CN110187760A - 智能交互方法和装置 - Google Patents

Abstract

本申请提出一种智能交互方法和装置，其中，方法包括：获取用户的输入语句；对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。由此，基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

Description

智能交互方法和装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种智能交互方法和装置。

背景技术

目前，基于用户情绪的交互方式为，获取训练数据，训练数据中包括：带有情绪类型的语句以及对应的回复；根据训练数据对语言模型进行训练；将用户的输入语句输入训练好的语言模型，将输出的语句，确定为与输入语句的情绪匹配的回复。

上述方式中，情绪类型一般指的是，正情绪、负情绪等，划分粒度较粗，难以很好的表达用户的情绪；且语言模型生成回复时，回复中的每个词语是通过概率控制的，不稳定，难以确保回复的质量。

发明内容

本申请的目的旨在至少在一定程度上解决上述的技术问题之一。

为此，本申请的第一个目的在于提出一种智能交互方法，该方法基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

本申请的第二个目的在于提出一种智能交互装置。

本申请的第三个目的在于提出另一种智能交互装置。

本申请的第四个目的在于提出非临时性计算机可读存储介质。

本申请的第五个目的在于提出一种计算机程序产品。

为达上述目的，本申请第一方面实施例提出了一种智能交互方法，包括：获取用户的输入语句；对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句。

本申请实施例的智能交互方法，首先获取用户的输入语句；之后，对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；最后，根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句。由此，基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

为达上述目的，本申请第二方面实施例提出了一种智能交互装置，包括：获取模块，用于获取用户的输入语句；情绪识别模块，用于对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；查询模块，用于根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句。

本申请实施例的智能交互装置，首先获取用户的输入语句；之后，对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；最后，根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句。由此，基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

为达上述目的，本申请第三方面实施例提出了另一种智能交互装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现本申请第一方面实施例所述的智能交互方法。

为达上述目的，本申请第四方面实施例提出了一种非临时性计算机可读存储介质，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本申请第一方面实施例所述的智能交互方法。

为达上述目的，本申请第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现本申请第一方面实施例所述的智能交互方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请一个实施例的智能交互方法的流程图；

图2是根据本申请另一个实施例的智能交互方法的流程图；

图3是根据本申请第一个实施例的智能交互装置的结构示意图；

图4是根据本申请第二个实施例的智能交互装置的结构示意图；

图5是根据本申请第三个实施例的智能交互装置的结构示意图。

图6是根据本申请第四个实施例的智能交互装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的智能交互方法和装置。

本申请提供的智能交互方法的执行主体为智能交互装置。智能交互装置具体可以为智能交互系统，终端设备等。本实施例中，以执行主体为智能交互装置为例进行说明。

图1是根据本申请一个实施例的智能交互方法的流程图。

如图1所示，该智能交互方法包括以下步骤：

步骤101，获取用户的输入语句。

本实施例中，智能交互装置在与用户进行交互时，智能交互装置可提供输入界面，以便用户输入语句，从而获取用户的输入语句，另外，智能交互装置还可以采集用户的语音，识别得到输入语句。例如，用户在输入界面输入“你这也太无聊了”，智能交互装置获取到输入语句“你这也太无聊了”；用户通过语音说“你真有趣”，智能交互装置采集到用户语音并进行识别，获取到输入语句“你真有趣”。

步骤102，对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别。

具体地，智能交互装置获取到用户输入的语句后，对输入语句进行情绪识别，分别获取到输入语句的粗粒度情绪类别和细粒度情绪类别。其中，需要说明的是，粗粒度情绪类别可包括：正情绪、负情绪和中性情绪。例如，喜怒哀乐，其中喜、乐属于正情绪，怒、哀属于负情绪，提问型语句属于中性情绪。

另外，细粒度情绪是在粗粒度情绪下具体进行划分。比如，正情绪可分为：开心、乐观、自信、欣赏、放松等，负情绪可分为：焦虑、紧张、愤怒、沮丧、悲伤、痛苦等。其中，开心、乐观、自信、欣赏、放松、焦虑、紧张、愤怒、沮丧、悲伤、痛苦等属于细粒度情绪。

在本申请实施例中，对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别，包括：将输入语句输入第一情绪模型，获取输入语句的粗粒度情绪类别；将输入语句输入粗粒度情绪类别对应的第二情绪模型，获取输入语句的细粒度情绪类别。

也就是说，在本申请实施例中，在对输入语句进行情绪识别时，首先将输入语句输入第一情绪模型，获取到输入语句的粗粒度情绪类别，比如：正情绪、负情绪和中性情绪的一种；然后将输入语句输入粗粒度情绪类别应的第二情绪模型中，获取到输入语句的细粒度情绪类别。比如：正情绪下的开心、乐观、自信、欣赏、放松等，负情绪下的焦虑、紧张、愤怒、沮丧、悲伤、痛苦等。

