CN108920510A - 自动聊天方法、装置和电子设备 - Google Patents

Abstract

本发明实施例提供一种自动聊天方法、装置和电子设备，其中，该方法包括：接收用户的输入语句；对输入语句进行情绪分类识别，得到用户的当前情绪状态；根据当前情绪状态向用户输出与输入语句对应的回复语句。本发明提供的技术方案，回复语句依据用户的当前情绪状态确定，因而可以提高电子设备的智能性，使电子设备可以更好的满足用户的情感需求。

Description

自动聊天方法、装置和电子设备

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种自动聊天方法、装置和电子设备。

背景技术

聊天机器人是一种新兴的人机交互方式，主要是通过给机器设定一些策略，使人类可以用自然语言与机器进行交互，以达到模拟真人聊天的目的。聊天机器人根据用途分为通用聊天机器人和专用聊天机器人，其中，通用聊天机器人更重视机器回复的准确度和相关度，目的是让聊天更有趣；专用聊天机器人则为了帮助人类达到某种需求。安慰聊天机器人就是属于专用聊天机器人，目的是对人的情感进行抚慰，让人的心情得到平复。

早期的聊天机器人实现方案是基于模板和规则实现的，该方案通过配置一些指定格式的配置文件让机器进行解析和策略的构建，从而可以对用户输入的触发了规则的语句进行相应的回复；用这种方式实现的安慰聊天机器人精确度较高，但是覆盖率很低，而且会让人感觉到很死板。目前流行的聊天机器人实现方案是基于seq2seq模型实现的，该方案通过收集大量的聊天问答对让机器学习一个seq2seq模型，从而可以根据用户的输入文本得到一个相关的输出文本；用这种方式实现的聊天机器人的覆盖率是百分百的，而且精确度也可以达到令人满意的程度。

但是，seq2seq模型不能够识别用户的情感，因而无法生成能够抚慰用户心情的回复；而且，seq2seq模型存在一定的随机性，可能会生成令用户心情不好的回复，因此，采用seq2seq模型实现的安慰聊天机器人智能性不够高，无法很好的满足用户的情感需求。

发明内容

有鉴于此，本发明实施例提供一种自动聊天方法、装置和电子设备，用于提高电子设备的智能性，以更好的满足用户的情感需求。

为了实现上述目的，第一方面，本发明实施例提供一种自动聊天方法，包括：

接收用户的输入语句；

对输入语句进行情绪分类识别，得到用户的当前情绪状态；

根据当前情绪状态向用户输出与输入语句对应的回复语句。

通过对用户的输入语句进行情绪分类识别，得到用户的当前情绪状态后；再根据当前情绪状态向用户输出与输入语句对应的回复语句，即回复语句依据用户的当前情绪状态确定，因而可以提高电子设备的智能性，使电子设备可以更好的满足用户的情感需求。

