词或者对用户输入应用自然语言处理，并且可以从数据库中返回一个具有最佳匹配关键词或最相似措辞模式的答复。

发明内容

提供本发明内容以便以简化形式介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。

根据本公开的实施例，当用户与聊天机器人进行聊天时，聊天机器人可以实时地确定用户输入的每一个消息是否关联于一个话题，并且相应地建立、维持或结束基于该话题的聊天流。在基于话题的聊天流期间，可以维持对应于该话题的话题上下文，并且通过考虑该话题上下文来提供对用户输入的消息的响应。

应当注意，以上一个或多个方面包括以下详细描述以及权利要求中具体指出的特征。下面的说明书及附图详细提出了所述一个或多个方面的特定说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式中的一些方式，并且本公开旨在包括所有这些方面和其等同变换。

附图说明

以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。

图1示出示例性的用于与聊天机器人进行聊天的用户界面。

图2示出示例性的聊天机器人的部署场景。

图3示出另一示例性的聊天机器人的部署场景。

图4示出根据一个实施例的用于自动聊天的示例性方法的流程图。

图5示出根据一个实施例的示例性开始话题检测器。

图6示出根据一个实施例的示例性结束话题检测器。

图7示出根据一个实施例的标示了话题检测过程的示例性聊天用户界面。

图8示出根据一个实施例的用于自动聊天的示例性方法的流程图。

图9示出根据一个实施例的用于自动聊天的示例性装置。

图10示出根据一个实施例的用于自动聊天的示例性系统。

具体实施方式

现在将参考多种示例性实施方式来讨论本公开。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开的实施例，而并非教导对本公开的范围的任何限制。

图1示出示例性的用于与聊天机器人进行聊天的用户界面100。用户界面100可以显示在由用户使用的终端设备上。通过用户界面100，用户可以获得由聊天机器人所提供的自动聊天服务。

用户可以在用户界面100中输入各种消息，例如问候语、查询、评论等，聊天机器人可以基于用户的输入来提供响应。例如，当用户输入问候语“早上好”时，聊天机器人可以返回“早上好”。当用户输入询问“今天天气怎么样？”时，聊天机器人可以返回答复“今天是晴天，很暖和”。当用户输入评论“今天适合去跑步”时，聊天机器人可以返回答复“是呀”。

尽管在图1示出的用户界面100中用户与聊天机器人以文字的形式进行聊天，但是应当理解，用户界面100也可以采用任何其它形式来进行聊天，例如，用户可以与聊天机器人进行语音聊天、用户可以与聊天机器人互发图片等。

图2示出示例性的聊天机器人的部署场景。在系统200中，可以将聊天机器人部署在服务器上，从而，用户可以经由终端设备与服务器进行交互，以便获得自动聊天服务。

在图2中，将网络210用于在终端设备220a和220b与聊天机器人服务器230之间进行互联。聊天机器人服务器230与聊天数据库240连接。

网络210可以是能够对网络实体进行互联的任何类型的网络。网络210可以是单个网络或者不同网络的组合。在覆盖范围方面，网络210可以包括局域网(LAN)、广域网(WAN)等。在承载介质方面，网络210可以包括有线网络、无线网络等。在数据交换技术方面，网络210可以包括电路交换网络、分组交换网络等。

终端设备220a和220b可以是任何类型的电子计算设备，其能够连接到网络210、访问网络210上的服务器或网站、处理数据或信号等。例如，终端设备220a和220b可以是台式计算机、笔记本、平板电脑、智能电话、可穿戴设备、游戏系统等。尽管图2中仅示出两个终端设备220a和220b，但是应当理解，可以有不同数量的终端设备连接到网络210。

聊天机器人服务器230可以向用户提供自动聊天服务。聊天数据库240可以存储由聊天机器人服务器230用于针对用户输入的消息而提供响应的信息。例如，当从终端设备220a接收到用户输入的消息时，聊天机器人服务器230可以从聊天数据库240获得与该消息相对应的响应，并向终端设备220a的用户提供该响应。聊天数据库240可以与聊天机器人服务器230相分离，或者可以被包含到聊天机器人服务器230中。

在系统200中，终端设备可以通过各种方式来与聊天机器人服务器进行交互，以便获得自动聊天服务。例如，可以在终端设备中安装聊天机器人客户端，从而用户可以利用该聊天机器人客户端与聊天机器人服务器进行交互。此外，例如，用户可以在终端设备上基于web来访问聊天机器人服务器。

应当理解，图2中示出的所有网络实体都是示例性的，根据具体应用需求，系统200中可以涉及任何其它网络实体。

图3示出另一示例性的聊天机器人的部署场景。在该场景中，可以将聊天机器人部署在终端设备300中。终端设备300可以是任何适合于实施聊天机器人的计算设备。例如，终端设备300可以是台式计算机、笔记本、平板电脑、智能电话、可穿戴设备、游戏系统等。

终端设备300可以包括处理单元302和系统存储器304。根据终端设备300的配置和类型，系统存储器304可以包括易失性存储单元、非易失性存储单元、闪存或其任意组合。系统存储器304可以包括操作系统305以及一个或多个程序模块306。操作系统305可以控制终端设备300的运行。程序模块306适于运行软件应用程序320，例如，聊天机器人应用322。通过运行聊天机器人应用322，可以向用户提供自动聊天服务。处理单元302和系统存储器304构成了终端设备300的基本配置，该基本配置由虚线框308示出。

