CN109635095A - 用于优化对话模型的方法和装置 - Google Patents
用于优化对话模型的方法和装置 Download PDFInfo
- Publication number
- CN109635095A CN109635095A CN201811543401.6A CN201811543401A CN109635095A CN 109635095 A CN109635095 A CN 109635095A CN 201811543401 A CN201811543401 A CN 201811543401A CN 109635095 A CN109635095 A CN 109635095A
- Authority
- CN
- China
- Prior art keywords
- model
- statement
- revert statement
- dialog model
- dialogue
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例公开了用于优化对话模型的方法和装置。该方法的一具体实施方式包括:将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;确定回复语句与包含测试语句的对话上文的上下文连贯性分值;若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。该实施方式提高了对话模型输出的回复语句与对话上文的连贯性。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于优化对话模型的方法和装置。
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。
最近几年,聊天机器人开始进入公众的视野。前沿的研究集中在聊天机器人如何根据自己的“系统画像”,表达机器人自己的一些特点,如年龄、性别等等。在与用户的交互中,机器人可以根据上文,通过匹配召回或者生成模型,产生回复内容。
发明内容
本申请实施例提出了用于优化对话模型的方法和装置。
第一方面,本申请实施例提供了一种用于优化对话模型的方法,该方法包括:将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;确定回复语句与包含测试语句的对话上文的上下文连贯性分值;若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
在一些实施例中,确定回复语句与包含测试语句的对话上文的上下文连贯性分值,包括:将对话上文和回复语句输入到预先训练的语义评分模型,得到回复语句与对话上文的上下文连贯性分值。
在一些实施例中,语义评分模型通过如下步骤训练得到:获取训练样本集合,其中训练样本包括对话上文、回复语句以及标注信息,对话上文包括至少两个自然语句,标注信息包括训练样本中的回复语句与对话上文的上下文连贯性分值;将训练样本集合中的训练样本的对话上文和回复语句作为输入,将与输入的对话上文和回复语句对应的标注信息作为输出,训练得到语义评分模型。
在一些实施例中,该方法还包括:对回复语句进行语义分析,获取回复语句隐含的用户属性信息;确定获取到的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致;若获取到的用户属性信息与用户属性信息集合中用户属性信息不一致,调整初始对话模型的模型参数,继续训练初始对话模型。
在一些实施例中,该方法还包括:确定回复语句涉及的用户属性,以及统计用户属性在对话上文中被谈论的次数;若次数大于或等于预设数值,调整初始对话模型的模型参数,继续训练初始对话模型。
第二方面,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:接收用户输入的自然语句;将自然语句输入到对话模型中,生成回复语句,其中对话模型是采用如第一方面任一实现方式描述的方法优化的模型。
在一些实施例中,将自然语句输入到对话模型中,生成回复语句,包括:从预设的用户画像集合中选取与对话记录匹配的用户画像;基于选取的用户画像确定用户的兴趣点;将自然语句输入到对话模型中,以及将兴趣点的向量表示作为对话模型的解码输入,得到用户感兴趣的回复语句。
第三方面,本申请实施例提供了一种用于优化对话模型的装置,该装置包括:语句生成单元,被配置成将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;分值确定单元,被配置成确定回复语句与包含测试语句的对话上文的上下文连贯性分值;第一调整单元,被配置成若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
在一些实施例中,分值确定单元具体被配置成:将对话上文和回复语句输入到预先训练的语义评分模型,得到回复语句与对话上文的上下文连贯性分值。
在一些实施例中,语义评分模型通过如下步骤训练得到:获取训练样本集合,其中训练样本包括对话上文、回复语句以及标注信息,对话上文包括至少两个自然语句,标注信息包括训练样本中的回复语句与对话上文的上下文连贯性分值;将训练样本集合中的训练样本的对话上文和回复语句作为输入,将与输入的对话上文和回复语句对应的标注信息作为输出,训练得到语义评分模型。
在一些实施例中,该装置还包括:属性信息获取单元,被配置成对回复语句进行语义分析,获取回复语句隐含的用户属性信息;信息确定单元,被配置成确定获取到的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致;第二调整单元,被配置成若获取到的用户属性信息与用户属性信息集合中用户属性信息不一致,调整初始对话模型的模型参数,继续训练初始对话模型。
