CN110309170A - 一种任务型多轮对话中的复杂意图识别方法 - Google Patents

一种任务型多轮对话中的复杂意图识别方法 Download PDF

Info

Publication number
CN110309170A
CN110309170A CN201910588106.0A CN201910588106A CN110309170A CN 110309170 A CN110309170 A CN 110309170A CN 201910588106 A CN201910588106 A CN 201910588106A CN 110309170 A CN110309170 A CN 110309170A
Authority
CN
China
Prior art keywords
dialogue
intention
intended
information track
complicated
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.)
Granted
Application number
CN201910588106.0A
Other languages
English (en)
Other versions
CN110309170B (zh
Inventor
王厚峰
施晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Huawei Technologies Co Ltd
Original Assignee
Peking University
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University, Huawei Technologies Co Ltd filed Critical Peking University
Priority to CN201910588106.0A priority Critical patent/CN110309170B/zh
Publication of CN110309170A publication Critical patent/CN110309170A/zh
Application granted granted Critical
Publication of CN110309170B publication Critical patent/CN110309170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种任务型多轮对话的复杂意图的识别方法，属于自然语言处理领域。该方法定义了多意图追踪识别的任务，引入了一整套意图转移模式集合；设计了一个门结构控制器来更好地利用对话中的信息，并在对话进行过程中识别对话当前轮次的意图。此外，该方法还可以在当前的对话意图结束时，预测出用户的下一个可能的意图，并提前提供出有用的信息。这种前摄预测的机制可以通过从其它相关意图里借取信息，一定程度上避免了冗长的对话轮次。在得到当前轮次与潜在的下一轮次的对话意图后，该方法根据人工预定义好的模板库，结合意图及信息槽进行回复生成，从而得到更加自然的对话回复结果。

