CN108829777A - 一种聊天机器人的问题答复方法及装置 - Google Patents

Abstract

本发明公开了一种聊天机器人的问题答复方法及装置，涉及机器人领域，能够解决现有技术中由于聊天机器人回答人设问题时答复的不可控导致人机交互的体验较差的问题。本发明的方法主要包括：利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。发明主要适用于设置聊天机器人对人设问题的答复的场景中。

Description

一种聊天机器人的问题答复方法及装置

技术领域

本发明涉及智能机器人技术领域，尤其涉及一种聊天机器人的问题答复方法及装置。

背景技术

聊天机器人是一种用来模拟人类对话或聊天的机器人，其能够通过对聊天文本进行分析并给出对应的答复。在科技日益发展的今天，聊天机器人作为一种新兴的人机交互方式，通过一些设定的策略，能够使用户通过自然语言与其进行交流沟通；设置比较完善的聊天机器人甚至能够让人类意识不到是在与机器进行交流。

在用户和聊天机器人的交流语句中，有一类语句是询问机器人自身信息的语句，如询问聊天机器人的名字、年龄及性别等内容的问题。并且经研究表明，如果聊天机器人答复该类问题时能够给予正确的答案，那么就会显得聊天机器人更为智能，使得人机交互的体验更加良好。

早期聊天机器人是通过模板和规则对其进行训练，即配置指定格式的配置文件，使聊天机器人对其进行解析，进而进行策略的构建，而后在接收到的触发了规则的用户语句时即可进行相应地回复。其中，可以为用户语句中的人设文本数据配置相应的规则，若聊天机器人接收到的人设语音问题符合该规则，聊天机器人则产生相应的预设答复语句。通过这种策略输出的答复语句虽然精确度高，但是覆盖率很低，提问语句的变换会导致聊天机器人无法做出正确的答复，使用户无法聊天机器人进行灵活沟通，进而导致人机交互的体验较差。

为了增加聊天机器在沟通过程中的灵活性，目前较为常用的是通过序列到序列(Sequence to Sequence，Seq2Seq)模型对聊天机器人进行训练，收集大量聊天问答作为聊天机器人在机器学习过程中的训练数据。并且基于Seq2Seq模型接收一个输入文本即会得到一个相关的输出文本的特性，经过训练后的聊天机器人生成的答复会具有百分之百的覆盖率。但是，由于Seq2Seq模型是基于统计的方法来对问题产生对应的答案，基于该模型训练的聊天机器人在答复人设问题的过程中，其产生的答复语句具有不可控性。例如，当用户提问“你的职业是什么”时，聊天机器人的答复为“教师”；当用户再次提问“你会做什么”时，聊天机器人的答复是“作家”；而当用户第三次提问“你的工作是什么”时，聊天机器人的答复是“医生”；以此类推，针对相同的问题，聊天机器人每次的答复语句都完全不一样，无法像人类一样对相同的问题做出相同的回答，因此也大大降低了人机交互的体验感。

发明内容

有鉴于此，本发明实施例提供了一种聊天机器人的问题答复方法及装置，主要目的是提高聊天机器人回答人设问题时答复的可控性，进而提高人机交互的体验。

为了解决上述问题，本发明主要提供如下技术方案：

第一方面，本发明提供了一种聊天机器人的问题答复方法，该方法包括以下步骤：

利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

第二方面，本发明提供了一种聊天机器人的问题答复装置，该装置包括：

判断单元，用于利用基于神经网络训练过的问题分类器判断用户输入的问题是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