在一些实施例中,该装置还包括:统计单元,被配置成确定回复语句涉及的用户属性,以及统计用户属性在对话上文中被谈论的次数;第三调整单元,被配置成若次数大于或等于预设数值,调整初始对话模型的模型参数,继续训练初始对话模型。
第四方面,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:语句接收单元,被配置成接收用户输入的自然语句;语句生成单元,被配置成将自然语句输入到对话模型中,生成回复语句,其中对话模型是采用如第一方面任一实现方式描述的方法优化的模型。
在一些实施例中,语句生成单元包括:画像选取模块,被配置成从预设的用户画像集合中选取与对话记录匹配的用户画像;兴趣点确定模块,被配置成基于选取的用户画像确定用户的兴趣点;语句生成模块,被配置成将自然语句输入到对话模型中,以及将兴趣点的向量表示作为对话模型的解码输入,得到用户感兴趣的回复语句。
第五方面,本申请实施例提供了一种电子设备,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优化对话模型的方法和装置,通过将测试语句输入到初始对话模型中生成回复语句,然后确定回复语句与对话上文的上下文连贯性分值,最后在连贯性分值小于预设分值时,调整初始对话模型的模型参数,继续训练初始对话模型,从而可以提高对话模型输出的回复语句与对话上文的连贯性。
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优化对话模型的方法的一个实施例的流程图;
图3A和图3B是根据本申请的用于优化对话模型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回复语句的方法的一个实施例的流程图;
图5是根据本申请的用于优化对话模型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回复语句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优化对话模型的方法、用于生成回复语句的方法、用于优化对话模型的装置或用于生成回复语句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可以接收用户输入的自然语句,将接收的语句输入到对话模型中生成回复语句(以及将回复语句反馈给终端设备101、102、103)。服务器105还可以使用对话数据集训练出初始对话模型,之后将测试语句输入到初始对话模型中生成回复语句,然后确定回复语句与对话上文的连贯性分值,并在连贯性分值小于预设分值时调整模型参数继续训练初始对话模型。
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优化对话模型的方法或用于生成回复语句的方法一般由服务器105执行,相应地,用于优化对话模型的装置或用于生成回复语句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优化对话模型的方法的一个实施例的流程200。该用于优化对话模型的方法,可以包括以下步骤:
步骤201,将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句。
在本实施例中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以将测试语句输入到初始对话模型中,生成回复语句。其中,测试语句可以是自然语言表述的语句,回复语句可以是用于回复上述测试语句的语句。作为示例,测试语句可以为“嗨!我是一名美食厨师。”,回复语句可以为“听起来很有趣!”。这里,初始对话模型可以是使用对话数据集训练出的模型。对话数据集可以是包括若干对话语句对的语料,例如,英文对话语料、中文对话语料等。
步骤202,确定回复语句与包含测试语句的对话上文的上下文连贯性分值。
在本实施例中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以确定步骤201生成的回复语句与对话上文的上下文连贯性分值。这里,对话上文可以是包含测试语句的对话记录。上下文连贯性分值(下文简称为连贯性分值)用于表征回复语句与对话上文之间的语义连贯性。例如,连贯性分值可以是0~100之间的值。
作为示例,可以通过对回复语句和对话上文进行语义分析来确定两者的连贯性分值。例如,可以通过构建词汇链来计算回复语句与对话上文的连贯性分值。
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:将对话上文和回复语句输入到预先训练的语义评分模型,得到回复语句与对话上文的连贯性分值。其中,语义评分模型可以使用若干正负样本(上下文连贯的为正样本,上下文不连贯的为负样本),通过机器学习的方法训练得到。
可选地,语义评分模型可以通过如下步骤训练得到:
第一步,获取训练样本集合。其中,每个训练样本可以包括对话上文、回复语句以及标注信息,对话上文可以包括至少两个语句。标注信息可以包括训练样本中回复语句与对话上文的连贯性分值。
第二步,将每个训练样本的对话上文和回复语句作为输入,将与输入的对话上文和回复语句对应的标注信息作为输出,训练得到语义评分模型。