终端设备300可以包括附加的数据存储单元，例如，可移动存储单元309和不可移动存储单元310。终端设备300可以包括输入设备312，例如，键盘、鼠标、手写笔、语音输入设备、触摸输入设备等。终端设备300可以包括输出设备314，例如，显示器、扬声器等。终端设备300还可以包括通信连接单元316，以便与其它网络设备350进行通信。

在图3所示的部署场景中，可以将聊天机器人应用322以应用程序的形式安装到终端设备300中。当在终端设备300上运行聊天机器人应用322时，用户可以与聊天机器人进行聊天。例如，用户可以通过输入设备312来输入消息，聊天机器人可以基于用户输入的消息来生成响应并且通过输出设备314将响应呈现给用户。尽管未示出，但是应当理解，在终端设备300中也可以包括聊天数据库，该聊天数据库可以由聊天机器人应用322用于获得与用户输入的消息相对应的响应。

应当理解，图3中示出的所有硬件及软件模块都是示例性的，根据具体应用需求，终端设备300中可以涉及任何其它模块。

根据本公开的实施例，当用户与聊天机器人进行聊天时，聊天机器人可以实时地确定用户输入的每一个消息是否关联于一个话题，并且相应地建立、维持或结束基于该话题的聊天流。此处，聊天流可以指包括由用户输入的消息以及聊天机器人提供的响应的聊天进程，而基于话题的聊天流可以指聊天进程中涉及的消息和响应都关联于一个话题或处于一个话题下的聊天流。另外，此处，话题可以指在语义空间上划分的域或者域所包含的实体。域可以指在语义上相关的一组语言结构的集合。在自然语言处理技术中，可以基于不同的语料库来确定相应的域，例如，电影域、体育域、政治域等。在每一个域中，可以进而基于语义相关性来划分出不同的实体。例如，在“电影”域中，可以划分出喜剧电影、战争电影等实体，可以划分出中国电影、好莱坞电影等实体，甚至可以划分出对应于不同电影明星的实体等。本公开的实施例中所涉及的话题既可以为域，也可以为在一个域内进一步划分的、特定于该域的实体。

根据一些方面，可以确定用户输入的消息的意图是否为想要建立一个新的基于话题的聊天流，并且相应地建立基于该话题的聊天流。根据另一些方面，可以确定用户输入的消息是否仍然关联于当前话题，并且相应地维持或结束当前的基于该话题的聊天流。

在基于话题的聊天流期间，聊天机器人可以维持对应于该话题的话题上下文。针对关联于该话题的用户输入的消息，聊天机器人可以通过考虑话题上下文来提供响应。例如，在存在对应于用户输入的消息的多个候选响应的情况下，可以基于该话题上下文来对多个候选响应进行排序，并且将具有最高排名的响应提供给用户。从而，本公开的实施例可以提供与用户输入的消息具有更高关联性的响应，由此提升了用户体验。

图4是根据一个实施例的用于自动聊天的示例性方法400的流程图。该方法可以由聊天机器人来执行。根据图4所示的方法400，可以判断用户输入的一个消息是否关联于话题，并且基于判断结果来相应地生成针对该消息的响应。对于用户输入的每一个消息，都可以重复地执行方法400，从而可以实现对用户输入的消息的实时处理。

在402处，可以获得用户输入的消息。根据一种实施方式，用户可以在用于与聊天机器人进行聊天的用户界面内输入消息。该消息可以采用文本、语音、视觉等形式。用户输入的消息可以为问候语、查询、评论等。例如，用户可能向聊天机器人问好、询问问题、表达自己的情绪、发表对一些事件的观点、针对聊天机器人的响应给出进一步的意见等。聊天机器人可以接收到用户输入的消息，并且借助文字识别、语音识别、图像识别等各种技术来获知或理解该消息的含义。

在404处，可以确定用户输入的消息是否已经处于基于话题的聊天流中。用户输入的消息可能是在当前已经建立了的基于话题的聊天流中接收到的，也可能是在通用聊天流中接收到的。通用聊天流可以指不涉及到任何话题的聊天进程。

在一种实施方式中，可以利用一个专用标记的值来指示当前是否已经建立了基于话题的聊天流。例如，当该标记的值为1时可以指示当前已经建立了的基于话题的聊天流，而当该标记的值为0时可以是指示当前没有建立基于话题的聊天流，即，处于通用聊天流中。当接收到用户输入的消息时，聊天机器人可以查看该标记的值，以便确定用户输入的消息是否已经处于基于话题的聊天流中。

如果在404处确定用户输入的消息没有处于基于话题的聊天流中，即，处于通用聊天流中，则方法400前进到406。在406处，可以基于用户输入的消息来确定是否开始一个话题，即，确定用户输入的消息是否关联于一个话题。本公开的实施例可以采用各种方式来确定是否开始话题。在一些方面中，可以在聊天机器人中设置开始话题检测器，以用于确定是否开始一个话题。图5示出根据一个实施例的示例性开始话题检测器500。开始话题检测器500可以包括模式匹配模块502、关键词匹配模块504、语义分类模块506等。

