CN109635093B - 用于生成回复语句的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成回复语句的方法和装置。该方法的一具体实施方式包括：获取对话上文的特征向量；基于特征向量确定回复语句对应的对话动作；基于对话上文和对话动作生成回复语句。该实施方式能够更加准确地控制回复语句的生成。

Description

用于生成回复语句的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成回复语句的方法和装置。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

近些年，对话机器人开始出现在大家的日常生活中。针对用户的输入，对话机器人大多是基于检索策略，从已有数据库中召回相似语句作为回复。

最近，基于Seq2Seq(Sequence to sequence，句子到句子)的生成模型，因其灵活性，开始逐渐成为学术界对话机器人的研究热点。Seq2Seq模型是把用户的输入映射到连续隐空间的向量上，然后再根据该向量，逐个产生单词，直到结束符，完成整个回复的生成。

发明内容

本申请实施例提出了用于生成回复语句的方法和装置。

第一方面，本申请实施例提供了一种用于生成回复语句的方法，该方法包括：获取对话上文的特征向量；基于特征向量确定回复语句对应的对话动作；基于对话上文和对话动作生成回复语句。

在一些实施例中，基于特征向量确定回复语句对应的对话动作，包括：基于特征向量确定对话动作集合中的对话动作的概率分布；基于概率分布确定回复语句对应的对话动作。

在一些实施例中，基于对话上文和对话动作生成回复语句，包括：将对话上文的特征向量和对话动作的特征向量作为解码输入，生成回复语句。

在一些实施例中，获取对话上文的特征向量，包括：将对话上文输入到层级循环神经网络，得到对话上文的特征向量。

在一些实施例中，对话动作集合包括显式定义的对话动作；或者对话动作集合被表示为n维向量，其中n为大于或等于2的自然数。

第二方面，本申请实施例提供了一种用于生成对话下文的方法，该方法包括：接收用户输入的语句；将语句作为对话上文，执行语句生成步骤：采用如第一方面任一实现方式描述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

在一些实施例中，该方法还包括：若对话动作指示回复未结束，将回复语句作为对话上文，继续执行语句生成步骤。

在一些实施例中，该方法还包括：将对话下文发送到终端设备进行展现。

第三方面，本申请实施例提供了一种用于生成回复语句的装置，该装置包括：向量获取单元，被配置成获取对话上文的特征向量；动作确定单元，被配置成基于特征向量确定回复语句对应的对话动作；语句生成单元，被配置成基于对话上文和对话动作生成回复语句。

在一些实施例中，动作确定单元包括：概率分布确定模块，被配置成基于特征向量确定对话动作集合中的对话动作的概率分布；对话动作确定模块，被配置成基于概率分布确定回复语句对应的对话动作。

在一些实施例中，语句生成单元具体被配置成：将对话上文的特征向量和对话动作的特征向量作为解码输入，生成回复语句。

在一些实施例中，向量获取单元具体被配置成：将对话上文输入到层级循环神经网络，得到对话上文的特征向量。

在一些实施例中，对话动作集合包括显式定义的对话动作；或者对话动作集合被表示为n维向量，其中n为大于或等于2的自然数。

第四方面，本申请实施例提供了一种用于生成对话下文的装置，该装置包括：语句接收单元，被配置成接收用户输入的语句；第一执行单元，被配置成将语句作为对话上文，执行语句生成步骤：采用如第一方面任一实现方式描述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

在一些实施例中，该装置还包括：第二执行单元，被配置成若对话动作指示回复未结束，将回复语句作为对话上文，继续执行语句生成步骤。

在一些实施例中，该装置还包括：展现单元，被配置成将对话下文发送到终端设备进行展现。

第五方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面或第二方面中任一实现方式描述的方法。

第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

本申请实施例提供的用于生成回复语句的方法和装置，通过获取对话上文的特征向量，之后基于特征向量确定回复语句对应的对话动作，最后基于对话上文和对话动作生成回复语句，从而能够更加准确地控制回复语句的生成。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成回复语句的方法的一个实施例的流程图；