步骤203,若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实施例中,用于优化对话模型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202确定的连贯性分值与预设分值进行比较。若连贯性分值小于预设分值,则意味着步骤201生成的回复语句与对话上文不连贯;反之,若连贯性分值大于或等于预设分值,则表示回复语句与对话上文语义连贯。当连贯性分值小于预设分值,上述执行主体可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
与直接使用对话数据集训练出的对话模型相比,本实施例通过引入连贯性分值评估对话模型输出的回复语句与对话上文的连贯性,并在回复语句与对话上文不连贯时调整模型参数继续训练对话模型,从而提高了对话模型输出的回复语句与对话上文的连贯性。
在本实施例的一些可选的实现方式中,该用于优化对话模型的方法还可以包括步骤204~206。
步骤204,对回复语句进行语义分析,获取回复语句隐含的用户属性信息。
在本实现方式中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以对步骤201生成的回复语句进行语义分析,来确定回复语句中隐含的用户属性信息。例如,若回复语句为“我的工作是教学生学英语”,则通过语义分析可以确定回复语句中隐含的用户属性信息为“教师”。
步骤205,确定获取到的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致。
在本实现方式中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以确定步骤204确定的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致。这里,用户属性信息集合中的用户属性信息可以是为聊天类应用运行其上的电子设备设定的用户角色信息。例如,如果将聊天机器人设定为18岁的女性、爱好看宫廷剧,则用户属性信息集合可以为{“女”,“18岁”,“爱好看宫廷剧”}。
如果步骤204确定的用户属性信息与预设的用户属性信息集合中的用户属性信息一致,则意味着回复语句与预设的用户角色一致。如果步骤204确定的用户属性信息与预设的用户属性信息集合中的用户属性信息不一致,则意味着回复语句与预设的用户角色不一致。作为示例,当为聊天机器人设定的用户角色的职业为医生时,若生成的回复语句为“我的工作是教学生学英语”(隐含的用户属性信息为“教师”),则表示回复语句与聊天机器人的角色设定不一致(即,回复语句不符合聊天机器人的医生身份)。
步骤206,若获取到的用户属性信息与用户属性信息集合中用户属性信息不一致,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实现方式中,如果步骤204确定的用户属性信息与预设的用户属性信息集合中的用户属性信息不一致(即生成的回复语句不符合角色设定),则用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
本实现方式通过评估回复语句隐含的用户属性信息与预设用户属性信息集合中的用户属性信息的一致性,并在两者不一致时调整模型参数继续训练对话模型,从而避免在用户聊天过程中发生角色不一致(或角色不断变化)。
在本实施例的一些可选的实现方式中,该用于优化对话模型的方法还可以包括步骤207和208。
步骤207,确定回复语句涉及的用户属性,以及统计用户属性在对话上文中被谈论的次数。
在本实现方式中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以确定步骤201生成的回复语句涉及的用户属性(例如,年龄、职业、爱好等),并统计该用户属性在对话上文中被谈论的次数。
步骤208,若次数大于或等于预设数值,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实现方式中,用于优化对话模型的方法运行于其上的执行主体(例如图1的服务器105)可以比较步骤207统计的次数与预设数值的大小关系。若上述次数大于或等于预设数值,则意味着该用户属性被频繁提及(某一用户属性被频繁提及会导致回复语句出现重复)。反之,则意味着该用户属性未被频繁提及(即该回复语句未在对话上文中重复)。当上述次数大于或等于预设数值时,上述执行主体可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
本实现方式通过评估回复语句涉及的用户属性被谈论的次数,能够降低回复语句出现重复的概率,并且能够尽量多的表现自己(尽量多的用户属性被提及),使得与用户的交互更加趋近于真实聊天。
继续参见图3A和图3B,图3A和图3B是根据本实施例的用于优化对话模型的方法的应用场景300的一个示意图。在该应用场景300中,服务器304获取测试语句301(具体内容参见图3B所示),将测试语句301输入到初始对话模型中,生成回复语句302(具体内容参见图3B所示)。之后,服务器304将回复语句302和对话上文303(具体内容参见图3B所示)输入到预先训练的语义评分模型,得到回复语句302与对话上文303的连贯性分值为0.3。由于该分值低于预设分值(例如0.6),即,该回复语句302与对话上文303不连贯,因此需要调整初始对话模型的模型参数,继续训练初始对话模型,最终得到优化后的对话模型。
本申请的上述实施例提供的方法,通过将测试语句输入到初始对话模型中生成回复语句,然后确定回复语句与对话上文的上下文连贯性分值,最后在连贯性分值小于预设分值时,调整初始对话模型的模型参数,继续训练初始对话模型,从而可以提高对话模型输出的回复语句与对话上文的连贯性。