模式匹配模块502可以用于在406处通过模式匹配方式来确定是否开始话题。在模式匹配方式中，可以使用一个预先确定的语言表达模式列表，该语言表达模式列表可以包括多个语言表达模式。语言表达模式可以指由预定的词按照预定的顺序所构成的句式结构。可以依次判断用户输入的消息是否匹配于语言表达模式列表中的任何语言表达模式。如果用户输入的消息匹配于语言表达模式列表中的一个语言表达模式，则可以确定将要开始一个话题，并且可以基于该语言表达模式来从消息中确定话题。如果用户输入的消息没有匹配于语言表达模式列表中的任何一个语言表达模式，则可以确定将不开始一个话题。

一些示例性的语言表达模式可以为：“你看过电影<…>么”、“我想去看<…>”、“你喜欢<…>里的女主角么”、“你觉得<…>怎么样”、“<…>太棒了”等等。语言表达模式中的“<…>”部分可以对应于将要确定的话题。应当理解，以上语言表达模式仅仅是一些实例，实际上，可以经验性地或者通过机器学习来确定很多其它的语言表达模式。本公开的实施例并不局限于任何具体的语言表达模式及其确定过程。

在进行模式匹配时，可以确定用户输入的消息中是否包含语言表达模式中“<…>”部分以外的文字。例如，对于语言表达模式“你看过电影<…>么”，当用户输入消息“你看过电影星球大战么”时，方法400可以通过识别出该消息包含表述“你看过电影”和“么”来确定该消息的句式结构匹配于语言表达模式“你看过电影<…>么”，并且可以确定该消息中的“星球大战”对应于该语言表达模式中的“<…>”部分，从而，可以确定将要开始话题“星球大战”。

可以采用各种方式来对语言表达模式进行数学表示。例如，可以采用正则表达式来表示或定义语言表达模式。应当理解，本公开的实施例并不局限于对语言表达模式的任何具体的表示形式。

关键词匹配模块504可以用于在406处通过关键词匹配方式来确定是否开始话题。在关键词匹配方式中，可以使用一个预先确定的高置信度话题列表，该高置信度话题列表可以是包括作为关键词的多个特定于域的实体的列表。可以依次判断用户输入的消息是否匹配于高置信度话题列表中的任何特定于域的实体。如果用户输入的消息匹配于高置信度话题列表中的一个特定于域的实体，则可以确定将要开始一个话题，并且可以将该特定于域的实体确定为话题。如果用户输入的消息没有匹配于高置信度话题列表中的任何一个特定于域的实体，则可以确定将不开始一个话题。

高置信度话题列表中包括的特定于域的实体可以是通过比较同一实体在不同域中的出现频率而确定的。对于每一个域，可以分别计算该域的多个实体在该域的语料库中的出现频率。如果同一实体在不同的域中都出现，则比较该实体在不同域中的出现频率，将该实体出现频率最高的域与该实体关联在一起并添加到高置信度话题列表中。例如，假设实体“星球大战”分别出现在“电影”域和“军事”域中，并且“星球大战”在“电影”域中的出现频率为5000，而在“军事”域中的出现频率为700，则通过比较，可以将出现频率较高的特定于“电影”域的实体“星球大战”添加到高置信度话题列表中。高置信度话题列表中所包括的特定于“电影”域的实体“星球大战”将表明：如果用户输入的消息中包括“星球大战”，则相比于其它域，该消息将以较大的概率来指向特定于“电影”域的实体“星球大战”，从而，可以将特定于“电影”域的实体“星球大战”作为话题。应当理解，如果同一实体在不同域中的出现频率比较接近或者差异不足够显著，即，该实体在不同域中的分布比较均匀，则不应当将该实体添加到高置信度话题列表中。

高置信度话题列表中包括的特定于域的实体还可以是仅在一个域中出现的实体。如果一个实体仅出现在一个域中，则表明如果用户输入的消息中包括该实体，则该消息将以较大的概率来指向特定于该域的该实体，从而可以将特定于该域的该实体作为话题。

语义分类模块506可以用于在406处通过语义分类方式来确定是否开始话题。在语义分类方式中，可以将用户输入的消息在语义上分类到对应的域。例如，可以采用在自然语言处理中常用的卷积神经网络(CNN)、循环神经网络(RNN)等语义分类技术来将用户输入的消息分类到域。通过执行语义分类，如果用户输入的消息与一个域的关联性明显强于其它域，即，用户输入的消息将以较大的概率来指向该域，则可以将该域作为话题。然而，如果用户输入的消息与各个域的关联性彼此接近，则可以确定将不开始一个话题。

应当理解，以上描述的模式匹配模块502、关键词匹配模块504和语义分类模块506是开始话题检测器500可以包括的示例性模块，开始话题检测器500还可以包括任何能够用于确定是否开始话题的其它模块。相应地，以上结合模式匹配模块502、关键词匹配模块504和语义分类模块506所解释的模式匹配方式、关键词匹配方式以及语义分类方式是用于在406处确定是否开始话题的示例性方式，方法400并不局限于这三种方式，而是涵盖了任何能够确定是否开始话题的方式。此外，应当理解，406处的处理可以包括上述方式中的一个或多个或者其任意组合。例如，在406处的处理包括模式匹配、关键词匹配以及语义分类这三种方式的情况下，可以首先通过模式匹配方式进行判断；如果未能通过模式匹配方式确定出话题，则通过关键词匹配方式进行判断；如果未能通过关键词匹配方式确定出话题，则进而通过语义分类方式进行判断。