图3是根据本申请的用于生成回复语句的方法的一个应用场景的示意图；

图4是根据本申请的用于生成对话下文的方法的一个实施例的流程图；

图5是根据本申请的用于生成回复语句的装置的一个实施例的结构示意图；

图6是根据本申请的用于生成对话下文的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成回复语句的方法、用于生成对话下文的方法、用于生成回复语句的装置或用于生成对话下文的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如聊天类应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是支持语音对话的各种电子设备，包括但不限于智能手机、聊天机器人、智能音箱等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上运行的聊天类应用提供支持的后台服务器。服务器105可以对接收的语句等数据进行分析等处理，然后将处理结果(例如对话下文)反馈给终端设备101、102、103。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成回复语句的方法或用于生成对话下文的方法一般由服务器105执行，相应地，用于生成回复语句的装置或用于生成对话下文的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成回复语句的方法的一个实施例的流程200。该用于生成回复语句的方法，可以包括以下步骤：

步骤201，获取对话上文的特征向量。

在本实施例中，用于生成回复语句的方法运行于其上的执行主体(例如图1的服务器105)可以获取对话上文的特征向量。这里，对话上文可以是用户通过终端设备(例如图1的终端设备101、102、103)输入的语句(例如，“嗨！你今天还好吗？”)，也可以是由神经网络模型生成的语句(例如，将用户输入的语句“嗨！你今天还好吗？”输入到编码器-解码器模型生成的语句“我很好！”)。

作为示例，可以通过对上述对话上文进行编码得到对话上文的特征向量。

在本实施例的一些可选的实现方式中，步骤201具体可以包括：将对话上文输入到神经网络模型(也可以称为编码器)，得到对话上文的特征向量。

可选地，上述神经网络模型可以是HRNN(Hierarchical Recurrent NeuralNetwork，层级循环神经网络或分层循环神经网络)。与一般的RNN(Recurrent NeuralNetwork，循环神经网络)相比，HRNN的分层结构生成的特征向量能够更加准确体现对话上文中的信息，尤其是当对话上文中包括不止一个语句时。

步骤202，基于特征向量确定回复语句对应的对话动作。

在本实施例中，用于生成回复语句的方法运行于其上的执行主体(例如图1的服务器105)可以利用步骤201获取的特征向量来确定用于回复对话上文的语句(下文简称回复语句)的对话动作。这里，对话动作可以表征回复语句的类型。回复语句可以是“回应对方”(即，对话动作为“回应对方”)类型的语句。

在本实施例的一些可选的实现方式中，步骤202具体可以包括以下两步：

第一步，基于步骤201的特征向量确定对话动作集合中各对话动作的概率分布。对话动作集合可以是预先定义的回复语句的类型的集合。例如，对话动作集合可以被显式定义为：{“回应对方”；“展现自己”；“引导聊天”；“结束回复”}。

第二步，基于第一步确定的概率分布来确定回复语句的对话动作。作为示例，可以将概率最大的对话动作确定为回复语句的对话动作。例如，如果第一步确定的概率分布为：{“回应对方：0.5”；“展现自己：0.1”；“引导聊天：0.2”；“结束回复：0”}，则可以将概率为0.5的“回应对方”确定为回复语句的对话动作。

可选地，也可以通过采样的方式确定回复语句的对话动作。例如，对第一步确定的概率分布进行采样(概率大的对话动作被采样到的几率大)，将采样得到的对话动作作为回复语句的对话动作。

尽管上述实现方式描述了显式定义对话动作集合，但本申请并不限于此。对话动作也被隐式定义。

可选地，对话动作集合可以被隐式定义为n(n为大于或等于2的自然数)维向量。其中，每个维度可以代表一个对话动作。每一维度代表的具体对话动作可以在后续的机器学习或训练过程中被确定。

步骤203，基于对话上文和对话动作生成回复语句。

在本实施例中，用于生成回复语句的方法运行于其上的执行主体(例如图1的服务器105)可以基于对话上文和步骤202确定的对话动作生成回复语句。作为示例，可以将对话上文和对话动作输入到训练好的语句生成模型中，生成对话上文的回复语句。

在本实施例的一些可选的实现方式中，步骤203具体可以包括：将对话上文的特征向量和对话动作的特征向量作为解码器的输入，生成回复语句。

本申请的上述实施例提供的方法，通过获取对话上文的特征向量，之后基于特征向量确定回复语句对应的对话动作，最后基于对话上文和对话动作生成回复语句，从而能够更加准确地控制回复语句的生成。

继续参考图3，示出了根据本申请的用于生成对话下文的方法的一个实施例的流程300。该用于生成对话下文的方法，可以包括以下步骤：

步骤301，接收用户输入的语句。

在本实施例中，用于生成对话下文的方法运行于其上的执行主体(例如图1的服务器105)可以通过有线连接方式或者无线连接方式接收用户输入的语句。这里，用户输入的语句可以是以自然语言描述的问题，例如，“嗨！你今天还好吗？”。上述语句可以是用户以语音或文字输入的方式输入到终端设备(例如图1的终端设备101、102、103)中的语句。

