CN110399474B - 一种智能对话方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种智能对话方法、装置、设备及存储介质，所述方法包括：接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与问答角色信息一一对应的对话应答模型；接收所述对话对象的提问请求；基于所述目标对话应答模型确定所述提问请求的应答数据。利用本申请实施例提供的技术方案可以实现与不同角色进行对话的场景，对话对象在与智能对话产品对话时可以扮演不同的角色，提升对话的趣味性，同时增加智能对话产品的应答多样性，解决现有的智能对话产品形态单一的问题，有效改善用户体验。

Description

一种智能对话方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种智能对话方法、装置、设备及存储介质。

背景技术

智能对话技术，可以根据用户输入的自然语言的提问数据给出准确的应答，目前在老年人陪护、儿童智能玩具、即时通讯聊天等应用场合都有着广泛的使用。

目前，智能对话的实现往往是基于对话应答模型实现的。现有技术中的对话应答模型都是使用通用的语料信息进行训练，不同的机器人只是简单修改了机器人属性，导致针对同一提问数据的应答总是一致的，呈现出来的智能对话产品形态单一。因此，需要提供更有效的方案，以增加智能对话产品的应答多样性。

发明内容

本申请提供了一种智能对话方法、装置、设备及存储介质，可以实现对话对象在对话时扮演不同的角色，提升对话的趣味性，同时增加智能对话产品的应答多样性，解决现有的智能对话产品形态单一的问题，有效改善用户体验。

一方面，本申请提供了一种智能对话方法，所述方法包括：

接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；

基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与问答角色信息一一对应的对话应答模型；

接收所述对话对象的提问请求；

基于所述目标对话应答模型确定所述提问请求的应答数据。

另一方面提供了一种智能对话装置，所述装置包括：

对话角色选取指令接收模块，用于接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；

对话应答模型确定模块，用于基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与问答角色信息一一对应的对话应答模型；

提问请求接收模块，用于接收所述对话对象的提问请求；

应答数据确定模块，用于基于所述目标对话应答模型确定所述提问请求的应答数据。

在一些实施例中，所述问答角色信息包括一个提问角色和一个应答角色，和/或，一个应答角色的信息。

在一些实施例中，所述目标对话应答模型包括采用下述模块确定：

对话数据获取模块，用于获取所述问答角色信息对应的应答角色与提问角色间的对话数据；

第一句向量集确定模块，用于确定所述对话数据中所述提问角色的提问数据的第一句向量集；

第二句向量集确定模块，用于确定所述对话数据中所述应答角色的应答数据的第二句向量集；

预测句向量集确定模块，用于基于所述第一句向量集对预设深度学习模型进行对话应答训练，得到预测应答数据的句向量集；

损失值计算模块，用于计算所述预测应答数据的句向量集与所述第二句向量集间的损失值；

模型调整训练模块，用于当所述损失值大于等于预设阈值时，调整所述预设深度学习模型中的模型参数，基于所述第一句向量集对调整模型参数后的预设深度学习模型进行对话应答训练，至当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值；

目标对话应答模型确定单元，用于将当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值时所对应的预设深度学习模型作为所述目标对话应答模型。