如果在406处确定开始一个话题，则可以在408处建立基于该话题的聊天流。可以在408处开始维持对应于该话题的话题上下文。如果在406处确定不开始一个话题，则可以在410处建立通用聊天流。

根据方法400，如果在404处确定用户输入的消息已经处于基于话题的聊天流中，则方法400前进到412。在412处，可以基于用户输入的消息来确定是否要结束当前话题，即，是否要结束当前的基于话题的聊天流。换句话说，在412处可以确定用户输入的消息是否关联于当前话题。本公开的实施例可以采用各种方式来确定是否结束话题。在一些方面中，可以在聊天机器人中设置结束话题检测器，以用于确定是否结束一个话题。图6示出根据一个实施例的示例性结束话题检测器600。结束话题检测器600可以包括有效信息检测模块602、消息-响应关联性检测模块604、消息-消息关联性检测模块606等。

有效信息检测模块602可以用于在412处基于用户输入的消息没有提供有效信息来确定不结束话题。此处，有效信息可以指具有明确的语言含义、表达了实质语言内容的信息。如果用户输入的消息没有提供有效信息，则可以认为该消息仍然处于该话题下，从而可以确定不结束话题。

在一种情况下，可以基于用户输入的消息中所包含的停止词的比率来确定该消息是否提供有效信息。停止词指的是在自然语言环境中出现频率非常高、但是没有具体意义的词，其可以包括副词、介词、语气助词、连接词等，例如，“该”、“和”、“的”、“是的”等。可以预先确定一个比率阈值T，如果用户输入的消息中所包含的停止词的比率大于或等于该阈值，则确定该消息没有提供有效信息。例如，假设比率阈值T为50％，并且用户输入的消息为“我不得不这样做”。该消息包括4个词/短语，即，“我”、“不得不”、“这样”和“做”，其中，“我”、“不得不”和“这样”都是停止词。该消息中停止词的比率为75％，大于比率阈值T，从而可以确定该消息没有提供有效信息。

在另一种情况下，可以基于用户输入的消息的字符长度来确定该消息是否提供有效信息。可以预先确定一个长度阈值L，如果用户输入的消息的字符长度小于或等于该长度阈值，则确定该消息没有提供有效信息。例如，假设长度阈值L为3，并且用户输入的消息为“是”。该消息的字符长度为1，小于长度阈值L，从而可以确定该消息没有提供有效信息。

在另一种情况下，可以基于统计方法来确定用户输入的消息是否提供有效信息。可以确定用户输入的消息中的词语在不同语料库中出现的频率。如果该消息中的词语在不同语料库中出现的频率彼此接近，则表明该消息不具有较强的话题区分能力，从而可以确定该消息没有提供有效信息。本公开的实施例可以采用各种统计方法来确定用户输入的消息是否具有较强的话题区分能力，并进而确定是否提供有效信息。例如，可以采用逆文档频率(IDF)算法来计算用户输入的消息中的词语在不同语料库中的IDF，并进而基于不同语料库的IDF之间的比较来确定该消息的话题区分能力。

应当理解，以上解释的关于停止词比率、字符长度和统计方法等情况是示例性的，本公开的实施例并不局限于这些情况或其任意组合，而是可以涵盖任何其它可以确定用户输入的消息是否提供了有效信息的情况。

消息-响应关联性检测模块604可以用于在412处基于用户输入的消息是否关联于先前的响应，即，在获得该消息之前聊天机器人所提供的响应，来确定是否结束话题。如果用户输入的消息关联于先前的响应，则认为该消息关联于当前的话题，从而可以确定不结束当前话题。而如果用户输入的消息不关联于先前的响应，则认为该消息不关联于当前的话题，从而可以确定结束当前话题。本公开的实施例可以采用各种分析方法来确定用户输入的消息是否关联于先前的响应。

在一种情况下，可以采用基于N-gram的相似度来确定用户输入的消息是否关联于先前的响应。对于用户输入的消息，可以生成分别由1至N元元素构成的N个集合，并且对于先前的响应，也可以生成分别由1至N元元素构成的N个集合。可以分别计算基于用户输入的消息所得到的集合与基于先前的响应所得到的集合中阶数相同的元素之间的相似度，并且进而获得用户输入的消息与先前的响应之间的相似度。如果所得到的相似度值大于或等于预先确定的阈值，则可以确定用户输入的消息关联于先前的响应，从而可以确定不结束当前话题。否则，如果所得到的相似度值小于预先确定的阈值，则可以确定用户输入的消息不关联于先前的响应，从而可以确定结束当前话题。

在另一种情况下，可以采用基于Word2Vec的词距离来确定用户输入的消息是否关联于先前的响应。根据Word2Vec技术，可以利用深度学习并通过训练来将文本中的词转换成词向量。首先，可以基于Word2Vec技术来将用户输入的消息和先前的响应中的每个词均映射成词向量。然后，可以利用词向量来计算词之间的距离。例如，可以采用计算余弦相似度的方式来获得词距离。通过这种方式，可以在向量空间上确定用户输入的消息与先前的响应之间的语义上的相似度。如果所得到的相似度值大于或等于预先确定的阈值，则可以确定用户输入的消息关联于先前的响应，从而可以确定不结束当前话题。否则，如果所得到的相似度值小于预先确定的阈值，则可以确定用户输入的消息不关联于先前的响应，从而可以确定结束当前话题。