匹配单元，用于当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

第三方面，本发明还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面所述的聊天机器人的问题答复方法。

第四方面，本发明还提供了一种电子设备，所述电子设备包括处理器，所述处理器用于运行程序，其中，所述程序运行时执行第一方面所述的聊天机器人的问题答复方法。

借由上述技术方案，本发明提供的技术方案至少具有下列优点：

本发明提供的聊天机器人的问题答复方法及装置，能够使聊天机器人面对人设问题时，做出相匹配的答复。本发明首先会利用经过神经网络训练的问题分类器对用户提出的问题进行分类判断，以区分当前的问题是否是人设问题。并将区分后的人设问题和非人设问题分别输入相对应的答复模型进行匹配答复，即利用第一答复模型为人设问题语句匹配对应的答复语句。与现有技术的聊天机器人针对相似问题会做出不可控的答复相比，本发明能够答复模型对问题语句进行匹配，为相似的问题语句匹配相同或相似的答复语句，进而使聊天机器能能够像人类一样对相同的问题做出相同的回答，以提高人机交互的体验感。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

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聊天机器人的问题答复方法的流程图；

图2为示出了本发明实施例供的另一种聊天机器人的问题答复方法的流程图；

图3示出了本发明实施例提供的一种聊天机器人的问题答复装置的框图；

图4示出了本发明实施例提供的另一种聊天机器人的问题答复装置的框图。

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。

参照附图1所示，本发明实施例提供了一种聊天机器人的问题答复方法，该方法主要包括：

101、利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题。

所述人设问题为针对所述聊天机器人人物设定的问题语句。

为了使聊天机器人能够针对人设问题给出相匹配且符合其设定的答复，首先需要区分出接收到的问题是否为人设问题。通过问题分类器对用户输入的问题语句进行分析，判断该问题语句是否为人设问题。进一步的，问题分类器会将提问姓名、提问年龄、提问性别、提问爱好和提问星座这五类问题设置为人设问题，将其它类问题全部归为非人设问题；在问题分类器判断用户输入的问题语句属于上述五类问题时，即确定该问题语句为人设问题。但本实施例中所述的人设问题并不限于上述五类问题，例如人设问题还可以包括提问身高、提问体重、提问型号、提问国籍等与聊天机器人预置的人设相关的问题。

进一步的，本实施例的问题分类器是使用神经网络训练的分类器，通过包含大量的人设问题和非人设问题的训练数据来对问题分类器进行训练，使得训练后的问题分类器能够准确的分析判断出问题语句是否为人设问题。

102、当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

问题分类器在确定了用户输入的问题语句的类别后，就会将不同类别的问题语句发送给不同的答复模型，以便通过对应的答复模型对问题语句进行匹配。在本实施例中，问题分类器会将人设问题发送给第一答复模型进行处理。第一答复模型是利用大量人设问题作为训练数据对seq2seq模型进行训练而得到的答复模型，其能够将相同的问题语句对应相同的答复语句，或将多个对应形式相似且语义相同的问题语句对应相同的答复语句，例如将问题语句“你的职业是什么”、“你会做什么”、“你的工作是什么”都对应答复语句“教师”；或将相同的问题语句对应形式相似且语义相同的答复语句，例如将问题语句“你的职业是什么”对应相似的答复语句“教师”、“教书匠”和“培养祖国花朵的园丁”，并在答复时随机或按概率输出上述之一的答复语句，以增加人机交互中对答的灵活性。故而第一答复模型能够专门针对人设问题输出相匹配的答复语句。

进一步的，可以利用大量非人设问题作为训练数据对seq2seq模型进行训练而得到的第二答复模型，使其能够专门针对非人设问题输出相匹配的答复语句。然后在确定问题语句为非人设问题时，使问题分类器将该非人设问题发送给第二答复模型进行处理，利用第二答复模型为该问题语句匹配对应的答复语句。

本实施例提供的聊天机器人的问题答复方法，能够使聊天机器人面对人设问题时，做出相匹配的答复。本发明首先会利用经过神经网络训练的问题分类器对用户提出的问题进行分类判断，以区分当前的问题是否是人设问题。并将区分后的人设问题和非人设问题分别输入相对应的答复模型进行匹配答复，即利用第一答复模型为人设问题语句匹配对应的答复语句。与现有技术的聊天机器人针对相同问题时会做出不可控的答复相比，本发明能够答复模型对问题语句进行匹配，为相同的问题语句匹配相同的答复语句，进而使聊天机器能能够像人类一样对相同的问题做出相同的回答，以提高人机交互的体验感。