Description

一种任务型多轮对话中的复杂意图识别方法
技术领域
本发明提供了一种对任务型多轮对话中复杂意图识别与预测方法，具体包括：根据门结构控制器识别对话当前轮次意图，根据前摄反馈机制预测下一轮次对话意图，使用预定义好的模板进行回复生成。本发明属于自然语言处理领域。
背景技术
任务型对话系统有着很广阔的应用场景，比如机票预订、在线客服等等。在任务型对话系统中，用户通过自然语言方式与机器进行交互，得到所需要的信息或解答。
任务型对话的“意图”就是用户想要达到的目标。为了实现这个意图，系统通常需要一些特定的称为“信息槽”的信息，对话系统通过分析用户的表述，提取出相应信息槽的行为被称作“槽填充”。
对话大多需要有多个轮回。现有的方法通常只追踪多轮对话的槽值信息，缺少针对用户意图追踪的方法。然而在现实中，多意图对话场景其实十分普遍。这也使得目前的对话系统很难应对多轮对话里复杂意图的转换，而根据现有对话内容来提前预测用户的下一步可能的意图则更为困难。
发明内容
本发明中提出的方法主要应对复杂意图的转换。在不同的意图之间共享相同的信息槽信息，追踪识别对话当前句的意图。本方法通过一个门结构控制器融入上文信息，分析当前用户话语中的意图。除此之外，本方法还可以在当前的对话意图结束时，预测出用户下一个可能的意图，并提前提供出有用的信息，即“前摄预测”。在得到当前轮次与潜在的下一轮次的对话意图后，本方法根据人工预定义好的模板库，结合意图及信息槽进行回复。
本发明对应的结构示意图如图1所示。本发明提供的任务型多轮对话中的复杂意图识别方法，具体技术方案如下：
A.根据门结构控制器识别对话当前轮次意图，实现任务型多轮对话中复杂意图的识别追踪，这部分是本发明的核心，其作用是识别当前轮次的意图。
A1.对于多轮对话中复杂意图的追踪识别任务，本发明引入了一整套意图转移模式包括如下三类：
模式1(意图已转移且当前意图尚未结束)：当前意图依然在进行中，但用户又询问了一个其他意图的问题(一般而言，其后还会回到未完成的意图中)。
模式2(意图已转移且当前意图已结束)：当前意图已经结束后，用户开始询问其它意图的问题。
模式3(意图未转移)：用户继续就当前意图与系统交互。
A2.设计一个门结构控制器在对话语句的向量表示层面上对对话状态进行追踪。模型首先计算意图转移模式的分布，并使用其结果计算当前轮次的意图，对话过程在词汇级别和句子级别两个层面上被模拟。模型使用两个循环神经网络来模拟对话序列：词汇级别的循环神经网络用来表示每一个问句/回答语句，另一个句子级别的循环神经网络则负责跟踪对话总体进程中的隐状态。词汇级别的循环神经网络以一个问句或回答语句作为输入，学习向量表示。而句子级别的循环神经网络则将词汇级别的循环神经网络学习到的每个句向量作为输入，输出对话过程到当前轮次为止的隐状态。
本发明进一步使用“前摄预测”机制对用户的下一个可能意图做合理的“猜测”。如果这个猜测被确定下来了，系统将在用户发问前提供有用的信息，以避免重复和冗余的对话轮次。
1.模型使用一个意图转移矩阵进行“前摄预测”。矩阵中的每个元素是一个表示当前意图是否会转移到下一个意图的置信度实值函数。
2.通过意图转移矩阵，模型使用一个马尔科夫链来模拟意图转移过程。B.利用模板与信息槽生成回复。
B1.本发明使用序列标注的方法来为信息槽进行标注提取。标注过程使用对话语句作为输入，依次将语句中的每个词标注为知识性信息槽、需求性信息槽或者其它。之后将这些信息槽填充到一个全局的内存里，以使不同的意图可以共享重复的信息槽值。
其中知识性信息槽是从用户提供的信息中提取出来，用来约束回复内容的信息槽。举例来说，“踢足球”就是一个知识性信息槽。这类信息槽事件的值可以从用户的语句中提取出，在提取出知识性信息槽之后，系统的回复信息也要与之(踢足球)有关。
需求性信息槽是未知的信息，通常是用户想要询问具体值的一些内容，比如“时间”(time)和“地点”等。系统需要在接下来几轮对话里返回这些信息槽的准确值。需求性信息槽的值不可以直接从当前语句中提取出来。系统在标注结束后，通过查询数据库得到相应信息槽的值。
B2.将查询的信息槽结果值填入选择好的模板内得到最终的生成结果。生成模板是人为构造的带有待填充的空信息槽的句子。一些信息槽值无法从对话过程中直接抽取出，而需要从数据库中进行检索。当获得需要的信息后，填满信息的模板句子将作为回复语句提供给用户。通过问句中需求性信息槽的状态，系统决定是否提供信息或直接更新数据库。对于每个意图，系统设计了五类不同的模板。注意到有一个特定的模板专门为“前摄预测”机制预测出的下一个意图提供信息而设计。
模板1：对于需求性信息槽，如果数据库中只有一个可能的结果，系统直接将其返回给用户。
模板2：对于需求性信息槽，如果数据库中有不止一个可能的结果，系统将所有结果返回给用户，让他进行选择。
模板3：如果系统无法针对需求性信息槽在数据库中找到任何可能的结果，则系统将请求用户更改问题。
模板4：如果用户并没有提供任何需求性信息槽，则更新数据库。
模板5：(“前摄预测”模板)如果下一个意图被前摄预测部分所确定，则系统将提前提供有用的信息给用户。