消息-消息关联性检测模块606可以用于在412处基于用户输入的消息是否关联于先前的消息，即，在获得该用户输入的消息之前所获得的用户输入的消息，来确定是否结束话题。如果用户输入的消息关联于先前的消息，则认为该消息关联于当前的话题，从而可以确定不结束当前话题。而如果用户输入的消息不关联于先前的消息，则认为该消息不关联于当前的话题，从而可以确定结束当前话题。本公开的实施例可以采用各种分析方法来确定用户输入的消息是否关联于先前的消息。在一种情况下，可以采用基于N-gram的相似度来确定用户输入的消息是否关联于先前的消息。在另一种情况下，可以采用基于Word2Vec的词距离来确定用户输入的消息是否关联于先前的消息。

应当理解，以上描述的有效信息检测模块602、消息-响应关联性检测模块604和消息-消息关联性检测模块606是结束话题检测器600可以包括的示例性模块，结束话题检测器600还可以包括任何能够用于确定是否结束话题的其它模块。相应地，以上结合有效信息检测模块602、消息-响应关联性检测模块604和消息-消息关联性检测模块606所解释的检测用户输入的消息是否提供了有效信息、检测用户输入的消息是否关联于先前的响应、以及检测用户输入的消息是否关联于先前的消息等操作是用于在412处确定是否结束话题的示例性方式，方法400并不局限于这三种方式，而是涵盖了任何能够确定是否结束话题的方式。此外，应当理解，412处的处理可以包括上述方式中的一个或多个或者其任意组合。例如，在412处的处理包括所有这三种方式的情况下，可以分别独立地利用这三种方式进行判断，如果通过这三种方式中的任意一个确定出不结束话题，则可以在412处做出不结束话题的决定，而如果这三种方式都确定结束话题，则可以在412处做出结束话题的决定。

如果在412处确定结束话题，则方法400前进到414。在414处，可以结束当前的基于话题的聊天流，并且清空对应于该话题的话题上下文。然后，方法400前进到406，进一步基于用户输入的消息来确定是否开始一个新的话题。

根据方法400，如果在408处建立了基于话题的聊天流，或者在412处确定不结束话题，即，继续当前的基于话题的聊天流，则可以在418处基于话题来确定针对用户输入的消息的响应。

传统的自动聊天技术可以采用各种方式来获得针对用户输入的消息的多个候选响应，例如，可以预先建立一个包含多个消息以及对应的多个候选响应的数据库，然后可以将所获得的用户输入的消息作为索引来从数据库中查找出对应的候选响应。本公开的实施例提出了基于与话题的相关性来从多个候选响应中确定出将要提供给用户的响应。如前所述，可以在基于话题的聊天流期间维持对应于该话题的话题上下文。因此，可以通过利用该话题上下文对多个候选响应进行排序，来选择并确定将要提供给用户的响应。

在对候选响应进行排序的过程中，可以通过各种方式来确定候选响应与话题的相关性。

在一种情况下，可以通过机器翻译方式来确定相关性。例如，可以通过机器学习方式，针对当前话题所对应的域的语料库来预先建立翻译模型。可以利用翻译模型来将一个候选响应转换到目标语言，然后在目标语言下判断该候选响应与当前话题的相关性。

在另一种情况下，可以通过词嵌入(Word Embedding)方式来确定相关性。例如，可以通过词嵌入技术来将候选响应转换成对应的向量，然后在向量空间中判断候选响应与当前话题的相关性。

在另一种情况下，可以通过CNN分类器方式来确定相关性。例如，可以利用CNN分类器来对一个候选响应进行分类，并且基于该候选响应是否被分类到当前话题所对应的域来确定该候选响应与当前话题的相关性。

在另一种情况下，可以通过代表性词语方式来确定候选响应与话题的相关性。此处，代表性词语可以指关联于话题的、广泛使用的、能够反映话题专有属性的词语。例如，可以在一个话题所对应的域的语料库中计算与该话题一起出现的词语的频率。词语的出现频率越高表明该词语与话题的相关性越高。可以将频率最高的词语，例如频率最高的10个词语，选择作为代表性词语。可以确定候选响应中是否包含了该话题的代表性词语。与没有包含代表性词语的候选响应相比，包含了代表性词语的候选响应将具有与该话题的更高的相关性。例如，假设“科比”话题的代表性词语有“湖人”、“MVP”、“黑曼巴”、“得分后卫”等，则可以确定候选响应“科比是个伟大的得分后卫”将比候选响应“科比是个伟大的球员”具有更高的相关性，因为前者包含了代表性词语“得分后卫”。

以上所描述的机器翻译方式、词嵌入方式、CNN分类器方式和代表性词语方式是示例性的，本公开的实施例并不局限于采用这些方式来确定候选响应与话题的相关性，而是可以涵盖任何能够用于确定候选响应与话题的相关性的方式。可以将用于确定候选响应与话题的相关性的方式中的一个或多个或者任意组合用于对候选响应进行排序。在一种实施方式中，可以将机器翻译方式、词嵌入方式、CNN分类器方式、代表性词语方式以及任何其它方式作为梯度提升决策树(GBDT)的特征，并且使用梯度提升决策树来确定候选响应与话题的相关性。可以基于所确定的相关性来对多个候选响应进行排序，并且选择排序最高的候选响应作为将被提供给用户的响应。