基于附图1所示的聊天机器人的问题答复方法，本发明另一实施例进一步提供了另一种聊天机器人的问题答复方法，参照附图2所示，该方法主要包括：

201、利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器。

为了能够使问题分类器能够针对用户输入的问题语句是否为人设问题进行正确分类，需要对问题分类器进行具有针对性的训练。其中人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座，具体种类可以根据需要设置，也可以根据聊天机器人中预置的人设信息来设置人设问题的种类；例如，若聊天机器人中预置了姓名、年龄、爱好、性别、星座、籍贯这六类人设信息，则可以针对这六类人设问题对问题分类器进行训练，得到可以将该六类问题识别为人设问题的问题分类器。

进一步的，由于卷积神经网络(CNN，Convolutional Neural Network)在文本分类上具有显著效果，本实施例选用了基于卷积神经网络的问题分类器进行训练，其具体结构可以设置每一分层由一个卷积层和一个池化层并组成。通过预先收集的大量人设问题样本对问题分类器进行训练，使训练后的问题分类器可以有效地针对预置种类的人设问题进行提取。

202、利用训练过的问题分类器判断用户输入的问题语句是否为人设问题。

步骤202的实现方式和上述实施例的步骤101相同，在此不再赘述。

为了使第一答复模型能够针对人设问题输出符合聊天机器人预置人设信息的答复语句，在使用第一答复模型之前，需要对该第一答复模型进行具有针对性的训练。下述步骤203-204即为训练第一答复模型的实现步骤。

203、获取含有人设问题的训练样本。

由于第一答复模型是针对人设问题进行匹配输出的答复模型，需要通过含有人设问题的训练样本对seq2seq模型进行训练，才能获取对应的答复模型。但是，收集到的含有人设问题的训练样本中的人设信息与聊天机器人中预置的人设信息并不相同，若直接利用收集到的含有人设问题的训练样本对seq2seq模型进行训练，得到的答复模型则不会按照聊天机器人中预置的人设信息答复对应的人设问题。而为了提高人机交互的体验，是需要机器人能够根据预置的人设信息来答复相关的人设问题的，因此在此需求下，就需要获取到聊天机器人中预置人设信息的种类，以得到对应的预置于所述聊天机器中的人设问题种类，然后利用问题分类器从收集的训练样本中获取到预置人设问题种类的训练样本。

获取预置人设问题种类的训练样本的具体方式有多种，本实施例的获取方式可以为先根据需求预设人设问题相似度的阈值，并利用余弦相似度算法，计算含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；然后在将计算的相似度和阈值相比，当该相似度不小于阈值时，用预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。

例如，含有人设问题的训练样本中人设问题的值为“我的名字是李雷”，预置于所述聊天机器中的人设问题的值“我的姓名是小A”计算出两者的相似度是80％，而预设的阈值为60％，因此就要将该含有人设问题的训练样本中人设问题的值替换为“我的姓名是小A”。又例如，在原始的含有人设问题的训练样本中，人设问题“你的爱好是什么”对应的值为“拉小提琴”，人设问题“你喜欢做什么”相应的值为“拉二胡”，人设问题“你喜欢做什么”对应的值为“打篮球”，人设问题“你喜欢玩什么”对应的值为“踢足球”，而聊天机器中的人设问题的值为“弹钢琴”；在经过计算后，“拉小提琴”、“拉二胡”、“打篮球”及“踢足球”与“弹钢琴”的相似度分别为“85％”、“85％”、“30％”及“30％”，因此在替换后，获取的含有人设问题的训练样本中，人设问题“你的爱好是什么”对应的值为“弹钢琴”，人设问题“你喜欢做什么”相应的值为“弹钢琴”，人设问题“你喜欢做什么”对应的值为“打篮球”，人设问题“你喜欢玩什么”对应的值为“踢足球”。