利用本发明提供的技术方案，可以更好地利用对话中的信息，并在对话进行过程中识别对话当前轮次的意图。同时，在当前的对话意图结束时，该方案可以预测用户的下一个可能意图，并提前给出有用的信息，这在一定程度上避免了冗长的对话轮次。
在得到上述意图后，根据人工预定义好的模板库，结合意图及信息槽生成回复，从而得到自然的对话回复结果。
附图说明
图1本发明所述方法操作示意图。
图2本发明所述方法流程图。
具体实施方式
下面通过实例对本发明做进一步的说明。
假定有一个t轮次的任务式对话。在第t个对话轮次，多意图追踪识别模块将当前轮次的问句Qt，上一轮次的回答语句Rt-1，以及当前轮次的信息槽内容St输入一个门结构控制器gt中，来得到当前轮次对话语句的意图It。然后“前摄预测”机制部分使用一个意图转移矩阵来预测用户下一个可能的意图It+1。如果下一个可能的意图的置信度超过了预定义好的阈值，而且下一个意图中至少有一个相关的信息槽被填充，那么就可确定It+1为下一个要转移到的意图。本方法通过序列标注的方法来获取信息槽中的信息，并将其填入一个可以全局共享的信息槽内存中。之后方案中的系统会根据识别出的当前轮次意图It，以及相应的信息槽内容去数据库中进行查询。最后回复生成模块将查询到的结果填入相对应的模板中，完成最终的回复生成。
在对话轮次中，模型首先计算意图转移模式的分布，并使用其结果来进行门结构转移计算。更详细地，模型以用户当前轮次问句Qt、系统上一轮次回答的答句Rt-1、以及当前轮次的信息槽内容St作为基础，来判断当前轮次的转移模式是哪种。这样模型可以使用一个前馈神经网络来生成三种模式的分布表示：
其中Wr,Wq,Ws是训练参数，gt b、gt a、gt n分别表示意图转移按照模式1、模式2、模式3的概率。模型使用Hinton等人[1]提出的softmax with temperature来使得概率分布更加“尖锐”。
如果系统认为上一轮次的意图It-1在还未结束时即将转移(模式1)，那么除了Qt、Rt-1和St之外，It的取值还将与It-1有关。此时计算模式1的意图概率分布为fb(It-1，Qt，Rt-1，St)，其中fb是一个前馈全连接层。
如果系统认为上一轮次的意图It-1已经结束(模式2)，那么在决定当前轮次的It时，考虑到用户不会再次回到It-1这个意图，因此可以给It-1加一个惩罚项。在这种情况下，It将通过公式fa(P(It-1)，Qt，Rt-1，St)计算决定，其中fa同样是一个前馈全连接层。惩罚函数P如下所示：
P(It-1)＝(1-softmax(It-1))It-1
模型在这里同样使用Hinton等人[1]提出的softmax with temperature来使得概率分布更加“尖锐”。
如果系统认为用户在当前轮次并没有转换意图(模式3)，那么用户当前轮次的意图It将只和上一轮次的意图It-1有关。
综上所述，当前轮次意图It的公式表述为：
模型的训练目标是问句-回答对序列D中所有意图的交叉熵。给定预测出的意图序列I1,…,IN，以及标注好的意图序列y1,…,yN，意图的损失函数如下：
模型使用一个意图转移矩阵来进行“前摄预测”。矩阵中的每个元素是一个表示第i个意图是否会转移到第j个意图的置信度的实值函数。通过这个转移矩阵，模型使用一个马尔科夫链来模拟意图转移过程。模型使用一个二次型来表示意图转移的一致性与预测的概率值。
模型将上述意图转移的一致性函数与交叉熵损失函数相结合，使得意图转移信息与意图转移矩阵相融合，最终的损失函数如下：
上述约束条件通过拉格朗日方程整合进了损失函数中。由于上面所描述的所有部件都可微，模型可以通过反向传播来端到端进行训练，并使用Adam来进行优化。在预测时，在当前轮次意图It被识别出后，将It与意图转移矩阵相乘，来获取下一个意图It-1的概率分布表示：
如果下一个可能的意图的置信度超过了预定义的阈值，并且下一个意图中至少有一个相关的信息槽被填充，就可以确定It+1为下一个要转移到的意图。这样，模型就做到了提前一步进行响应。
对于每一个问句Qt，模型需要提取出其中的关键信息以用于最后的回复生成。每个对话交互过程D都含有一个槽取值列表，其中包括所有所需的槽信息。所有该对话过程中的对话语句，在对话过程中都会维护并更新这个列表。本模型使用序列标注的方法来为信息槽进行标注提取。标注过程使用对话语句作为输入，依次将语句中的每个词标注为“知识性信息槽”、“需求性信息槽”或者“其它”。之后将这些信息槽填充到一个全局的内存里，以使得不同的意图可以共享重复的信息槽值。
需求性信息槽的值不可以直接从当前语句中提取出来。系统在标注结束后，需要向数据库发起一个查询来得到相应的信息槽的值。这一与数据库的交互过程依赖于一些手工设计的模板，使用“模板+信息槽”的方式来控制回复生成。生成模板是人为构造的带有待填充的空信息槽的句子。一些信息槽值无法从对话过程中直接抽取出，而需要从数据库中进行检索。当获得需要的信息后，填满信息的模板句子将作为回复语句提供给用户，也就是最终的自然语言回复结果。
参考文献
[1]G.Hinton,O.Vinyals and J.Dean.“Distilling the knowledge in aneural network”.arXiv preprint arXiv:1503.02531,2015.