在一些实施例中，所述对话数据获取模块包括：

第一对话数据获取单元，用于获取所述问答角色信息所包括的应答角色与提问角色间的对话数据；

或，

第二对话数据获取单元，用于获取指定资源库中所述问答角色信息所包括的应答角色与至少一个提问角色间的对话数据。

在一些实施例中，所述第一句向量集确定模块包括：

第一句向量转换单元，用于根据预设字词典将所述提问角色的每一提问数据转换成句向量；

第一句向量集生成单元，用于基于所述提问角色的每一提问数据对应的句向量生成所述第一句向量集；

相应的，所述第二句向量集确定模块包括：

第二句向量转换单元，用于根据预设字词典将所述应答角色的每一应答数据转换成句向量；

第二句向量集生成单元，用于基于所述应答角色的每一应答数据对应的句向量生成所述第二句向量集。

在一些实施例中，所述应答数据确定模块包括：

第三句向量转换单元，用于根据预设字词典将所述提问请求中提问数据转换成句向量；

应答识别单元，用于基于所述目标对话应答模型对所述句向量进行应答识别，得到所述句向量对应的应答向量；

应答数据确定单元，用于根据所述预设字词典将所述应答向量转化成应答数据。

在一些实施例中，所述装置还包括：

应答数据反馈模块，用于将所述应答数据反馈给所述对话对象。

在一些实施例中，所述应答数据反馈模块包括：

语音转换处理单元，用于对所述应答数据进行语音转换处理，得到所述应答数据的语音信息；

应答数据反馈单元，用于将所述语音信息反馈给所述对话对象；

或，

应答数据显示单元，用于将所述应答数据显示在应答显示界面。

另一方面提供了一种智能对话设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的智能对话方法。

另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的智能对话方法。

本申请提供的智能对话方法、装置、设备及存储介质，具有如下技术效果：

本申请能通过选取指定的对话角色，并基于指定的对话角色所对应的目标对话应答模型来确定对话对象的应答数据，可以实现与不同角色进行对话的场景，对话对象在与智能对话产品对话时可以扮演不同的角色，提升对话的趣味性，同时增加智能对话产品的应答多样性，解决现有的智能对话产品形态单一的问题，有效改善用户体验。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的一种应用环境的示意图；

图2是本申请实施例提供的一种智能对话方法的流程示意图；

图3是本申请实施例提供的一种对话角色选取界面的示意图；

图4是本申请实施例提供的一种目标对话应答模型的确定过程的流程示意图；

图5是本申请实施例提供的一种基于所述目标对话应答模型确定所述提问请求的应答数据的流程示意图；

图6是本申请实施例提供的另一种智能对话方法的流程示意图；

图7是本申请实施例提供的一种智能对话装置的结构示意图；

图8是本申请实施例提供的另一种智能对话装置的结构示意图；

图9是本申请实施例提供的一种客户端的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请实施例提供的方案涉及人工智能的语音技术和自然语言处理等技术，具体通过如下实施例进行说明：

请参阅图1，图1是本申请实施例提供的一种应用环境的示意图，如图1所示，该应用环境至少包括智能对话服务器01和智能对话终端02。

具体的，智能对话服务器01可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。智能对话服务器01可以包括有网络通信单元、处理器和存储器等等。具体的，智能对话服务器01可以用于进行对话应答模型的训练。

具体的，智能对话终端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备，也可以包括运行于实体设备中的软体，例如通讯应用等。本申请实施例中智能对话设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。具体的，智能对话终端02可以为与对话对象进行对话交互的设备，可以提供有对话操作界面。具体的，基于智能对话服务器01训练好的对话应答模型实现与用户的对话交互。

在实际应用中，智能对话终端可以包括能够提供客服服务、教学服务、搜索服务等的对话设备。

此外，需要说明的是，上述图1所示的应用环境仅仅是一种示例，在实际应用中，与用户进行对话交互和训练对话应答模型可以在同一设备中实现。

以下介绍本申请一种智能对话方法，图2是本申请实施例提供的一种智能对话方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：

S201：接收对话对象的对话角色选取指令。所述对话角色选取指令包括问答角色信息。

本说明书实施例中，对话对象可以包括用户，也可以包括登陆有某一用户账号的应用终端。本说明书实施例中，问答角色信息可以包括一个提问角色和一个应答角色，和/或，一个应答角色的信息。具体的，例如应答角色为影视剧中指定的角色X，提问角色可以为该影视剧中与角色X进行对话的某一角色。或者，仅仅选择影视剧中指定的角色X为应答角色。

在实际应用中，人机交互的应用中，常常提供基于文字信息、语音信息等多种形式的交互方式。相应的，当以文字信息的方式进行交互时，可以基于对话角色选取操作界面触发的角色选取指令。

在一些实施例中，当以语音信息的方式进行交互时，具体的，所述对话角色选取指令可以为选取对话角色的语音指令，相应的，可以基于对获取的语音指令进行语音识别，确定语音指令中的问答角色信息。具体的，本说明书实施例中，可以结合自动语音识别(Automatic Speech Recognition,ASR)技术来识别语音指令中的信息。