应当理解，在方法400中，还可以基于话题来对用户输入的消息进行改写，以有助于确定响应。此处，对消息的改写可以指利用对应于该话题的话题上下文来对消息中不明确的表述进行替换。例如，如果在基于话题“星球大战”的聊天流中接收到用户输入的消息“这部电影的导演是谁”，则可以确定用户输入的消息中的“这部电影”实际上指的是“星球大战”，因此可以将该消息改写成“星球大战的导演是谁”。从而，可以针对改写后的消息“星球大战的导演是谁”来确定响应。通过对消息的改写，可以明确地表达出用户的意图，并且相应地提供更符合用户期望的响应。

根据方法400，如果在410处建立了通用聊天流，则可以在416处在通用聊天流中确定响应。如前所述，通用聊天流是不涉及到任何话题的聊天进程，并且对于通用聊天流，不维持任何上下文信息。因此，可以在416处采用任何常用的方式来确定响应。

图7示出根据一个实施例的标示了话题检测过程的示例性聊天用户界面700。在聊天用户界面700中应用了如图4所示的用于自动聊天的方法400。图7示出了在虚线框702标示的通用聊天流、虚线框704标示的基于“科比”话题的聊天流、虚线框706标示的基于“电影”话题的聊天流、虚线框708标示的通用聊天流之间的转换过程。

当接收到用户输入的消息“你好”时，可以根据404处的处理来确定该消息并未处于基于话题的聊天流中。可以根据406处的处理确定并不开始话题。例如，可能通过模式匹配方式、关键词匹配方式以及语义分类方式均未能从消息“你好”中确定出任何话题。从而，可以建立通用聊天流，并且在通用聊天流中提供响应“嗨！今天过得怎么样？”。

当接收到用户输入的消息“还不错啊”时，可以根据404处的处理来确定该消息并未处于基于话题的聊天流中。可以根据406处的处理确定并不开始话题。

当接收到用户输入的消息“你知道科比么”时，可以根据404处的处理来确定该消息并未处于基于话题的聊天流中。可以根据406处的处理确定开始话题。例如，在一种情况下，可能通过模式匹配方式确定出该消息匹配于语言表达模式“你知道<…>么”，从而确定出“科比”话题。在另一种情况下，可能通过关键词匹配方式确定出该消息匹配于高置信度话题列表中包括的特定于篮球域的实体“科比”，从而确定出“科比”话题。在确定出开始“科比”话题后，可以建立基于“科比”话题的聊天流，并且维持相应的话题上下文。可以根据418处的处理来基于“科比”话题确定出响应“湖人队的科比？”。

当接收到用户输入的消息“是呀”时，可以根据404处的处理来确定该消息已经处于基于“科比”话题的聊天流中。可以根据412处的处理来确定不结束话题。例如，可能根据该消息没有提供有效信息，如，该消息中所包含的停止词的比率大于阈值、该消息的字符长度小于阈值等，来确定不结束话题。然后，可以根据418处的处理来基于“科比”话题确定出响应“科比是名伟大的篮球运动员”。

当接收到用户输入的消息“他拿过很多次MVP吧”时，可以根据404处的处理来确定该消息已经处于基于“科比”话题的聊天流中。可以根据412处的处理来确定不结束话题。例如，可能根据该消息与先前的响应“科比是名伟大的篮球运动员”相关联来确定不结束话题。然后，可以根据418处的处理来基于“科比”话题确定出响应“是呀”。

当接收到用户输入的消息“但是科比已经退役了”时，可以根据404处的处理来确定该消息已经处于基于“科比”话题的聊天流中。可以根据412处的处理来确定不结束话题。例如，可能根据该消息与先前的消息“他拿过很多次MVP吧”相关联来确定不结束话题。然后，可以根据418处的处理来基于“科比”话题确定出响应“再见了，黑曼巴”，其中“黑曼巴”是“科比”话题的代表性词语。

当接收到用户输入的消息“有电影推荐么？”时，可以根据404处的处理来确定该消息已经处于基于“科比”话题的聊天流中。可以根据412处的处理来确定要结束当前的话题。例如，可能根据该消息提供了有效信息、该消息不关联于先前的响应并且该消息不关联于先前的消息等，来确定要结束当前的话题。在确定了要结束当前的“科比”话题后，可以清空“科比”话题上下文。然后，可以根据406处的处理确定是否开始一个新的话题。例如，可能通过模式匹配方式确定出该消息匹配于语言表达模式“有<…>推荐么”，从而确定出“电影”话题。在确定出开始“电影”话题后，可以建立基于“电影”话题的聊天流，并且维持相应的话题上下文。可以根据418处的处理来基于“电影”话题确定出响应“星球大战怎么样？”。

当接收到用户输入的消息“我要走了，拜拜”时，可以根据404处的处理来确定该消息已经处于基于“电影”话题的聊天流中。可以根据412处的处理来确定要结束当前的话题。例如，可能根据该消息提供了有效信息、该消息不关联于先前的响应并且该消息不关联于先前的消息等，来确定要结束当前的话题。在确定了要结束当前的“电影”话题后，可以清空“电影”话题上下文。然后，可以根据406处的处理确定并不开始一个新的话题。从而，可以建立通用聊天流，并且在通用聊天流中提供响应“拜拜”。