作为本发明实施例一种可选的实施方式，对输入语句进行情绪分类识别，得到用户的当前情绪状态，具体包括：

采用预先建立的情感分类模型对输入语句进行情感分类识别，得到用户的情感；

和/或，

采用预先建立的意图分类模型对输入语句进行意图分类识别，得到用户的意图。

通过在获取用户的当前情绪状态时获取用户的情感和意图，可以更加准确的表示用户的当前情绪状态，使得电子设备的回复语句可以更好的满足用户的情感需求。

作为本发明实施例一种可选的实施方式，用户的情感包括：正向情感、负向情感和无情感；用户的意图包括：自我表达、提问、批评、表扬、命令和无意图。

作为本发明实施例一种可选的实施方式，根据当前情绪状态向用户输出与输入语句对应的回复语句，具体包括：

获取历史对话中用户的历史情绪状态；

根据历史情绪状态和当前情绪状态，从预设的回复列表中获取与输入语句对应的回复语句；

向用户输出回复语句。

作为本发明实施例一种可选的实施方式，历史情绪状态为用户在上一轮对话中的情绪状态。

通过选取用户在上一轮对话中的情绪状态作为用户的历史情绪状态，可以提高系统处理效率。

作为本发明实施例一种可选的实施方式，根据当前情绪状态向用户输出与输入语句对应的回复语句，具体包括：

根据输入语句和当前情绪状态生成回复语句的关键词；

根据关键词和输入语句生成与输入语句对应的回复语句；

向用户输出回复语句。

作为本发明实施例一种可选的实施方式，根据输入语句和当前情绪状态生成回复语句的关键词，具体包括：

根据输入语句和当前情绪状态，采用预先建立的点互信息PMI关键词提取模型生成回复语句的关键词；

根据关键词和输入语句生成与输入语句对应的回复语句，具体包括：

根据关键词和输入语句，采用预先训练的seq2BF模型生成与输入语句对应的回复语句。

第二方面，本发明实施例提供一种自动聊天装置，包括：

接收模块，用于接收用户的输入语句；

情绪识别模块，用于对输入语句进行情绪分类识别，得到用户的当前情绪状态；

输出模块，用于根据当前情绪状态向用户输出与输入语句对应的回复语句。

作为本发明实施例一种可选的实施方式，情绪识别模块具体用于：

采用预先建立的情感分类模型对输入语句进行情感分类识别，得到用户的情感；

和/或，

采用预先建立的意图分类模型对输入语句进行意图分类识别，得到用户的意图。

作为本发明实施例一种可选的实施方式，用户的情感包括：正向情感、负向情感和无情感；用户的意图包括：自我表达、提问、批评、表扬、命令和无意图。

作为本发明实施例一种可选的实施方式，输出模块包括：

获取历史对话中用户的历史情绪状态；

根据历史情绪状态和当前情绪状态，从预设的回复列表中获取与输入语句对应的回复语句；

向用户输出回复语句。

作为本发明实施例一种可选的实施方式，历史情绪状态为用户在上一轮对话中的情绪状态。

作为本发明实施例一种可选的实施方式，输出模块具体用于：

根据输入语句和当前情绪状态生成回复语句的关键词；

根据关键词和输入语句生成与输入语句对应的回复语句；

向用户输出回复语句。

作为本发明实施例一种可选的实施方式，输出模块具体用于：

根据输入语句和当前情绪状态，采用预先建立的点互信息PMI关键词提取模型生成回复语句的关键词；

根据关键词和输入语句，采用预先训练的seq2BF模型生成与输入语句对应的回复语句。

上述第二方面以及第二方面的各可能的实施方式所提供的装置，其有益效果可以参见上述第一方面和第一方面的各可能的实施方式所带来的有益效果，在此不再赘述。

第三方面，本发明实施例提供一种电子设备，包括：至少一个处理器；

以及与处理器连接的至少一个存储器、总线；

其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述第一方面或第一方面的任一实施方式所述的方法。

上述第三方面以及第三方面的各可能的实施方式所提供的电子设备，其有益效果可以参见上述第一方面和第一方面的各可能的实施方式所带来的有益效果，在此不再赘述。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第一方面的任一实施方式所述的方法。

上述第四方面以及第四方面的各可能的实施方式所提供的计算机可读存储介质，其有益效果可以参见上述第一方面和第一方面的各可能的实施方式所带来的有益效果，在此不再赘述。

附图说明

图1为本发明实施例提供的自动聊天方法的流程示意图；

图2为本发明实施例提供的获取用户的当前情绪状态的方法流程示意图；

图3为本发明实施例提供的一种回复方法的流程示意图；

图4为本发明实施例提供的另一种回复方法的流程示意图；

图5为本发明实施例提供的自动聊天装置的结构示意图；

图6为本发明实施例提供的电子设备的结构示意图。

具体实施方式

针对现有的安慰聊天机器人智能性不够高，无法很好的满足用户的情感需求的技术问题，本发明实施例提供一种自动聊天方法、装置和电子设备，主要通过在对用户的输入语句进行情绪分类识别，得到用户的当前情绪状态后；再根据当前情绪状态向用户输出与输入语句对应的回复语句，来提高电子设备的智能性，以更好的满足用户的情感需求。