204、利用所述含有人设问题的训练样本训练Seq2Seq模型，生成所述第一答复模型。

利用获取到的匹配聊天机器人预置人设信息的训练样本对Seq2Seq模型进行训练。由于Seq2Seq模型能够根据人设问题的值在所有训练样本中所占的比例来排序，进而输出占比例最大的答复语句。例如，输入人设问题语句“你喜欢做什么”，对应该人设问题的值包括“弹钢琴”、“弹钢琴”、“打篮球”和“踢足球”，其中“弹钢琴”占的比例为50％大于其它值，因此Seq2Seq模型输出对应的答复语句为“弹钢琴”，以此就能够使Seq2Seq模型在接收到输入的人设问题后，根据聊天机器人中预置的人设问题的值输出对应的答复语句，即生成能够根据聊天机器人的人设信息对对应的人设问题进行答复的第一答复模型。

上述步骤201-202是对用户输入的问题语句进行分类的实现步骤，步骤203-204是生成第一答复模型的实现步骤，步骤201-202和步骤203-204的执行互不影响，其可以先后执行也可以并列执行，因此本实施例不对步骤201-202和步骤203-204的执行顺序进行限定，附图2所示的执行顺序仅是本实施例实现上述步骤的方式之一。

205、当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

当第一答复模型接收到问题分类器识别出的人设问题后，就能够根据聊天机器人的人设信息对该人设问题进行匹配，输入符合聊天机器人的人设信息的答复语句。

进一步的，当确定所述问题语句为非人设问题时，可以利用第二答复模型为所述问题语句匹配对应的答复语句。

本实施例提供的聊天机器人的问题答复方法，用了基于卷积神经网络的问题分类器，使卷积神经网络在文本分类上的显著效果体现在对用户输入的问题语句进行分类上，并利用人设问题样本训练对该基于卷积神经网络的问题分类器进行训练，提高其对人设问题的识别能力。并且，本实施例还对Seq2Seq模型进行针对人设问题的训练，并且在训练之前还将收集到的含有人设问题的训练样本中，人设问题的值替换成聊天机器中与其相似度不小于阈值的人设问题的值，以使训练后得到的第一答复模型能够根据聊天机器人的人设信息，对对应的人设问题进行答复。

基于上述实施例的聊天机器人的问题答复方法，本发明另一实施例提供了一种聊天机器人的问题答复装置，参照图3所示，该装置主要包括：

判断单元31，利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题。

所述人设问题为针对所述聊天机器人人物设定的问题语句。为了使聊天机器人能够针对该人设问题给出相匹配且符合其设定的答复，需要判断单元31利用问题分类器对用户输入的问题语句进行分析，判断该问题语句是否为人设问题。

进一步的，本实施例的问题分类器是使用神经网络训练的分类器，其实通过包含大量的人设问题和非人设问题进行训练数据得到的能够识别人设问题的分类器，其能够准确的分析判断出问题语句是否为人设问题。

匹配单元32，用于当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

匹配单元32会将判断单元31确定为人设问题的问题语句发送给第一答复模型；进一步的，匹配单元32还可以将判断单元31确定为非人设问题的问题语句发送给第二答复模型；以便通过对应的答复模型对问题语句进行匹配输出。

进一步的，第一答复模型是利用大量人设问题作为训练数据对seq2seq模型进行训练而得到的答复模型，因此其能够专门针对人设问题，对多个相似的问题语句给予相同的对应答复语句，或对多个相似的问题语句给予形式相似且语义相同的对应答复语句。

可选的，参照图4所示，所述装置还包括：

生成单元33，用于在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器。

为了能够使问题分类器能够针对用户输入的问题语句是否为人设问题进行分类，需要生成单元33利用人设问题样本对问题分类器进行具有针对性的训练，进而生成可识别至少两类人设问题的问题分类器。其中人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座，具体种类可以根据需要设置，也可以根据聊天机器人中预置的人设信息来设置人设问题的种类。