继续参考图4,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400。该用于生成回复语句的方法,可以包括以下步骤:
步骤401,接收用户输入的自然语句。
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)可以通过有线连接方式或无线连接方式从终端设备(例如图1的终端设备101、102、103)接收用户输入的自然语句。这里,自然语句可以是指以自然语言描述的语句。例如,“嗨!你今天还好吗?”、“你的职业是什么?”等等。自然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402,将自然语句输入到对话模型中,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)可以将步骤401接收的自然语句输入到对话模型中,生成用于回复上述自然语句的回复语句。其中,对话模型可以是采用图2对应的实施例描述的方法优化而得到的模型。
在本实施例的一些可选的实现方式中,步骤402具体可以包括如下步骤:
第一步,从预设的用户画像集合中选取与对话记录匹配的用户画像。这里,用户画像可以是用户属性信息的集合,例如,对用户属性信息进行建模得到的用户模型。用户画像与对话记录匹配可以指用户画像中的用户属性信息与对话记录中隐含的用户属性信息相一致。随着聊天的深入(即,对话记录的增加),对话记录隐含的用户属性信息也就越多。相应地,匹配出的用户画像与真实用户也就越接近。从而使得用户与机器人的对话更加逼近于真实的用户聊天,实现了机器人对用户的真实理解/了解。
第二步,基于选取的用户画像确定用户的兴趣点。例如,可以从选取的用户画像中选取用户感兴趣的主题(即,用户的兴趣点)。当用户的兴趣点不止一个时,可以随机选取一个或者以其他合适的方式选取用户的兴趣点。
第三步,将步骤401接收的自然语句输入到对话模型中,并将第二步选取的兴趣点的向量表示作为对话模型的解码输入,得到用户感兴趣的回复语句。
通过该实现方式,在对话过程中,可以选取用户的某一兴趣点进行深入的对话,从而可以实现更加个性化、高质量的对话。
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,并将该语句输入到优化后的对话模型中生成回复语句,从而可以提高对话模型输出的回复语句与对话上文的连贯性。
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优化对话模型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,本实施例的用于优化对话模型的装置500可以包括语句生成单元501、分值确定单元502和第一调整单元503。其中,语句生成单元501被配置成将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;分值确定单元502被配置成确定回复语句与包含测试语句的对话上文的上下文连贯性分值;而第一调整单元503被配置成若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实施例中,本实施例的用于优化对话模型的装置500的语句生成单元501可以将测试语句输入到初始对话模型中,生成回复语句。其中,测试语句可以是自然语言表述的语句,回复语句可以是用于回复上述测试语句的语句。作为示例,测试语句可以为“嗨!我是一名美食厨师。”,回复语句可以为“听起来很有趣!”。这里,初始对话模型可以是使用对话数据集训练出的模型。对话数据集可以是包括若干对话语句对的语料,例如,英文对话语料、中文对话语料等。。
在本实施例中,上述分值确定单元502可以确定上述语句生成单元501生成的回复语句与对话上文的上下文连贯性分值。这里,对话上文可以是包含测试语句的对话记录。上下文连贯性分值(下文简称为连贯性分值)用于表征回复语句与对话上文之间的语义连贯性。例如,连贯性分值可以是0~100之间的值。
在本实施例的一些可选的实现方式中,上述分值确定单元502具体可以被配置成:将对话上文和回复语句输入到预先训练的语义评分模型,得到回复语句与对话上文的连贯性分值。其中,语义评分模型可以使用若干正负样本(上下文连贯的为正样本,上下文不连贯的为负样本),通过机器学习的方法训练得到。
可选地,语义评分模型可以通过如下步骤训练得到:
第一步,获取训练样本集合。其中,每个训练样本可以包括对话上文、回复语句以及标注信息,对话上文可以包括至少两个语句。标注信息可以包括训练样本中回复语句与对话上文的连贯性分值。
第二步,将每个训练样本的对话上文和回复语句作为输入,将与输入的对话上文和回复语句对应的标注信息作为输出,训练得到语义评分模型。
在本实施例中,上述第一调整单元503可以将上述分值确定单元502确定的连贯性分值与预设分值进行比较。若连贯性分值小于预设分值,则意味着上述语句生成单元501生成的回复语句与对话上文不连贯;反之,若连贯性分值大于或等于预设分值,则表示回复语句与对话上文语义连贯。当连贯性分值小于预设分值,上述执行主体可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
与直接使用对话数据集训练出的对话模型相比,本实施例通过引入连贯性分值评估对话模型输出的回复语句与对话上文的连贯性,并在回复语句与对话上文不连贯时调整模型参数继续训练对话模型,从而提高了对话模型输出的回复语句与对话上文的连贯性。