需要指出的是，上述无线连接方式可以包括但不限于3G(the 3rd generation，第三代)/4G(the 4th generation，第四代)/5G(the 5th generation，第五代)通信连接、Wi-Fi(Wireless-Fidelity，无线保真)连接、蓝牙连接、WiMAX(Worldwide Interoperabilityfor Microwave Access，全球微波互联接入)连接、Zigbee(又名紫蜂协议)连接、UWB(UltraWideband，超宽带)连接、以及其他现在已知或将来开发的无线连接方式

步骤302，将语句作为对话上文，执行语句生成步骤：生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

在本实施例中，用于生成对话下文的方法运行于其上的执行主体(例如图1的服务器105)可以将步骤301接收的语句作为对话上文，执行如下语句生成步骤：

首先，采用图2对应的实施例描述的方法生成回复语句；然后，确定该回复语句对应的对话动作是否指示回复结束，若该回复语句对应的对话动作指示回复结束，则将所生成的回复语句组合成对话下文。

在本实施例的一些可选的实现方式中，该用于生成对话下文的方法还可以包括步骤303。

步骤303，若对话动作指示回复未结束，将回复语句作为对话上文，继续执行语句生成步骤。

在本实现方式中，若步骤302的语句生成步骤中生成的回复语句对应的对话动作指示回复未结束，则用于生成对话下文的方法运行于其上的执行主体(例如图1的服务器105)可以将上述回复语句作为对话上文，继续执行上述语句生成步骤。

在本实施例的一些可选的实现方式中，该用于生成对话下文的方法还可以包括：将步骤302生成的对话下文发送到终端设备(例如图1的终端设备101、102、103)进行展现，从而可以完成与用户的对话/聊天。

继续参见图4，图4是根据本实施例的用于生成回复语句的方法的应用场景400的一个示意图。在该应用场景400中，用户通过对话机器人输入对话上文401(其具体内容参见图4)。服务器将从对话机器人接收的对话上文401输入到编码器，得到对话上文401的特征向量，并在该特征向量的基础上估计“回应对方”、“展现自己”、“引导聊天”、“结束回复”四个对话动作的概率分布(其具体内容参见图4)。对上述概率分布进行采样得到当前要生成的回复语句的对话动作为“回应对方”。然后将对话上文401的特征向量和对话动作“回应对方”的特征向量输入到解码器中，得到回复语句402(即，“Nice！”)。由于对话动作“回应对方”指示回复未结束，因此继续将回复语句402(以及上一编码器的输出信息)输入到编码器，得到回复语句402的特征向量，并在该特征向量的基础上估计四个对话动作的概率分布(其具体内容参见图4)。对上述概率分布进行采样得到当前要生成的回复语句的对话动作为“引导聊天”。然后将回复语句402的特征向量和对话动作“引导聊天”的特征向量(以及上一解码器的输出信息)输入到解码器中，得到回复语句403(即，“How old are yourchildren？”)。同样地，对话动作“引导聊天”也指示回复未结束，因此继续将回复语句403(以及上一编码器的输出信息)输入到编码器，得到回复语句403的特征向量，并在该特征向量的基础上估计四个对话动作的概率分布(其具体内容参见图4)。对上述概率分布进行采样得到当前要生成的回复语句的对话动作为“结束回复”。然后将回复语句403的特征向量和对话动作“引导聊天”的特征向量(以及上一解码器的输出信息)输入到解码器中，得到回复语句404(即，停止符号“<EOL>”)。此刻，对话动作“结束回复”指示回复结束，因此可以将生成的回复语句402和403组合成对话下文405(“Nice！How old are your children？”)。该对话下文405即为用户输入的对话上文401的完整回复内容。

本申请的上述实施例提供的方法，通过接收用户输入的语句，之后将接收的语句作为对话上文执行语句生成步骤，并在回复语句对应的对话动作指示回复结束时，生成对话下文(该对话上文包括一个以上的回复语句)，从而使得对话下文的内容更加丰富。并且对话下文中的每个语句都对应具体的对话动作，具有较好的可解释性。

进一步参考图5，作为对图2所示方法的实现，本申请提供了一种用于生成回复语句的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于服务器中。