进一步的，由于卷积神经网络在文本分类上具有显著效果，本实施例选用了基于卷积神经网络的问题分类器进行训练，其具体结构可以设置每一分层由一个卷积层和一个池化层并组成。

可选的，参照图4所示，所述装置还包括：

获取单元34，于在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，获取含有人设问题的训练样本。

所述生成单元33，还用于利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

由于第一答复模型是针对人设问题进行匹配输出的答复模型，需要通过含有人设问题的训练样本对seq2seq模型进行训练，才能获取对应的答复模型。在训练seq2seq模型时，需要获取单元34获取含有人设问题的训练样本，然后生成单元33会利用获取单元34获取到的含有人设问题的训练样本对Seq2Seq模型进行训练，以获得能够针对人设问题匹配对应的答复语句的第一答复模型。

可选的，所述获取单元34还用于利用所述问题分类器获取预置人设问题种类的训练样本。

由于获取单元34收集到的含有人设问题的训练样本中的人设信息与聊天机器人中预置的人设信息并不相同，若直接利用收集到的含有人设问题的训练样本对seq2seq模型进行训练，得到的答复模型则不会按照聊天机器人中预置的人设信息答复对应的人设问题；因此就需要获取单元34获取到该聊天机器人中预置人设信息的种类，以得到对应的预置于所述聊天机器中的人设问题种类，然后利用问题分类器从收集的训练样本中获取到预置人设问题种类的训练样本。

可选的，参照图4所示，所述获取单元34包括：

计算模块341，用于利用余弦相似度算法，计算所述含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度。

替换模块342，用于当所述相似度不小于预设的阈值时，用所述预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。

获取单元34获取预置人设问题种类的训练样本的具体方式有多种，本实施例中获取单元34采用的获取方式可以为先根据需求预设人设问题相似度的阈值，并利用余弦相似度算法，计算含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；然后在将计算的相似度和阈值相比，当该相似度不小于阈值时，用预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值，以此来获取与聊天机器人的人设信息匹配的训练样本。

本实施例提供的聊天机器人的问题答复装置，能够使聊天机器人面对人设问题时，做出与其人设信息相匹配的答复。装置的判断单元31能够利用经过神经网络训练的问题分类器对用户提出的问题进行分类判断，以区分当前的问题是否是人设问题。并在判断单元31区分了人设问题和非人设问题后，通过匹配单元32将问题输入相对应的答复模型进行匹配答复，即利用第一答复模型为人设问题语句匹配对应的答复语句。与现有技术的聊天机器人针对相同问题会做出不可控的答复相比，本发明能够答复模型对问题语句进行匹配，为相同的问题语句匹配相同的答复语句，进而使聊天机器能能够像人类一样对相同的问题做出相同的回答，以提高人机交互的体验感。也能够将多个对应形式相似且语义相同的问题语句对应相同的答复语句，或将相同的问题语句对应形式相似且语义相同的答复语句，以增加人机交互中对答的灵活性。并且，为了能够使问题分类器能够针对用户输入的问题语句是否为人设问题进行正确分类，本实施例还会选用基于在文本分类上的显著效果的卷积神经网络的问题分类器，并且利用人设问题样本对其进行训练，提高其对人设问题的识别能力。而且，本实施例还对Seq2Seq模型进行针对人设问题的训练，并且在训练之前还将收集到的含有人设问题的训练样本中，人设问题的值替换成聊天机器中与其相似度不小于阈值的人设问题的值，以使训练后得到的第一答复模型能够根据聊天机器人的人设信息，对对应的人设问题进行答复。

进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述聊天机器人的问题答复方法。

进一步的，依据上述方法实施例，本发明的另一个实施例还提供了一种电子设备，所述电子设备包括处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述聊天机器人的问题答复方法。

判断单元单元、匹配单元、生成单元和获取单元均作为程序单元存储在存储介质中，由处理器执行存储在存储介质中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术无法为驾驶者提供智能化搜索服务的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