Claims (9)

1.一种任务型多轮对话中的复杂意图识别方法，包括：
A.根据门结构控制器识别对话当前轮次意图，包括：
A1.定义三大类意图转移模式，分别为：意图已转移且当前意图尚未结束、意图已转移且当前意图已结束、以及意图未转移；
A2.计算意图转移模式的分布，并使用其结果来进行门结构转移计算，在对话语句级别和词汇级别两个层面上对对话状态进行追踪；并据此生成意图识别结果；
B.利用预定义好的模板与信息槽进行自然语言的回复生成，包括：
B1.使用序列标注的方法来为信息槽进行标注提取；
B2.对于每个意图，设计若干类不同的模板，将信息槽查询的结果填入选择好的模板内得到最终的生成结果。
2.如权利要求1所述的任务型多轮对话中的复杂意图识别方法，其特征是，进一步在步骤A之后，根据前摄反馈机制预测下一轮次对话意图，包括：
1).使用一个意图转移矩阵来进行前摄预测，矩阵中的每个元素是一个表示当前意图是否会转移到下一个意图的置信度的实值函数；
2).通过意图转移矩阵，使用一个马尔科夫链来模拟意图转移过程，且使用一个二次型来表示意图转移的一致性与预测的概率值；预测下一轮次对话意图。
3.如权利要求1所述的任务型多轮对话中的复杂意图识别方法，其特征是，步骤A2具体包括：在对话过程在词汇级别和句子级别两个层面上被模拟，使用两个循环神经网络来模拟对话序列：词汇级别的循环神经网络用来表示每一个问句/回答语句，另一个句子级别的循环神经网络则负责跟踪对话总体进程中的隐状态。词汇级别的循环神经网络以一个问句或回答语句作为输入，学习向量表示；而句子级别的循环神经网络则将词汇级别的循环神经网络学习到的每个句向量作为输入，输出对话过程到当前轮次为止的隐状态。
4.如权利要求1所述的任务型多轮对话中的复杂意图识别方法，其特征是，步骤B1标注过程使用对话语句作为输入，依次将语句中的每个词标注为知识性信息槽、需求性信息槽或者其它，之后将这些信息槽填充到一个全局的内存里，以使得不同的意图共享重复的信息槽值。
5.如权利要求4所述的任务型多轮对话中的复杂意图识别方法，其特征是，所述知识性信息槽是从用户提供的信息中提取出来，用来约束回复内容的信息槽。
6.如权利要求4所述的任务型多轮对话中的复杂意图识别方法，其特征是，所述需求性信息槽是未知的信息，通常是用户想要询问具体值的一些内容，系统需要在接下来几轮对话里返回这些信息槽的准确值。需求性信息槽的值不可以直接从当前语句中提取出来，系统在标注结束后，需要向数据库发起一个查询来得到相应的信息槽的值。
7.如权利要求1所述的任务型多轮对话中的复杂意图识别方法，其特征是，生成模板是人为构造的带有待填充的空信息槽的句子。
8.如权利要求1所述的任务型多轮对话中的复杂意图识别方法，其特征是，步骤B2中包括如下模板：对于需求性信息槽，如果数据库中只有一个可能的结果，直接将其返回给用户；对于需求性信息槽，如果数据库中有不止一个可能的结果，将所有结果返回给用户，让他进行选择；如果无法针对需求性信息槽在数据库中找到任何可能的结果，则将请求用户更改问题；如果用户并没有提供任何需求性信息槽，则更新数据库。
9.如权利要求2所述的任务型多轮对话中的复杂意图识别方法，其特征是，步骤B2中，如果下一个意图被前摄预测部分所确定，则将提前提供有用的信息给用户。
CN201910588106.0A 2019-07-02 2019-07-02 一种任务型多轮对话中的复杂意图识别方法 Active CN110309170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910588106.0A CN110309170B (zh) 2019-07-02 2019-07-02 一种任务型多轮对话中的复杂意图识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588106.0A CN110309170B (zh) 2019-07-02 2019-07-02 一种任务型多轮对话中的复杂意图识别方法