在本实施例的一些可选的实现方式中,该用于优化对话模型的装置500还可以包括属性信息获取单元504、信息确定单元505和第二调整单元506。其中,属性信息获取单元504被配置成对回复语句进行语义分析,获取回复语句隐含的用户属性信息;信息确定单元505被配置成确定获取到的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致;而第二调整单元506被配置成若获取到的用户属性信息与用户属性信息集合中用户属性信息不一致,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实现方式中,上述属性信息获取单元504可以对语句生成单元501生成的回复语句进行语义分析,来确定回复语句中隐含的用户属性信息。例如,若回复语句为“我的工作是教学生学英语”,则通过语义分析可以确定回复语句中隐含的用户属性信息为“教师”。
在本实现方式中,上述信息确定单元505可以确定上述属性信息获取单元504确定的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致。这里,用户属性信息集合中的用户属性信息可以是为聊天类应用运行其上的电子设备设定的用户角色信息。例如,如果将聊天机器人设定为18岁的女性、爱好看宫廷剧,则用户属性信息集合可以为{“女”,“18岁”,“爱好看宫廷剧”}。
在本实现方式中,如果上述属性信息获取单元504确定的用户属性信息与预设的用户属性信息集合中的用户属性信息不一致(即生成的回复语句不符合角色设定),则上述第二调整单元506可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
本实现方式通过评估回复语句隐含的用户属性信息与预设用户属性信息集合中的用户属性信息的一致性,并在两者不一致时调整模型参数继续训练对话模型,从而避免在用户聊天过程中发生角色不一致(或角色不断变化)。
在本实施例的一些可选的实现方式中,该用于优化对话模型的装置500还可以包括统计单元507和第三调整单元508。其中,统计单元507被配置成确定回复语句涉及的用户属性,以及统计用户属性在对话上文中被谈论的次数;第三调整单元508被配置成若次数大于或等于预设数值,调整初始对话模型的模型参数,继续训练初始对话模型。
在本实现方式中,上述统计单元507可以确定上述语句生成单元501生成的回复语句涉及的用户属性(例如,年龄、职业、爱好等),并统计该用户属性在对话上文中被谈论的次数。
在本实现方式中,上述第三调整单元508可以比较上述统计单元507统计的次数与预设数值的大小关系。若上述次数大于或等于预设数值,则意味着该用户属性被频繁提及(某一用户属性被频繁提及会导致回复语句出现重复)。反之,则意味着该用户属性未被频繁提及(即该回复语句未在对话上文中重复)。当上述次数大于或等于预设数值时,上述执行主体可以调整初始对话模型的模型参数,继续训练初始对话模型,得到优化后的对话模型。
本实现方式通过评估回复语句涉及的用户属性被谈论的次数,能够降低回复语句出现重复的概率,并且能够尽量多的表现自己(尽量多的用户属性被提及),使得与用户的交互更加趋近于真实聊天。
本申请的上述实施例提供的装置,通过将测试语句输入到初始对话模型中生成回复语句,然后确定回复语句与对话上文的上下文连贯性分值,最后在连贯性分值小于预设分值时,调整初始对话模型的模型参数,继续训练初始对话模型,从而可以提高对话模型输出的回复语句与对话上文的连贯性。
继续参考图6,作为对图4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4所示的方法实施例相对应,该装置具体可以应用于各种服务器中。
如图6所示,本实施例的用于生成回复语句的装置600可以包括语句接收单元601和语句生成单元602。其中,语句接收单元601被配置成接收用户输入的自然语句;语句生成单元602被配置成将自然语句输入到对话模型中,生成回复语句。
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无线连接方式从终端设备(例如图1的终端设备101、102、103)接收用户输入的自然语句。这里,自然语句可以是指以自然语言描述的语句。例如,“嗨!你今天还好吗?”、“你的职业是什么?”等等。自然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中的语句。
在本实施例中,上述语句生成单元602可以将上述语句接收单元601接收的自然语句输入到对话模型中,生成用于回复上述自然语句的回复语句。其中,对话模型可以是采用图2对应的实施例描述的方法优化而得到的模型。
在本实施例的一些可选的实现方式中,上述语句生成单元602可以包括画像选取模块、兴趣点确定模块和语句生成模块。其中,画像选取模块被配置成从预设的用户画像集合中选取与对话记录匹配的用户画像;兴趣点确定模块,被配置成基于选取的用户画像确定用户的兴趣点;语句生成模块被配置成将自然语句输入到对话模型中,以及将兴趣点的向量表示作为对话模型的解码输入,得到用户感兴趣的回复语句。
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,并将该语句输入到优化后的对话模型中生成回复语句,从而可以提高对话模型输出的回复语句与对话上文的连贯性。
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:一种处理器包括语句生成单元、分值确定单元和第一调整单元。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,语句生成单元还可以被描述为“将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句的单元”。