图8示出根据一个实施例的用于自动聊天的示例性方法800的流程图。

在802处，可以获得消息。该消息可以是用户在与聊天机器人进行聊天过程中所输入的消息。在一种实施方式中，所述消息可以是在基于第一话题的第一聊天流期间所获得的。在另一种实施方式中，所述消息可以是在通用聊天流期间所获得的。

在804处，可以确定所述消息是否关联于多个话题中的第一话题。

在806处，可以在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。

在一种实施方式中，在所述消息是在基于所述第一话题的第一聊天流期间所获得的情况下，可以基于以下各项中的至少一项来确定所述消息是否关联于所述第一话题：所述消息是否提供了有效信息；所述消息是否关联于在获得所述消息之前所提供的另一响应；以及所述消息是否关联于在获得所述消息之前所获得的另一消息。在确定所述消息不关联于所述第一话题的情况下，可以确定所述消息是否关联于所述多个话题中的任何第二话题。在确定所述消息关联于所述第二话题的情况下，可以建立基于所述第二话题的第二聊天流，并且基于所述第二话题来提供对所述消息的响应。在确定所述消息不关联于任何第二话题的情况下，可以建立通用聊天流，并且在所述通用聊天流中提供对所述消息的响应。

在一种实施方式中，在所述消息是在通用聊天流期间所获得的情况下，可以通过模式匹配、关键词匹配以及语义分类中的至少一个来确定所述消息是否关联于所述第一话题。在确定所述消息关联于所述第一话题的情况下，可以建立基于所述第一话题的第一聊天流。

在方法800中，所述基于所述第一话题来提供对所述消息的响应可以包括：基于所述第一话题来对所述消息进行改写；以及基于所述第一话题来提供对所改写的消息的响应。

图9示出根据一个实施例的用于自动聊天的示例性装置900。在一种实施方式中，装置900可以配置用于执行根据本公开实施例的方法的操作。

装置900可以包括通信模块902，其用于获得消息。装置900还可以包括话题确定模块904，其用于确定所述消息是否关联于多个话题中的第一话题。例如，话题确定模块904可以执行图4中406和/或412处的处理。装置900还可以包括响应提供模块906，其用于在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。此外，装置900还可以包括配置用于执行根据如上所述本公开实施例的用于自动聊天的方法的任何操作的任何其它模块。

图10示出根据一个实施例的用于自动聊天的示例性系统1000。

系统1000可以包括一个或多个处理器1002。系统1000还可以包括存储器1004，其与所述一个或多个处理器1002连接。存储器1004可以存储计算机可执行指令，当所述计算机可执行指令被运行时，使得所述一个或多个处理器1002执行根据如上所述本公开实施例的用于自动聊天的方法的任何操作。

所述处理器1002可以用于获得消息。该消息可以是用户在与聊天机器人进行聊天过程中所输入的消息。在一种实施方式中，所述消息可以是在基于第一话题的第一聊天流期间所获得的。在另一种实施方式中，所述消息可以是在通用聊天流期间所获得的。

所述处理器1002可以用于确定所述消息是否关联于多个话题中的第一话题。

所述处理器1002可以用于在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。

在一种实施方式中，在所述消息是在基于所述第一话题的第一聊天流期间所获得的情况下，所述处理器1002可以基于以下各项中的至少一项来确定所述消息是否关联于所述第一话题：所述消息是否提供了有效信息；所述消息是否关联于在获得所述消息之前所提供的另一响应；以及所述消息是否关联于在获得所述消息之前所获得的另一消息。在确定所述消息不关联于所述第一话题的情况下，所述处理器1002可以确定所述消息是否关联于所述多个话题中的任何第二话题。在确定所述消息关联于所述第二话题的情况下，所述处理器1002可以建立基于所述第二话题的第二聊天流，并且基于所述第二话题来提供对所述消息的响应。在确定所述消息不关联于任何第二话题的情况下，所述处理器1002可以建立通用聊天流，并且在所述通用聊天流中提供对所述消息的响应。

在一种实施方式中，在所述消息是在通用聊天流期间所获得的情况下，所述处理器1002可以用于通过模式匹配、关键词匹配以及语义分类中的至少一个来确定所述消息是否关联于所述第一话题。在确定所述消息关联于所述第一话题的情况下，所述处理器1002可以用于建立基于所述第一话题的第一聊天流。

所述处理器1002还可以用于基于所述第一话题来对所述消息进行改写，以及基于所述第一话题来提供对所改写的消息的响应。

本公开的实施例可以实施在非暂时性计算机可读介质中。该非暂时性计算机可读介质可以包括指令，当所述指令被运行时，使得一个或多个处理器执行根据如上所述本公开实施例的用于自动聊天的方法的任何操作。

应当理解，以上描述的方法中的所有操作都仅仅是示例性的，本公开并不限制于方法中的任何操作或这些操作的顺序，而是应当涵盖在相同或相似构思下的所有其它等同变换。

还应当理解，以上描述的装置中的所有模块都可以通过各种方式来实施。这些模块可以被实施为硬件、软件、或其组合。此外，这些模块中的任何模块可以在功能上被进一步划分成子模块或与其它模块组合。