其中，需要说明的是，对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别之前，可先建立第一情绪模型和第二情绪模型。因此，第一情绪模型和第二情绪模型的生成步骤如图2所示。

步骤201，获取第一训练数据，第一训练数据包括：大于预设数量的语句，以及语句对应的粗粒度情绪类别。

在本申请实施例中，根据预设算法获取第一训练数据。另外，为了确保第一情绪模型的准确性，第一训练数据可包括大于预设数量的语句，以及这些语句所对应的粗粒度情绪类别。其中预设算法可以是但不限于爬虫抓取算法。

步骤202，采用第一训练数据对初始第一情绪模型进行训练，得到第一情绪模型。

进一步地，获取到第一训练数据之后，采用第一训练数据对初始第一情绪模型进行训练，也就是对初始第一情绪模型中的系数进行训练，调整，得到第一情绪模型各层的最优参数。

步骤203，获取各个粗粒度情绪类别对应的第二训练数据，第二训练数据包括：大于预设数量的具有相应粗粒度情绪类别的语句，以及语句对应的细粒度情绪类别。

在本申请实施例中，根据预设算法获取第二训练数据。另外，为了确保第二情绪模型的准确性，第二训练数据可包括大于预设数量的语句，以及这些语句所对应的细粒度情绪类别。其中预设算法可以是但不限于爬虫算法。

步骤204，采用各个粗粒度情绪类别对应的第二训练数据对初始第二情绪模型进行训练，得到各个粗粒度情绪类别对应的第二情绪模型。

进一步地，获取到第二训练数据之后，采用第二训练数据对初始第二情绪模型进行训练，也就是对初始第二情绪模型中的系数进行训练，调整，得到第二情绪模型各层的最优参数。

需要进行说明的是，第一情绪模型和第二情绪模型结构可以相同，也可以不同，但训练数据不同。

在本申请实施例中，第一情绪模型和第二情绪模型获取到之后，对输入语句进行情绪识别，可先获取输入语句的粗粒度情绪类别，进而获取到细粒度情绪类别。举例而言，当用户输入“你这也太无聊了”，通过第一情绪模型，获得“你这也太无聊了”为负情绪，然后通过第二情绪模型，获得“你这也太无聊了”属于负情绪中的“无聊”类别。

步骤103，根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。

在本申请实施例中，根据细粒度情绪类别查询模板语句库，其中模板语句库包括：各个细粒度情绪类别对应的模板语句集合；细粒度情绪类别对应的模板语句集合包括：细粒度情绪类别下各个表达种类的模板语句。也就是说，模板语句库中包括细粒度情绪类别对应的各个表达种类的模板语句。比如，开心、乐观、自信、欣赏、放松、焦虑、紧张、愤怒、沮丧、悲伤、痛苦等细粒度情绪类别对应的模板语句。

另外，根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句，包括：对输入语句进行聚类，确定输入语句在细粒度情绪类别下的表达种类；根据输入语句的细粒度情绪类别以及表达种类查询模板语句库，将模板语句库中细粒度情绪类别下表达种类对应的模板语句，确定为输入语句对应的回复语句。

也就是说，细粒度情绪类别对应的每个种类的表达有相应的关键词，首先，获取到输入语句的关键词，然后将输入语句的关键词和细粒度情绪类别对应的每个表达种类的关键词进行比对，确定输入语句中的关键词所属的集合，进而确定出关键词所属的集合对应的细粒度情绪类别中的表达种类。进而，根据输入语句的细粒度情绪类别以及表达种类查询模板语句库，将模板语句库中细粒度情绪类别下表达种类对应的模板语句，确定为输入语句对应的回复语句。

不难理解的是，根据第一情绪模型和第二情绪模型对输入语句进行情绪识别，可先获取输入语句的粗粒度情绪类别，进而获取到细粒度的情绪类别之后，根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句，确定为输入语句对应的回复语句。例如：用户输入“你真是好样的”，通过第一情绪模型获取到用户输入的语句为正情绪，通过第二情绪模型获取到用户输入的语句为正情绪中的“赞美”类别，可采用模板库中的“赞美”类别对应的模板语句“谢谢，你也是好样的”进行回复。

需要说明的是，在本申请实施例中，本申请提供的智能交互方法，是针对带有情绪的语句，即带有正情绪和负情绪的语句。因此，根据细粒度情绪类别查询模板语句库之前，还包括：判断输入语句的粗粒度情绪类别是否为中性情绪；若输入语句的粗粒度情绪类别为中性情绪，则将输入语句输入回复语句模型，获取输入语句对应的回复语句。