Publications (2)

Publication Number Publication Date
CN110309170A true CN110309170A (zh) 2019-10-08
CN110309170B CN110309170B (zh) 2021-04-13

Family

ID=68078229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588106.0A Active CN110309170B (zh) 2019-07-02 2019-07-02 一种任务型多轮对话中的复杂意图识别方法

Country Status (1)

Country Link
CN (1) CN110309170B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795531A (zh) * 2019-10-10 2020-02-14 卓尔智联(武汉)研究院有限公司 一种意图识别方法、装置及存储介质
CN111198937A (zh) * 2019-12-02 2020-05-26 泰康保险集团股份有限公司 对话生成及装置、计算机可读存储介质、电子设备
CN111259128A (zh) * 2020-01-19 2020-06-09 出门问问信息科技有限公司 一种对话目标序列的生成方法、装置以及可读存储介质
CN111444308A (zh) * 2020-06-12 2020-07-24 支付宝(杭州)信息技术有限公司 一种模拟用户发言的方法和系统
CN111475616A (zh) * 2020-03-13 2020-07-31 平安科技（深圳）有限公司 基于对话状态预测的多轮对话方法、装置和计算机设备
CN111522923A (zh) * 2020-03-31 2020-08-11 华东师范大学 一种多轮任务式对话状态追踪方法
CN113158692A (zh) * 2021-04-22 2021-07-23 中国平安财产保险股份有限公司 基于语义识别的多意图处理方法、系统、设备及存储介质
CN113495943A (zh) * 2020-04-02 2021-10-12 山东大学 一种基于知识追踪与转移的人机对话方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346436A (zh) * 2017-08-22 2018-07-31 腾讯科技（深圳）有限公司 语音情感检测方法、装置、计算机设备及存储介质
CN108415923A (zh) * 2017-10-18 2018-08-17 北京邮电大学 封闭域的智能人机对话系统
US10170107B1 (en) * 2016-12-29 2019-01-01 Amazon Technologies, Inc. Extendable label recognition of linguistic input
CN109858030A (zh) * 2019-02-11 2019-06-07 北京邮电大学 双向的意图槽值交叉相关的任务型对话理解系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10170107B1 (en) * 2016-12-29 2019-01-01 Amazon Technologies, Inc. Extendable label recognition of linguistic input
CN108346436A (zh) * 2017-08-22 2018-07-31 腾讯科技（深圳）有限公司 语音情感检测方法、装置、计算机设备及存储介质
CN108415923A (zh) * 2017-10-18 2018-08-17 北京邮电大学 封闭域的智能人机对话系统
CN109858030A (zh) * 2019-02-11 2019-06-07 北京邮电大学 双向的意图槽值交叉相关的任务型对话理解系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨选选等: "基于语义角色和概念图的信息抽取模型", 《计算机应用》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795531B (zh) * 2019-10-10 2023-01-20 卓尔智联(武汉)研究院有限公司 一种意图识别方法、装置及存储介质
CN110795531A (zh) * 2019-10-10 2020-02-14 卓尔智联(武汉)研究院有限公司 一种意图识别方法、装置及存储介质
CN111198937A (zh) * 2019-12-02 2020-05-26 泰康保险集团股份有限公司 对话生成及装置、计算机可读存储介质、电子设备
CN111198937B (zh) * 2019-12-02 2023-06-30 泰康保险集团股份有限公司 对话生成及装置、计算机可读存储介质、电子设备
CN111259128A (zh) * 2020-01-19 2020-06-09 出门问问信息科技有限公司 一种对话目标序列的生成方法、装置以及可读存储介质
CN111475616A (zh) * 2020-03-13 2020-07-31 平安科技（深圳）有限公司 基于对话状态预测的多轮对话方法、装置和计算机设备