下面结合附图，对本发明的实施例进行描述。

图1为本发明实施例提供的自动聊天方法的流程示意图，该方法的执行主体为电子设备。如图1所示，本实施例提供的方法包括如下步骤：

S101、接收用户的输入语句。

具体的，电子设备可以是是聊天机器人，也可以是智能音箱、智能电视、智能机顶盒等智能家居设备，还可以是智能手机、平板电脑、智能手表、智能手环等随身设备等。为了便于理解，下面以电子设备为聊天机器人为例进行示例性说明。

聊天机器人可以接收用户通过语音或者文字方式输入的输入语句，即聊天机器人接收的输入语句可以是语音信息，也可以是文字信息。

S102、对输入语句进行情绪分类识别，得到用户的当前情绪状态。

聊天机器人接收到用户的输入语句后，先采用预先建立的情绪分类模型对该输入语句进行情绪分类识别，得到用户的当前情绪状态后，再回复用户。

在建立情绪分类模型时，与常规的分类模型建立过程一致，先获取语料库，将语料库分为训练集和测试集，其中，训练集和测试集中的样本包含输入语句和对应的情绪；然后选择一种分类算法，将训练集中的样本数据输入分类算法进行训练，即可建立一个初步情绪分类模型。建立完初步情绪分类模型后，再采用测试集对建立的初步情绪分类模型进行模型评估，根据评估结果修改初步情绪分类模型，重复上述评估步骤，直至修改后的初步情绪分类模型符合评估要求为止，该符合评估要求的初步情绪分类模型即为最终建立的情绪分类模型。

其中，对于分类算法，目前常用的有神经网络算法、决策树分类算法、贝叶斯分类算法、K近邻分类算法和支持向量机算法等其他分类算法。本发明实施例中，可任意选择一种分类算法建立情绪分类模型。其中，神经网络算法中的卷积神经网络(ConvolutionalNeural Network,CNN)算法在图像和文本分类上效果较为显著，本实施例中优选采用CNN算法建立情绪分类模型。

在采用测试集对建立的初步情绪分类模型进行模型评估时，可以采用精确率(precision)和召回率(recall)来评估模型。具体是利用建立的初步情绪分类模型对测试集中的输入语句进行分类识别，测试集中的输入语句的情绪分类结果都是已知的，将初步情绪分类模型对这些输入语句的分类识别结果与已知的情绪分类结果进行比对，即可计算出模型的精确率和召回率。若精确率和召回率达到预设的阈值，例如：精确率≥98％、召回率≥96％，则表明该初步情绪分类模型的识别准确率较高，可以将该初步情绪分类模型作为最终的情绪分类模型输出；否则修改初步情绪分类模型，例如可以修改模型参数等，再重复上述的评估步骤，直至修改后的初步情绪分类模型的精确率和召回率达到预设的阈值为止。当然，本实施例中，也可以用其他模型评估参数(例如识别错误率)对初步情绪分类模型进行模型评估，具体原理类似，其目的都是为了评估初步情绪分类模型的识别准确度。

本实施例中，用户的当前情绪状态可以包括用户的情感和/或意图。在建立情绪分类模型时，则可以建立一个情感分类模型得到用户的情感，和/或，建立一个意图分类模型来对输入语句进行情感分类识别得到用户的意图。下面以用户的情感包括情感和意图，在建立情绪分类模型时，分别建立一个情感分类模型和意图分类模型来得到用户的情感和意图为例进行示例性说明。在具体实现时，可以根据图2所示的方法实现。图2为本发明实施例提供的获取用户的当前情绪状态的方法流程示意图，如图2所示，该方法包括如下步骤：

S201、采用预先建立的情感分类模型对输入语句进行情感分类识别，得到用户的情感。

其中，情感分类模型的建立方法可以采用上述的情绪分类模型建立过程。用户的情感可以包括：正向情感、负向情感和无情感；通过情感分类模型可以对用户的输入语句进行情感分类识别，得到用户的情感是正向情感、负向情感和无情感中的哪一种情感类别。当然，上述情感类别只是作为一种示例，也可以划分为其他情感类别，本实施例对此不做特别限定。