也就是说，根据细粒度情绪类别查询模板语句库之前，可先判断输入语句的粗粒度情绪类别是否为中性情绪，如果为中性语句，对输入语句可采用回复语句模型，获取输入语句对应的回复语句。举例而言，输入语句为疑问句，以根据输入的疑问句查询问答库，获取与输入的疑问句相似度满足预设阈值的答案，将此答案作为输入语句的回复语句。

本申请实施例的智能交互方法，首先获取用户的输入语句；之后，对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；最后，根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。由此，基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

与上述实施例提供的智能交互方法相对应，本申请的一种实施例还提供一种智能交互装置，由于本申请实施例提供的智能交互装置与上述实施例提供的智能交互方法相对应，因此在前述智能交互方法的实施方式也适用于本实施例提供的智能交互装置，在本实施例中不再详细描述。图3为本申请实施例提供的一种智能交互装置的结构示意图。如图3所示，该智能交互装置300包括：获取模块310、情绪识别模块320、查询模块330。

具体地，获取模块310用于获取用户的输入语句；情绪识别模块320，用于对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；查询模块330，用于根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。

在本申请实施例的一种可能的实现方式中，情绪识别模块320具体用于，将输入语句输入第一情绪模型，获取输入语句的粗粒度情绪类别；将输入语句输入粗粒度情绪类别对应的第二情绪模型，获取输入语句的细粒度情绪类别。

作为本申请实施例的一种可能的实现方式，如图4所示，在图3所示基础上，该智能交互装置还可包括：训练模块340。

具体地，获取模块310，还用于获取第一训练数据，第一训练数据包括：大于预设数量的语句，以及语句对应的粗粒度情绪类别；训练模块340，用于采用第一训练数据对初始第一情绪模型进行训练，得到第一情绪模型；获取模块310，还用于获取各个粗粒度情绪类别对应的第二训练数据，第二训练数据包括：大于预设数量的具有相应粗粒度情绪类别的语句，以及语句对应的细粒度情绪类别；训练模块340，还用于采用各个粗粒度情绪类别对应的第二训练数据对初始第二情绪模型进行训练，得到各个粗粒度情绪类别对应的第二情绪模型。

作为本申请实施例的一种可能的实现方式，模板语句库包括：各个细粒度情绪类别对应的模板语句集合；细粒度情绪类别对应的模板语句集合包括：细粒度情绪类别下各个表达种类的模板语句；查询模块330具体用于，对输入语句进行聚类，确定输入语句在细粒度情绪类别下的表达种类；根据输入语句的细粒度情绪类别以及表达种类查询模板语句库，将模板语句库中细粒度情绪类别下表达种类对应的模板语句，确定为输入语句对应的回复语句。

作为本申请实施例的一种可能的实现方式，粗粒度情绪类别包括：正情绪、负情绪和中性情绪；如图5所示，在图3所示基础上，该智能交互装置还包括：判断模块350和输入模块360；判断模块350，用于判断输入语句的粗粒度情绪类别是否为中性情绪；输入模块360，用于在输入语句的粗粒度情绪类别为中性情绪时，将输入语句输入回复语句模型，获取输入语句对应的回复语句。

本申请实施例的智能交互装置，首先获取用户的输入语句；之后，对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；最后，根据细粒度情绪类别查询模板语句库，将模板语句库中与所述细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。由此，基于粗粒度和细粒度的情绪识别结构，既保证了情绪识别整体上的准确，又能够更精确地识别用户当前的情绪，同时，基于细粒度情绪识别配置对应的回复模板，使回复内容具有多样性和准确性，提升了用户体验。

为了实现上述实施例，本申请还提出另一种智能交互装置，图6为本发明实施例提供的另一种智能交互装置的结构示意图。该智能交互装置包括：存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。处理器1002执行所述程序时实现上述实施例中提供的智能交互方法。

进一步地，智能交互装置还包括：通信接口1003，用于存储器1001和处理器1002之间的通信。存储器1001，用于存放可在处理器1002上运行的计算机程序。存储器1001可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。处理器1002，用于执行所述程序时实现上述实施例所述的智能交互方法。如果存储器1001、处理器1002和通信接口1003独立实现，则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器1001、处理器1002及通信接口1003，集成在一块芯片上实现，则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。

处理器1002可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器端处理器被执行时，使得服务器端能够执行一种智能交互方法，所述方法包括：获取用户的输入语句；对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。

为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行一种基于人工智能的交互方法，所述方法包括：获取用户的输入语句；对输入语句进行情绪识别，获取输入语句的粗粒度情绪类别以及细粒度情绪类别；根据细粒度情绪类别查询模板语句库，将模板语句库中与细粒度情绪类别对应的模板语句确定为输入语句对应的回复语句。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种智能交互方法，其特征在于，包括：