WO2021179445A1 (zh) * 2020-03-13 2021-09-16 平安科技（深圳）有限公司 基于对话状态预测的多轮对话方法、装置和计算机设备
CN111475616B (zh) * 2020-03-13 2023-08-22 平安科技（深圳）有限公司 基于对话状态预测的多轮对话方法、装置和计算机设备
CN111522923A (zh) * 2020-03-31 2020-08-11 华东师范大学 一种多轮任务式对话状态追踪方法
CN111522923B (zh) * 2020-03-31 2023-04-28 华东师范大学 一种多轮任务式对话状态追踪方法
CN113495943A (zh) * 2020-04-02 2021-10-12 山东大学 一种基于知识追踪与转移的人机对话方法
CN113495943B (zh) * 2020-04-02 2023-07-14 山东大学 一种基于知识追踪与转移的人机对话方法
CN111444308B (zh) * 2020-06-12 2020-09-18 支付宝(杭州)信息技术有限公司 一种模拟用户发言的方法和系统
CN111444308A (zh) * 2020-06-12 2020-07-24 支付宝(杭州)信息技术有限公司 一种模拟用户发言的方法和系统
CN113158692A (zh) * 2021-04-22 2021-07-23 中国平安财产保险股份有限公司 基于语义识别的多意图处理方法、系统、设备及存储介质
CN113158692B (zh) * 2021-04-22 2023-09-12 中国平安财产保险股份有限公司 基于语义识别的多意图处理方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN110309170B (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110309170A (zh) 一种任务型多轮对话中的复杂意图识别方法
Nuruzzaman et al. IntelliBot: A Dialogue-based chatbot for the insurance industry
US10446148B2 (en) Dialogue system, a dialogue method and a method of adapting a dialogue system
JP6228260B2 (ja) 音声対話システムのためのデバイスおよび方法
CN107329967B (zh) 基于深度学习的问答系统以及方法
Griol et al. A statistical approach to spoken dialog systems design and evaluation
CN109460479A (zh) 一种基于事理图谱的预测方法、装置和系统
CN109446306A (zh) 一种基于任务驱动的多轮对话的智能问答方法
CN107562863A (zh) 聊天机器人回复自动生成方法及系统
CN108962224A (zh) 口语理解和语言模型联合建模方法、对话方法及系统
Wang et al. Policy learning for domain selection in an extensible multi-domain spoken dialogue system
CN109597876A (zh) 一种基于强化学习的多轮对话答复选择模型及其方法
CN110414003B (zh) 建立文本生成模型的方法、装置、介质和计算设备
CN112860862A (zh) 人机对话中智能体对话语句的生成方法和装置
CN113268610A (zh) 基于知识图谱的意图跳转方法、装置、设备及存储介质
CN110059170A (zh) 基于用户交互的多轮对话在线训练方法及系统
CN110534104A (zh) 智能对话系统的语音匹配方法、电子装置、计算机设备
CN117218498B (zh) 基于多模态编码器的多模态大语言模型训练方法及系统
CN116662552A (zh) 金融文本数据分类方法、装置、终端设备及介质
CN113360618A (zh) 一种基于离线强化学习的智能机器人对话方法及系统
CN117251552B (zh) 基于大型语言模型的对话处理方法、装置及电子设备
Ferreira et al. Expert-based reward shaping and exploration scheme for boosting policy learning of dialogue management
Hou et al. A corpus-free state2seq user simulator for task-oriented dialogue
Feng et al. A unified implicit dialog framework for conversational search
CN111428005A (zh) 标准问答对确定方法、装置及电子设备

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
GR01 Patent grant
GR01 Patent grant