S202、采用预先建立的意图分类模型对输入语句进行意图分类识别，得到用户的意图。

其中，与情感分类模型类似，意图分类模型的建立方法可以采用上述的情绪分类模型建立过程。用户的意图可以包括：自我表达、提问、批评、表扬、命令和无意图；通过意图分类模型可以对用户的输入语句进行意图分类识别，得到用户的意图是自我表达、提问、批评、表扬、命令和无意图中的哪一种意图类别。当然，上述意图类别也只是作为一种示例，也可以划分为其他意图类别，本实施例对此不做特别限定。

需要说明的是，上述步骤S201和S202之间没有严格的时序执行关系，步骤S201可以在S202之前执行，也可以在S202之后执行，还可以与S202同时执行，具体执行顺序本实施例不做特别限定。

另外，本实施例中，在得到用户的当前情绪状态后，可以存储当前情绪状态，作为后续新一轮对话的历史情绪状态。

S103、根据当前情绪状态向用户输出与输入语句对应的回复语句。

具体的，在获得用户的当前情绪状态后，就可以根据用户的当前情绪状态，从预设的回复策略中选择一种回复策略，然后根据选择的回复策略和当前情绪状态，向用户输出与所述输入语句对应的回复语句。下面示例性的提供两种回复策略的实现方式：

第一种回复策略，定义一套情绪和意图的转移规则，针对用户的情感和意图的当前情况和变化进行相应的回复。图3为本发明实施例提供的一种回复方法的流程示意图，如图3所示，该方法包括如下步骤：

S301、获取历史对话中用户的历史情绪状态。

具体的，该回复策略是基于情绪和意图的变化情况进行回复的，因此需要先获取在历史对话中用户的情绪状态(即历史情绪状态)。具体选取的对话轮数可以根据实际需要确定，本实施例中，优选选择上一轮对话中用户的情绪状态，以提高系统处理效率。

S302、根据历史情绪状态和当前情绪状态，从预设的回复列表中获取与输入语句对应的回复语句。

在获取到历史情绪状态后，就可以根据历史情绪状态和当前情绪状态确定用户的情绪变化，进而根据情绪变化做出相应的回复。

下面以历史情绪状态为用户在上一轮对话中的情绪状态，用户的意图为自我表达为例，示例性说明对应的回复列表。具体的回复列表例如可以如表1所示：

表1回复列表

其中，表格中的上一轮情感表示用户在上一轮对话中情绪状态中的情感，本轮情感表示用户在本轮对话中情绪状态(即当前情绪状态)中的情感。上述只是示例性的列举出了一部分回复列表，具体的回复列表可以根据实际情况设定，本实施例对此不做特别限定。

S303、向用户输出回复语句。

具体的，从回复列表中获取到回复语句后，就可以通过语音或者文字方式向用户输出该回复语句。

第二种回复策略，根据情绪、意图和输入语句，生成相应的关键字，然后将输入语句和关键字输入到问答模型中，产生相应的回复。图4为本发明实施例提供的另一种回复方法的流程示意图，如图4所示，该方法包括如下步骤：

S401、根据输入语句和当前情绪状态生成回复语句的关键词。

具体的，可以预先建立一个大规模语料库，采用自然语言算法训练一个关键词提取模型，然后采用预先训练的关键词提取模型提取关键词。其中，当前情绪状态和输入语句一起作为关键词提取模型的输入向量，关键词作为关键词提取模型的输出。关键词提取模型的训练过程与分类识别模型的训练过程类似，选择一种关键词提取算法，将语料库中包含输入向量和已标记的输出数据(即关键词)的样本输入该算法进行训练，建立关键词提取模型。

本实施例中，可以采用常用的点互信息(Pointwise Mutual Information，PMI)算法建立PMI关键词提取模型，然后根据输入语句和当前情绪状态，采用预先建立的点互信息PMI关键词提取模型生成回复语句的关键词。