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:将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;确定回复语句与包含测试语句的对话上文的上下文连贯性分值;若连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。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:接收用户输入的自然语句;将自然语句输入到对话模型中,生成回复语句,其中对话模型是采用图2对应的实施例描述的方法优化的模型。
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)
1.一种用于优化对话模型的方法,包括:
将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;
确定所述回复语句与包含所述测试语句的对话上文的上下文连贯性分值;
若所述连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
2.根据权利要求1所述的方法,其中,所述确定所述回复语句与包含所述测试语句的对话上文的上下文连贯性分值,包括:
将所述对话上文和所述回复语句输入到预先训练的语义评分模型,得到所述回复语句与所述对话上文的上下文连贯性分值。
3.根据权利要求2所述的方法,其中,所述语义评分模型通过如下步骤训练得到:
获取训练样本集合,其中训练样本包括对话上文、回复语句以及标注信息,对话上文包括至少两个自然语句,标注信息包括训练样本中的回复语句与对话上文的上下文连贯性分值;
将所述训练样本集合中的训练样本的对话上文和回复语句作为输入,将与输入的对话上文和回复语句对应的标注信息作为输出,训练得到所述语义评分模型。
4.根据权利要求1所述的方法,其中,所述方法还包括:
对所述回复语句进行语义分析,获取所述回复语句隐含的用户属性信息;
确定获取到的用户属性信息与预设的用户属性信息集合中的用户属性信息是否一致;
若获取到的用户属性信息与所述用户属性信息集合中用户属性信息不一致,调整初始对话模型的模型参数,继续训练初始对话模型。
5.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述回复语句涉及的用户属性,以及统计所述用户属性在所述对话上文中被谈论的次数;
若所述次数大于或等于预设数值,调整初始对话模型的模型参数,继续训练初始对话模型。
6.一种用于生成回复语句的方法,包括:
接收用户输入的自然语句;
将所述自然语句输入到对话模型中,生成回复语句,其中所述对话模型是采用如权利要求1~5之一所述的方法优化的模型。
7.根据权利要求6所述的方法,其中,所述将所述自然语句输入到对话模型中,生成回复语句,包括:
从预设的用户画像集合中选取与对话记录匹配的用户画像;
基于选取的用户画像确定所述用户的兴趣点;
将所述自然语句输入到所述对话模型中,以及将所述兴趣点的向量表示作为所述对话模型的解码输入,得到所述用户感兴趣的回复语句。
8.一种用于优化对话模型的装置,包括:
语句生成单元,被配置成将测试语句输入到使用对话数据集训练出的初始对话模型,生成回复语句;
分值确定单元,被配置成确定所述回复语句与包含所述测试语句的对话上文的上下文连贯性分值;
第一调整单元,被配置成若所述连贯性分值小于预设分值,调整初始对话模型的模型参数,继续训练初始对话模型。
9.一种用于生成回复语句的装置,包括:
语句接收单元,被配置成接收用户输入的自然语句;
语句生成单元,被配置成将所述自然语句输入到对话模型中,生成回复语句,其中所述对话模型是采用如权利要求1~5之一所述的方法优化的模型。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543401.6A CN109635095A (zh) | 2018-12-17 | 2018-12-17 | 用于优化对话模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811543401.6A CN109635095A (zh) | 2018-12-17 | 2018-12-17 | 用于优化对话模型的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635095A true CN109635095A (zh) | 2019-04-16 |
Family
ID=66074625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811543401.6A Pending CN109635095A (zh) | 2018-12-17 | 2018-12-17 | 用于优化对话模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635095A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069612A (zh) * | 2019-04-28 | 2019-07-30 | 河北省讯飞人工智能研究院 | 一种回复生成方法及装置 |
CN110188331A (zh) * | 2019-06-03 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 模型训练方法、对话系统评价方法、装置、设备及存储介质 |