已经结合各种装置和方法描述了处理器。这些处理器可以使用电子硬件、计算机软件或其任意组合来实施。这些处理器是实施为硬件还是软件将取决于具体的应用以及施加在系统上的总体设计约束。作为示例，本公开中给出的处理器、处理器的任意部分、或者处理器的任意组合可以实施为微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门逻辑、分立硬件电路、以及配置用于执行在本公开中描述的各种功能的其它适合的处理部件。本公开给出的处理器、处理器的任意部分、或者处理器的任意组合的功能可以实施为由微处理器、微控制器、DSP或其它适合的平台所执行的软件。

软件应当被广泛地视为表示指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、运行线程、过程、函数等。软件可以驻留在计算机可读介质中。计算机可读介质可以包括例如存储器，存储器可以例如为磁性存储设备(如，硬盘、软盘、磁条)、光盘、智能卡、闪存设备、随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、寄存器或者可移动盘。尽管在本公开给出的多个方面中将存储器示出为是与处理器分离的，但是存储器可以位于处理器内部(如，缓存或寄存器)。

以上描述被提供用于使得本领域技术人员可以实施本文所描述的各个方面。这些方面的各种修改对于本领域技术人员是显而易见的，本文限定的一般性原理可以应用于其它方面。因此，权利要求并非旨在被局限于本文示出的方面。关于本领域技术人员已知或即将获知的、对本公开所描述各个方面的元素的所有结构和功能上的等同变换，都将通过引用而明确地包含到本文中，并且旨在由权利要求所覆盖。

Claims (19)

1.一种用于自动聊天的方法，包括：

获得消息；

确定所述消息是否关联于多个话题中的第一话题；以及

在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。

2.如权利要求1所述的方法，其中，

所述消息是在基于所述第一话题的第一聊天流期间所获得的。

3.如权利要求2所述的方法，其中，基于以下各项中的至少一项来确定所述消息是否关联于所述第一话题：

所述消息是否提供了有效信息；

所述消息是否关联于在获得所述消息之前所提供的另一响应；以及

所述消息是否关联于在获得所述消息之前所获得的另一消息。

4.如权利要求2所述的方法，还包括：

在确定所述消息不关联于所述第一话题的情况下，确定所述消息是否关联于所述多个话题中的任何第二话题；

在确定所述消息关联于所述第二话题的情况下，建立基于所述第二话题的第二聊天流；以及

基于所述第二话题来提供对所述消息的响应。

5.如权利要求4所述的方法，还包括：

在确定所述消息不关联于任何第二话题的情况下，建立通用聊天流；以及

在所述通用聊天流中提供对所述消息的响应。

6.如权利要求1所述的方法，其中，

所述消息是在通用聊天流期间所获得的。

7.如权利要求6所述的方法，其中，

通过模式匹配、关键词匹配以及语义分类中的至少一个来确定所述消息是否关联于所述第一话题。

8.如权利要求6所述的方法，还包括：

在确定所述消息关联于所述第一话题的情况下，建立基于所述第一话题的第一聊天流。

9.如权利要求1所述的方法，其中，所述基于所述第一话题来提供对所述消息的响应包括：

基于所述第一话题来对所述消息进行改写；以及

基于所述第一话题来提供对所改写的消息的响应。

10.一种用于自动聊天的系统，包括：

一个或多个处理器；以及

存储器，其存储计算机可执行指令，当所述计算机可执行指令被运行时，使得所述一个或多个处理器用于：

获得消息；

确定所述消息是否关联于多个话题中的第一话题；以及

在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。

11.如权利要求10所述的系统，其中，

所述消息是在基于所述第一话题的第一聊天流期间所获得的。

12.如权利要求11所述的系统，其中，所述处理器基于以下各项中的至少一项来确定所述消息是否关联于所述第一话题：

所述消息是否提供了有效信息；

所述消息是否关联于在获得所述消息之前所提供的另一响应；以及

所述消息是否关联于在获得所述消息之前所获得的另一消息。

13.如权利要求11所述的系统，其中，所述处理器还用于：

在确定所述消息不关联于所述第一话题的情况下，确定所述消息是否关联于所述多个话题中的任何第二话题；

在确定所述消息关联于所述第二话题的情况下，建立基于所述第二话题的第二聊天流；以及

基于所述第二话题来提供对所述消息的响应。

14.如权利要求13所述的系统，其中，所述处理器还用于：

在确定所述消息不关联于任何第二话题的情况下，建立通用聊天流；以及

在所述通用聊天流中提供对所述消息的响应。

15.如权利要求10所述的系统，其中，

所述消息是在通用聊天流期间所获得的。

16.如权利要求15所述的系统，其中，所述处理器通过模式匹配、关键词匹配以及语义分类中的至少一个来确定所述消息是否关联于所述第一话题。

17.如权利要求15所述的系统，其中，所述处理器还用于：

在确定所述消息关联于所述第一话题的情况下，建立基于所述第一话题的第一聊天流。

18.如权利要求10所述的系统，其中，所述处理器还用于：

基于所述第一话题来对所述消息进行改写；以及

基于所述第一话题来提供对所改写的消息的响应。

19.一种用于自动聊天的装置，包括：

通信模块，用于获得消息；

话题确定模块，用于确定所述消息是否关联于多个话题中的第一话题；以及

响应提供模块，用于在确定所述消息关联于所述第一话题的情况下，基于所述第一话题来提供对所述消息的响应。