具体实现时，PMI关键词提取模型根据输入的当前情绪状态和输入语句先生成若干个候选词，然后计算每个候选词与输入语句中所有词的PMI值的和，按PMI值之和的大小排序后选择一个或多个候选词作为关键词。

S402、根据关键词和输入语句生成与输入语句对应的回复语句。

提取出关键词后，再采用预先训练的问答模型根据关键词和输入语句生成回复语句。

在具体实现时，可以采用seq2BF(Sequence to Backward and ForwardSequences)模型、MrRNN(Multiresolution RNN)模型或DcDecoder(Dynamic ConditionalDecoder)模型等问答模型生成回复语句。

其中，seq2BF模型较为简单，生成的回复语句比较符合用户的需求，本实施例中，优选采用seq2BF模型生成回复语句，以满足用户需求的同时，提高系统运行效率。

seq2BF模型的具体训练过程可以参考现有的训练过程，此处不再赘述。另外，在采用seq2BF模型时，所需的关键词为一个，此时，在采用PMI关键词提取模型生成关键词时，可以选择得分最高(即PMI值之和最大)的候选词作为关键词。

其中，seq2BF模型可以视为由正向和反向的两个seq2seq(sequence tosequence)基础模型组成。在采用PMI关键词提取模型提取出关键词后，首先使用反向的seq2seq基础模型，逆向生成回复的前半句(即关键词前面的部分)，然后将逆向生成结果恢复成正常语序后连同关键词输入到正向的seq2seq基础模型中，继续生成出回复的后半句(即关键词后面的部分)，拼接成最终的回复语句。

S403、向用户输出回复语句。

具体的，采用问答模型生成回复语句后，就可以通过语音或者文字方式向用户输出该回复语句。

上述两种回复策略在选择时，可以采用一定的规则选择，例如：可以先选择采用第一种回复策略获取与输入语句对应的回复语句，若可以获取到，则采用根据第一种回复策略获取的回复语句输出给用户；若无法获取到，则可以采用第二种回复策略获取与输入语句对应的回复语句，然后输出给用户。当然，也可以随机选择一种回复策略，具体的选择规则本实施例不做特别限定，只要最终可以获取到回复语句即可。

本实施例提供的自动聊天方法，通过对用户的输入语句进行情绪分类识别，得到用户的当前情绪状态后；再根据当前情绪状态向用户输出与输入语句对应的回复语句，即回复语句依据用户的当前情绪状态确定，因而可以提高电子设备的智能性，使电子设备可以更好的满足用户的情感需求。

图5为本发明实施例提供的自动聊天装置的结构示意图，如图5所示，本实施例提供的自动聊天装置100，包括：接收模块110，用于接收用户的输入语句；情绪识别模块120，用于对输入语句进行情绪分类识别，得到用户的当前情绪状态；输出模块130，用于根据当前情绪状态向用户输出与输入语句对应的回复语句。

作为本发明实施例一种可选的实施方式，情绪识别模块120具体用于：采用预先建立的情感分类模型对输入语句进行情感分类识别，得到用户的情感；和/或，采用预先建立的意图分类模型对输入语句进行意图分类识别，得到用户的意图。

作为本发明实施例一种可选的实施方式，用户的情感包括：正向情感、负向情感和无情感；用户的意图包括：自我表达、提问、批评、表扬、命令和无意图。

作为本发明实施例一种可选的实施方式，输出模块130包括：获取历史对话中用户的历史情绪状态；根据历史情绪状态和当前情绪状态，从预设的回复列表中获取与输入语句对应的回复语句；向用户输出回复语句。

作为本发明实施例一种可选的实施方式，历史情绪状态为用户在上一轮对话中的情绪状态。

作为本发明实施例一种可选的实施方式，输出模块130具体用于：根据输入语句和当前情绪状态生成回复语句的关键词；根据关键词和输入语句生成与输入语句对应的回复语句；向用户输出回复语句。