在一个具体的实施例中，如图3所示，图3是本申请实施例提供的一种对话角色选取界面的示意图。具体的，从图3中可见，对话角色选取界面中设置有提问角色和应答角色的选取控件，用户基于选取控件分别选取提问角色和应答角色，点击确认按钮，实现对话角色选取指令的触发。

此外，需要说明的是，图3仅仅是一种触发对话角色选取指令的对话角色选取界面的示意图，在实际应用中，还包括其他对话角色选取界面，或直接通过语音等非操作界面的方式实现对话角色选取指令的触发。

本说明书实施例中，通过指定一个应答角色，和/或，一个提问角色和一个应答角色，可以实现让用户以某一角色与指定的应答角色进行对话交互，也可以直接与指定的应答角色进行对话交互。

S203：基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型。

本说明书实施例中，对话应答模型库可以包括与问答角色信息一一对应的对话应答模型。即每一对话应答模型都对应着一组指定应答角色和一个或多个指定提问角色的应答角色组。

具体的，当对话应答模型库中对话应答模型对应的问答角色信息与对话角色选取指令对应的问答角色信息一致时，可以确定该对话应答模型为与对话角色选取指令对应的问答角色信息相对应的目标对话应答模型。

在实际应用中，若某一角色与多个角色进行对话时，该角色与多个角色间的对话数据间的差异较小，可以以该角色为应答角色，多个角色为提问角色，组成一组与对话应答模型一一对应的问答角色对。反之，若该角色与多个角色间的对话数据间的差异较大时，可以以该角色为应答角色，多个角色中的任一角色为提问角色，组成一组与对话应答模型一一对应的问答角色对。

本说明书实施例中对话数据包括一一对应的提问数据和应答数据。具体的，所述提问数据可以为对话数据中先开始的对话，应答数据为对话数据中针对先开始的提问数据进行应答的数据。

本说明书实施例中，某一角色与多个角色间的对话数据间的差异可以表征该角色应对不同角色的相同提问数据的应答数据间的差异。

本说明书实施例中，预设深度学习模型可以包括但不限于采用BERT模型、卷积神经网络、循环神经网络或递归神经网络等深度学习模型。

在一个具体的实施例中，以BERT模型为预设深度学习模型为例，如图4所述，所述目标对话应答模型可以包括采用下述方式确定：

S2031：获取所述问答角色信息对应的应答角色与提问角色间的对话数据。

本说明书实施例中，当问答角色信息包括一个提问角色和一个应答角色的信息时，所述问答角色信息对应的应答角色与提问角色可以为该问答角色信息所包括提问角色和应答角色，相应的，获取所述问答角色信息对应的应答角色与提问角色间的对话数据可以包括：获取所述问答角色信息所包括的应答角色与提问角色间的对话数据。当问答角色信息包括一个应答角色的信息时，所述问答角色信息对应的应答角色与提问角色可以为该问答角色信息所包括应答角色，以及与该应答角色有对话的一个或多个提问角色。相应的，获取所述问答角色信息对应的应答角色与提问角色间的对话数据可以包括获取指定资源库中所述问答角色信息所包括的应答角色与至少一个提问角色间的对话数据。

具体的，这里的指定资源库可以为包括但不限于指定的影视剧、小说等。

进一步的，可以将提问角色与应答角色间的每一对话数据(每一组提问数据和应答数据)中提问数据放在左边，应答数据放在右边，中间以指定符号(例如/t)做分割。

在一个具体的实施例中，如某电视剧中角色A和角色B的部分对话数据为例，具体的对话数据包括：

角色A：可是姐姐你别忘了，你是出身后族，又有皇上的情分在，如果真有继后，也应该是姐姐你。

角色B：我从来要的都是情分，而不是位分。

角色A：即有情分又有位分，那才是两全其美。

角色B：好了，先不说这个了。

角色A：是。

上述对话数据可以生成两份训练数据，一份是以“角色A”为提问角色，“角色B”为应答角色；相应的，“角色A”的对话数据作为预设深度学习模型的输入，“角色B”的对话数据作为预设深度学习模型的输出。另一份则相反，以“角色B”为提问角色，“角色A”为应答角色；相应的，“角色B”的对话数据作为预设深度学习模型的输入，“角色A”的对话数据作为预设深度学习模型的输出。两份训练数据最终会训练出两个对话应答模型。