如图5所示，本实施例的用于生成回复语句的装置500可以包括向量获取单元501、动作确定单元502和语句生成单元503。其中，向量获取单元501被配置成获取对话上文的特征向量；动作确定单元502被配置成基于特征向量确定回复语句对应的对话动作；语句生成单元503被配置成基于对话上文和对话动作生成回复语句。

在本实施例中，本实施例的用于生成回复语句的装置500的向量获取单元501可以获取对话上文的特征向量。这里，对话上文可以是用户通过终端设备(例如图1的终端设备101、102、103)输入的语句(例如，“嗨！你今天还好吗？”)，也可以是由神经网络模型生成的语句(例如，将用户输入的语句“嗨！你今天还好吗？”输入到编码器-解码器模型生成的语句“我很好！”)。

在本实施例的一些可选的实现方式中，上述向量获取单元501具体可以被配置成：将对话上文输入到神经网络模型(也可以称为编码器)，得到对话上文的特征向量。

可选地，上述神经网络模型可以是HRNN(Hierarchical Recurrent NeuralNetwork，层级循环神经网络或分层循环神经网络)。与一般的RNN(Recurrent NeuralNetwork，循环神经网络)相比，HRNN的分层结构生成的特征向量能够更加准确体现对话上文中的信息，尤其是当对话上文中包括不止一个语句时。

在本实施例中，上述动作确定单元502可以利用上述向量获取单元501获取的特征向量来确定用于回复对话上文的语句(下文简称回复语句)的对话动作。这里，对话动作可以表征回复语句的类型。回复语句可以是“回应对方”(即，对话动作为“回应对方”)类型的语句。

在本实施例的一些可选的实现方式中，上述动作确定单元502可以包括概率分布确定模块和对话动作确定模块。其中，概率分布确定模块被配置成基于特征向量确定对话动作集合中的对话动作的概率分布；对话动作确定模块被配置成基于概率分布确定回复语句对应的对话动作。

可选地，对话动作集合可以是预先定义的回复语句的类型的集合。例如，对话动作集合可以被显式定义为：{“回应对方”；“展现自己”；“引导聊天”；“结束回复”}。

可选地，对话动作集合可以被隐式定义为n(n为大于或等于2的自然数)维向量。其中，每个维度可以代表一个对话动作。

可选地，可以将概率最大的对话动作确定为回复语句的对话动作。

可选地，也可以通过采样的方式确定回复语句的对话动作。例如，对第一步确定的概率分布进行采样(概率大的对话动作被采样到的几率大)，将采样得到的对话动作作为回复语句的对话动作。

在本实施例中，上述语句生成单元503可以基于对话上文和上述动作确定单元502确定的对话动作生成回复语句。作为示例，可以将对话上文和对话动作输入到训练好的语句生成模型中，生成对话上文的回复语句。

在本实施例的一些可选的实现方式中，上述语句生成单元503具体可以被配置成：将对话上文的特征向量和对话动作的特征向量作为解码器的输入，生成回复语句。

本申请的上述实施例提供的装置，通过获取对话上文的特征向量，之后基于特征向量确定回复语句对应的对话动作，最后基于对话上文和对话动作生成回复语句，从而能够更加准确地控制回复语句的生成。

继续参考图6，作为对图3所示方法的实现，本申请提供了一种用于生成对话下文的装置的一个实施例，该装置实施例与图3所示的方法实施例相对应，该装置具体可以应用于服务器中。

如图6所示，本实施例的用于生成对话下文的装置600可以包括语句接收单元601和第一执行单元602。其中，语句接收单元601被配置成接收用户输入的语句；第一执行单元602被配置成将语句作为对话上文，执行语句生成步骤：采用如第一方面任一实现方式描述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

在本实施例中，用于生成回复语句的装置600的语句接收单元601可以通过有线连接方式或者无线连接方式接收用户输入的语句。这里，用户输入的语句可以是以自然语言描述的问题，例如，“嗨！你今天还好吗？”。上述语句可以是用户以语音或文字输入的方式输入到终端设备(例如图1的终端设备101、102、103)中的语句。

在本实施例中，上述第一执行单元602可以将上述语句接收单元601接收的语句作为对话上文，执行如下语句生成步骤：

首先，采用图2对应的实施例描述的方法生成回复语句；然后，确定该回复语句对应的对话动作是否指示回复结束，若该回复语句对应的对话动作指示回复结束，则将所生成的回复语句组合成对话下文。