作为本发明实施例一种可选的实施方式，输出模块130具体用于：根据输入语句和当前情绪状态，采用预先建立的点互信息PMI关键词提取模型生成回复语句的关键词；根据关键词和输入语句，采用预先训练的seq2BF模型生成与输入语句对应的回复语句。

本实施例提供的自动聊天装置可以应用于聊天机器人等智能电子设备中。

由于本实施例所介绍的自动聊天装置为可以执行本发明实施例中的自动聊天方法的装置，故而基于本发明实施例中所介绍的自动聊天方法，本领域所属技术人员能够了解本实施例的自动聊天装置的具体实施方式以及其各种变化形式，所以在此对于该自动聊天装置如何实现本发明实施例中的自动聊天方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中自动聊天方法所采用的装置，都属于本申请所欲保护的范围。

图6为本发明实施例提供的电子设备的结构示意图，如图6所示，本实施例提供的电子设备200包括：至少一个处理器210；以及与处理器210连接的至少一个存储器220、总线230；其中，处理器210、存储器220通过总线230完成相互间的通信；处理器210用于调用存储器220中的程序指令，以执行上述方法实施例所述的方法。

本实施例中的电子设备可以是聊天机器人，也可以是智能音箱、智能电视、智能机顶盒等智能家居设备，还可以是智能手机、平板电脑、智能手表、智能手环等随身设备等。

本实施例提供的电子设备可以执行上述方法实施例，其实现原理与技术效果类似，此处不再赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的方法。

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。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种自动聊天方法，其特征在于，包括：

接收用户的输入语句；

对所述输入语句进行情绪分类识别，得到用户的当前情绪状态；

根据所述当前情绪状态向用户输出与所述输入语句对应的回复语句。

2.根据权利要求1所述的方法，其特征在于，所述对所述输入语句进行情绪分类识别，得到用户的当前情绪状态，具体包括：

采用预先建立的情感分类模型对所述输入语句进行情感分类识别，得到所述用户的情感；

和/或，

采用预先建立的意图分类模型对所述输入语句进行意图分类识别，得到所述用户的意图。

3.根据权利要求2所述的方法，其特征在于，所述用户的情感包括：正向情感、负向情感和无情感；所述用户的意图包括：自我表达、提问、批评、表扬、命令和无意图。

4.根据权利要求1所述的方法，其特征在于，所述根据所述当前情绪状态向用户输出与所述输入语句对应的回复语句，具体包括：

获取历史对话中所述用户的历史情绪状态；

根据所述历史情绪状态和所述当前情绪状态，从预设的回复列表中获取与所述输入语句对应的回复语句；

向用户输出所述回复语句。

5.根据权利要求4所述的方法，其特征在于，所述历史情绪状态为所述用户在上一轮对话中的情绪状态。

6.根据权利要求1所述的方法，其特征在于，所述根据所述当前情绪状态向用户输出与所述输入语句对应的回复语句，具体包括：

根据所述输入语句和所述当前情绪状态生成回复语句的关键词；

根据所述关键词和所述输入语句生成与所述输入语句对应的回复语句；

向用户输出所述回复语句。

7.根据权利要求6所述的方法，其特征在于，所述根据所述输入语句和所述当前情绪状态生成回复语句的关键词，具体包括：

根据所述输入语句和所述当前情绪状态，采用预先建立的点互信息PMI关键词提取模型生成回复语句的关键词；

所述根据所述关键词和所述输入语句生成与所述输入语句对应的回复语句，具体包括：

根据所述关键词和所述输入语句，采用预先训练的seq2BF模型生成与所述输入语句对应的回复语句。

8.一种自动聊天装置，其特征在于，包括：

接收模块，用于接收用户的输入语句；

情绪识别模块，用于对所述输入语句进行情绪分类识别，得到用户的当前情绪状态；

输出模块，用于根据所述当前情绪状态向用户输出与所述输入语句对应的回复语句。

9.一种电子设备，其特征在于，包括：至少一个处理器；

以及与所述处理器连接的至少一个存储器、总线；

其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，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如权利要求1-7任一项所述的方法。