获取用户的输入语句；

对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；

根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为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识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别，包括：

将所述输入语句输入第一情绪模型，获取所述输入语句的粗粒度情绪类别；

将所述输入语句输入所述粗粒度情绪类别对应的第二情绪模型，获取所述输入语句的细粒度情绪类别。

3.根据权利要求2所述的方法，其特征在于，所述对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别之前，还包括：

获取第一训练数据，所述第一训练数据包括：大于预设数量的语句，以及语句对应的粗粒度情绪类别；

采用所述第一训练数据对初始第一情绪模型进行训练，得到所述第一情绪模型；

获取各个粗粒度情绪类别对应的第二训练数据，所述第二训练数据包括：大于预设数量的具有相应粗粒度情绪类别的语句，以及语句对应的细粒度情绪类别；

采用各个粗粒度情绪类别对应的第二训练数据对初始第二情绪模型进行训练，得到各个粗粒度情绪类别对应的第二情绪模型。

4.根据权利要求1所述的方法，其特征在于，所述模板语句库包括：各个细粒度情绪类别对应的模板语句集合；

所述细粒度情绪类别对应的模板语句集合包括：所述细粒度情绪类别下各个表达种类的模板语句；

所述根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句，包括：

对所述输入语句进行聚类，确定所述输入语句在所述细粒度情绪类别下的表达种类；

根据所述输入语句的细粒度情绪类别以及表达种类查询模板语句库，将所述模板语句库中所述细粒度情绪类别下所述表达种类对应的模板语句，确定为所述输入语句对应的回复语句。

5.根据权利要求1所述的方法，其特征在于，所述粗粒度情绪类别包括：正情绪、负情绪和中性情绪；

所述根据所述细粒度情绪类别查询模板语句库之前，还包括：

判断所述输入语句的粗粒度情绪类别是否为中性情绪；

若所述输入语句的粗粒度情绪类别为中性情绪，则将所述输入语句输入回复语句模型，获取所述输入语句对应的回复语句。

6.一种智能交互装置，其特征在于，包括：

获取模块，用于获取用户的输入语句；

情绪识别模块，用于对所述输入语句进行情绪识别，获取所述输入语句的粗粒度情绪类别以及细粒度情绪类别；

查询模块，用于根据所述细粒度情绪类别查询模板语句库，将所述模板语句库中与所述细粒度情绪类别对应的模板语句确定为所述输入语句对应的回复语句。

7.根据权利要求6所述的装置，其特征在于，所述情绪识别模块具体用于，

将所述输入语句输入第一情绪模型，获取所述输入语句的粗粒度情绪类别；

将所述输入语句输入所述粗粒度情绪类别对应的第二情绪模型，获取所述输入语句的细粒度情绪类别。

8.根据权利要求7所述的装置，其特征在于，还包括：训练模块；

所述获取模块，还用于获取第一训练数据，所述第一训练数据包括：大于预设数量的语句，以及语句对应的粗粒度情绪类别；

所述训练模块，用于采用所述第一训练数据对初始第一情绪模型进行训练，得到所述第一情绪模型；

所述获取模块，还用于获取各个粗粒度情绪类别对应的第二训练数据，所述第二训练数据包括：大于预设数量的具有相应粗粒度情绪类别的语句，以及语句对应的细粒度情绪类别；

所述训练模块，还用于采用各个粗粒度情绪类别对应的第二训练数据对初始第二情绪模型进行训练，得到各个粗粒度情绪类别对应的第二情绪模型。

9.根据权利要求6所述的装置，其特征在于，所述模板语句库包括：各个细粒度情绪类别对应的模板语句集合；

所述细粒度情绪类别对应的模板语句集合包括：所述细粒度情绪类别下各个表达种类的模板语句；

所述查询模块具体用于，

对所述输入语句进行聚类，确定所述输入语句在所述细粒度情绪类别下的表达种类；

根据所述输入语句的细粒度情绪类别以及表达种类查询模板语句库，将所述模板语句库中所述细粒度情绪类别下所述表达种类对应的模板语句，确定为所述输入语句对应的回复语句。

10.根据权利要求6所述的装置，其特征在于，所述粗粒度情绪类别包括：正情绪、负情绪和中性情绪；

所述的装置还包括：判断模块和输入模块；

所述判断模块，用于判断所述输入语句的粗粒度情绪类别是否为中性情绪；

所述输入模块，用于在所述输入语句的粗粒度情绪类别为中性情绪时，将所述输入语句输入回复语句模型，获取所述输入语句对应的回复语句。

11.一种智能交互装置，其特征在于，包括：

存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的智能交互方法。

12.一种非临时性计算机可读存储介质，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1-5中任一所述的智能交互方法。

13.一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，实现如权利要求1-5中任一所述的智能交互方法。