处理器执行指令时实现以下步骤：

利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

可选的，在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器，所述人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座。

可选的，在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，

获取含有人设问题的训练样本；

利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

可选的，获取含有人设问题的训练样本包括：

利用所述问题分类器获取预置人设问题种类的训练样本。

可选的，获取预置人设问题种类的训练样本包括：

利用余弦相似度算法，计算所述含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；

当所述相似度不小于预设的阈值时，用所述预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序代码：

1、利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句。

2、当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

本发明公开了：

A1、一种聊天机器人的问题答复方法，所述方法包括：

利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

A2、根据A1所述的方法，在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，所述方法还包括：

利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器，所述人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座。

A3、根据A2所述的方法，在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，所述方法还包括：

获取含有人设问题的训练样本；

利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

A4、根据A3所述的方法，获取含有人设问题的训练样本包括：

利用所述问题分类器获取预置人设问题种类的训练样本。

A5、根据A4所述的方法，获取预置人设问题种类的训练样本包括：

利用余弦相似度算法，计算所述含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；

当所述相似度不小于预设的阈值时，用所述预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。

B6、一种聊天机器人的问题答复装置，所述装置包括：

判断单元，利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

匹配单元，用于当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

B7、根据B6所述的装置，所述装置还包括：

生成单元，用于在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器，所述人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座。

B8、根据B7所述的装置，所述装置还包括：

获取单元，用于在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，获取含有人设问题的训练样本。

所述生成单元，还用于利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

B9、根据B8所述的装置，所述获取单元还用于利用所述问题分类器获取预置人设问题种类的训练样本。

B10、根据B9所述的装置，所述获取单元包括：

计算模块，用于利用余弦相似度算法，计算所述含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；

替换模块，用于当所述相似度不小于预设的阈值时，用所述预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。

C11、一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行A1至A5中任意一项所述的聊天机器人的问题答复方法。

D12、一种电子设备，所述电子设备包括处理器，所述处理器用于运行程序，其中，所述程序运行时执行A1至A5中任意一项所述的聊天机器人的问题答复方法。

Claims (10)

1.一种聊天机器人的问题答复方法，其特征在于，所述方法包括：

利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

2.根据权利要求1所述的方法，其特征在于，在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，所述方法还包括：

利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器，所述人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座。

3.根据权利要求2所述的方法，其特征在于，在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，所述方法还包括：

获取含有人设问题的训练样本；

利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

4.根据权利要求3所述的方法，其特征在于，获取含有人设问题的训练样本包括：

利用所述问题分类器获取预置人设问题种类的训练样本。

5.根据权利要求4所述的方法，其特征在于，获取预置人设问题种类的训练样本包括：

利用余弦相似度算法，计算所述含有人设问题的训练样本中人设问题的值与预置于所述聊天机器中的人设问题的值的相似度；

当所述相似度不小于预设的阈值时，用所述预置于所述聊天机器中的人设问题的值替换所述含有人设问题的训练样本中人设问题的值。

6.一种聊天机器人的问题答复装置，其特征在于，所述装置包括：

判断单元，利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题，其中，所述人设问题为针对所述聊天机器人人物设定的问题语句；

匹配单元，用于当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

生成单元，用于在利用使用神经网络训练过的问题分类器判断用户输入的问题语句是否为人设问题之前，利用人设问题样本训练基于卷积神经网络的问题分类器，生成可识别至少两类人设问题的问题分类器，所述人设问题的种类至少包括：人物姓名、年龄、爱好、性别及星座。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

获取单元，用于在当确定所述问题语句为人设问题时，利用第一答复模型为所述问题语句匹配对应的答复语句之前，获取含有人设问题的训练样本。

所述生成单元，还用于利用所述含有人设问题的训练样本训练序列到序列Seq2Seq模型，生成所述第一答复模型。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求5中任意一项所述的聊天机器人的问题答复方法。

10.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至权利要求5中任意一项所述的聊天机器人的问题答复方法。