CN110245222A (zh) * | 2019-06-17 | 2019-09-17 | 北京百度网讯科技有限公司 | 对话模型训练方法及装置、对话生成方法及装置 |
CN110704593A (zh) * | 2019-09-27 | 2020-01-17 | 北京猎户星空科技有限公司 | 一种数据处理方法、装置、设备及介质 |
CN110955433A (zh) * | 2019-11-27 | 2020-04-03 | 中国银行股份有限公司 | 一种自动化部署脚本的生成方法及装置 |
CN111414733A (zh) * | 2020-03-18 | 2020-07-14 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN112417125A (zh) * | 2020-12-01 | 2021-02-26 | 南开大学 | 基于深度强化学习的开放域对话回复方法及系统 |
CN112783324A (zh) * | 2021-01-14 | 2021-05-11 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
CN113220851A (zh) * | 2021-04-28 | 2021-08-06 | 山东师范大学 | 一种基于推理对话模型的人机个性化对话方法及系统 |
CN115422950A (zh) * | 2022-09-01 | 2022-12-02 | 美的集团(上海)有限公司 | 对话系统的评测方法、装置、电子设备和存储介质 |
CN116932714A (zh) * | 2023-06-30 | 2023-10-24 | 北京百度网讯科技有限公司 | 生成式对话模型训练及生成式对话实现方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010058A1 (en) * | 2006-07-07 | 2008-01-10 | Robert Bosch Corporation | Method and apparatus for recognizing large list of proper names in spoken dialog systems |
CN102866990A (zh) * | 2012-08-20 | 2013-01-09 | 北京搜狗信息服务有限公司 | 一种主题对话方法和装置 |
CN106448670A (zh) * | 2016-10-21 | 2017-02-22 | 竹间智能科技(上海)有限公司 | 基于深度学习和强化学习的自动回复对话系统 |
US20180253420A1 (en) * | 2017-03-02 | 2018-09-06 | Toyota Jidosha Kabushiki Kaisha | Output sentence generation apparatus, output sentence generation method, and output sentence generation program |
CN108984679A (zh) * | 2018-06-29 | 2018-12-11 | 北京百度网讯科技有限公司 | 对话生成模型的训练方法和装置 |
-
2018
- 2018-12-17 CN CN201811543401.6A patent/CN109635095A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080010058A1 (en) * | 2006-07-07 | 2008-01-10 | Robert Bosch Corporation | Method and apparatus for recognizing large list of proper names in spoken dialog systems |
CN102866990A (zh) * | 2012-08-20 | 2013-01-09 | 北京搜狗信息服务有限公司 | 一种主题对话方法和装置 |
CN106448670A (zh) * | 2016-10-21 | 2017-02-22 | 竹间智能科技(上海)有限公司 | 基于深度学习和强化学习的自动回复对话系统 |
US20180253420A1 (en) * | 2017-03-02 | 2018-09-06 | Toyota Jidosha Kabushiki Kaisha | Output sentence generation apparatus, output sentence generation method, and output sentence generation program |
CN108984679A (zh) * | 2018-06-29 | 2018-12-11 | 北京百度网讯科技有限公司 | 对话生成模型的训练方法和装置 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069612A (zh) * | 2019-04-28 | 2019-07-30 | 河北省讯飞人工智能研究院 | 一种回复生成方法及装置 |
CN110069612B (zh) * | 2019-04-28 | 2022-02-01 | 河北省讯飞人工智能研究院 | 一种回复生成方法及装置 |
CN110188331A (zh) * | 2019-06-03 | 2019-08-30 | 腾讯科技(深圳)有限公司 | 模型训练方法、对话系统评价方法、装置、设备及存储介质 |