在本实施例的一些可选的实现方式中，该用于生成对话下文的装置600还可以包括第二执行单元603。其中，第二执行单元603被配置成若对话动作指示回复未结束，将回复语句作为对话上文，继续执行语句生成步骤。

在本实施例的一些可选的实现方式中，该用于生成对话下文的装置600还可以包括展现单元。其中，展现单元被配置成将上述第一执行单元602生成的对话下文发送到终端设备(例如图1的终端设备101、102、103)进行展现，从而可以完成与用户的对话/聊天。

本申请的上述实施例提供的装置，通过接收用户输入的语句，之后将接收的语句作为对话上文执行语句生成步骤，并在回复语句对应的对话动作指示回复结束时，生成对话下文(该对话上文包括一个以上的回复语句)，从而使得对话下文的内容更加丰富。并且对话下文中的每个语句都对应具体的对话动作，具有较好的可解释性。

下面参考图7，其示出了适于用来实现本申请实施例的电子设备(例如图1的服务器105)的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请实施例的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括向量获取单元、动作确定单元和语句生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，向量获取单元还可以被描述为“获取对话上文的特征向量的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取对话上文的特征向量；基于特征向量确定回复语句对应的对话动作；基于对话上文和对话动作生成回复语句。或者，当上述一个或者多个程序被该装置执行时，使得该装置：接收用户输入的语句；将语句作为对话上文，执行语句生成步骤：采用图2对应的实施例描述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种用于生成回复语句的方法，包括：

获取对话上文的特征向量，包括：将接收的对话上文输入到编码器，得到所述对话上文的特征向量，其中，所述对话上文是将用户输入的语句输入到编码器-解码器模型生成的语句；

基于所述特征向量确定回复语句对应的对话动作，包括：基于所述特征向量确定对话动作集合中的对话动作的概率分布；对所述概率分布进行采样，将采样得到的对话动作作为回复语句对应的对话动作，其中，所述对话动作表征回复语句的类型，所述回复语句的类型包括回应对方类型；

基于所述对话上文和所述对话动作生成回复语句，包括：将所述对话上文和所述对话动作输入到训练好的语句生成模型中，生成所述对话上文的回复语句。

2.根据权利要求1所述的方法，其中，所述基于所述对话上文和所述对话动作生成回复语句，包括：

将所述对话上文的特征向量和所述对话动作的特征向量作为解码输入，生成回复语句。

3.根据权利要求1所述的方法，其中，所述获取对话上文的特征向量，包括：

将所述对话上文输入到层级循环神经网络，得到所述对话上文的特征向量。

4.根据权利要求1所述的方法，其中，所述对话动作集合包括显式定义的对话动作；或者

所述对话动作集合被表示为n维向量，其中n为大于或等于2的自然数。

5.一种用于生成对话下文的方法，包括：

接收用户输入的语句；

将所述语句作为对话上文，执行语句生成步骤：采用如权利要求1-4之一所述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

6.根据权利要求5所述的方法，其中，所述方法还包括：

若所述对话动作指示回复未结束，将回复语句作为对话上文，继续执行所述语句生成步骤。

7.根据权利要求5所述的方法，其中，所述方法还包括：

将所述对话下文发送到终端设备进行展现。

8.一种用于生成回复语句的装置，包括：

向量获取单元，被配置成获取对话上文的特征向量，进一步被配置成：将接收的对话上文输入到编码器，得到所述对话上文的特征向量，其中，所述对话上文是将用户输入的语句输入到编码器-解码器模型生成的语句；

动作确定单元，被配置成基于所述特征向量确定回复语句对应的对话动作，进一步被配置成：基于所述特征向量确定对话动作集合中的对话动作的概率分布；对所述概率分布进行采样，将采样得到的对话动作作为回复语句对应的对话动作，其中，所述对话动作表征回复语句的类型，所述回复语句的类型包括回应对方类型；

语句生成单元，被配置成基于所述对话上文和所述对话动作生成回复语句，进一步被配置成：将所述对话上文和所述对话动作输入到训练好的语句生成模型中，生成所述对话上文的回复语句。

9.一种用于生成对话下文的装置，包括：

语句接收单元，被配置成接收用户输入的语句；

第一执行单元，被配置成将所述语句作为对话上文，执行语句生成步骤：采用如权利要求1-4之一所述的方法生成回复语句；若回复语句对应的对话动作指示回复结束，则使用生成的回复语句组合成对话下文。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images