CN110245222A (zh) * | 2019-06-17 | 2019-09-17 | 北京百度网讯科技有限公司 | 对话模型训练方法及装置、对话生成方法及装置 |
CN110245222B (zh) * | 2019-06-17 | 2021-08-10 | 北京百度网讯科技有限公司 | 对话模型训练方法及装置、对话生成方法及装置 |
CN110704593A (zh) * | 2019-09-27 | 2020-01-17 | 北京猎户星空科技有限公司 | 一种数据处理方法、装置、设备及介质 |
CN110704593B (zh) * | 2019-09-27 | 2022-03-04 | 北京猎户星空科技有限公司 | 一种数据处理方法、装置、设备及介质 |
CN110955433A (zh) * | 2019-11-27 | 2020-04-03 | 中国银行股份有限公司 | 一种自动化部署脚本的生成方法及装置 |
CN110955433B (zh) * | 2019-11-27 | 2023-08-29 | 中国银行股份有限公司 | 一种自动化部署脚本的生成方法及装置 |
CN111414733A (zh) * | 2020-03-18 | 2020-07-14 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN112417125A (zh) * | 2020-12-01 | 2021-02-26 | 南开大学 | 基于深度强化学习的开放域对话回复方法及系统 |
CN112417125B (zh) * | 2020-12-01 | 2023-03-24 | 南开大学 | 基于深度强化学习的开放域对话回复方法及系统 |
CN112783324A (zh) * | 2021-01-14 | 2021-05-11 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
CN112783324B (zh) * | 2021-01-14 | 2023-12-01 | 科大讯飞股份有限公司 | 人机交互方法及设备、计算机存储介质 |
CN113220851A (zh) * | 2021-04-28 | 2021-08-06 | 山东师范大学 | 一种基于推理对话模型的人机个性化对话方法及系统 |
CN115422950A (zh) * | 2022-09-01 | 2022-12-02 | 美的集团(上海)有限公司 | 对话系统的评测方法、装置、电子设备和存储介质 |
CN116932714A (zh) * | 2023-06-30 | 2023-10-24 | 北京百度网讯科技有限公司 | 生成式对话模型训练及生成式对话实现方法和装置 |
CN116932714B (zh) * | 2023-06-30 | 2024-05-24 | 北京百度网讯科技有限公司 | 生成式对话模型训练及生成式对话实现方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635095A (zh) | 用于优化对话模型的方法和装置 | |
US10553201B2 (en) | Method and apparatus for speech synthesis | |
US11151765B2 (en) | Method and apparatus for generating information | |
US11475897B2 (en) | Method and apparatus for response using voice matching user category | |
CN108877782B (zh) | 语音识别方法和装置 | |
CN108022586A (zh) | 用于控制页面的方法和装置 | |
CN107832305A (zh) | 用于生成信息的方法和装置 | |
CN109545192A (zh) | 用于生成模型的方法和装置 | |
CN107623614A (zh) | 用于推送信息的方法和装置 | |
CN107577763A (zh) | 检索方法和装置 | |
CN109522483A (zh) | 用于推送信息的方法和装置 | |
CN108171276A (zh) | 用于生成信息的方法和装置 | |
CN109614111A (zh) | 用于生成代码的方法和装置 | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
CN109492160A (zh) | 用于推送信息的方法和装置 | |
CN109190124B (zh) | 用于分词的方法和装置 | |
CN109545193A (zh) | 用于生成模型的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN110046254A (zh) | 用于生成模型的方法和装置 | |
CN109190114A (zh) | 用于生成回复信息的方法和装置 | |
CN107861954A (zh) | 基于人工智能的信息输出方法和装置 | |
CN109739605A (zh) | 生成信息的方法和装置 | |
CN108121699A (zh) | 用于输出信息的方法和装置 | |
CN108897797A (zh) | 对话模型的更新训练方法、装置、存储介质及电子设备 | |
CN110457476A (zh) | 用于生成分类模型的方法和装置 |
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 |