以下以“角色A”为提问角色，“角色B”为应答角色为例，则将提问角色与应答角色间的每一对话数据中角色A的提问数据放在左边，角色B对应的应答数据放在右边，中间以指定符号(例如/t)做分割。如：

第一行：

可是姐姐你别忘了，你是出身后族，又有皇上的情分在，如果真有继后，也应该是姐姐你/t我从来要的都是情分，而不是位分

第二行：

即有情分又有位分，那才是两全其美/t好了，先不说这个了

在一个具体的实施例中，获取的角色间的对话数据可以包括但不限于影视剧本或字幕数据中获取的角色间的对话数据、小说中获取的角色间的对话数据、用户输入的自定义的对话数据，录制的用户间的对话数据(这里可以通过声纹识别来区分不同的用户)等。

S2033：确定所述对话数据中所述提问角色的提问数据的第一句向量集。

本说明书实施例中，确定所述对话数据中所述提问角色的提问数据的第一句向量集可以包括：根据预设字词典将所述提问角色的每一提问数据转换成句向量；基于所述提问角色的每一提问数据对应的句向量生成所述第一句向量集。

具体的，所述预设字词典可以包括具有一一映射关系的字和数值。具体的，可以为BERT模型对应的字词典，相应的，可以将每一对话数据对应的提问数据和应答数据中每个字以数值进表示；然后，基于这些字的数值组成这些字对应的提问数据和应答数据的句向量。例如，某一提问数据中每个字对应的数值依次为2、5、6、9、3，相应的，该提问数据的句向量为(2，5，6，9，3)。

S2035：确定所述对话数据中所述应答角色的应答数据的第二句向量集。

本说明书实施例中，确定所述对话数据中所述应答角色的应答数据的第二句向量集可以包括：根据预设字词典将所述应答角色的每一应答数据转换成句向量；基于所述应答角色的每一应答数据对应的句向量生成所述第二句向量集。

此外，需要说明的是，在实际应用中确定句向量的方法并不仅限于上述描述的方法，在实际应用中，还可以采用其他方法，例如基于Word2vector等词向量模型分别计算出对话数据对于的提问数据和应答数据中每个词的词向量；然后，对提问数据和应答数据中每个词的词向量分别进行加权平均处理，得到提问数据和应答数据的句向量。

S2037：基于所述第一句向量集对预设深度学习模型进行对话应答训练，得到预测应答数据的句向量集。

S2039：计算所述预测应答数据的句向量集与所述第二句向量集间的损失值。

本身说明书实施例中，预测应答数据的句向量集与所述第二句向量集间的损失值可以表征预测应答数据的句向量集与第二句向量集间的差异；损失值越小，预测应答数据的句向量集与第二句向量集间的差异越小；反之，损失值越大，预测应答数据的句向量集与第二句向量集间的差异越大。

本说明书实施例中可以结合设定的损失函数计算预测应答数据的句向量集与第二句向量集间的损失值。

S20311：当所述损失值大于等于预设阈值时，调整所述预设深度学习模型中的模型参数，基于所述第一句向量集对调整模型参数后的预设深度学习模型进行对话应答训练，至当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值。

S20313：将当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值时所对应的预设深度学习模型作为所述目标对话应答模型。

本说明书实施例中，预设阈值可以结合实际应用中，对对话应答模型的应答数据识别准确率要求进行设定，一般的，预设阈值越小，训练处的对话应答模型的应答数据识别准确率越高。

本说明书实施例中，以指定提问角色与应答角色间的对话数据为训练数据，相应的，后续训练出来的目标对话应答模型可以输出以该提问角色进行提问的应答数据。

S205：接收所述对话对象的提问请求。

本说明书实施例中，提问请求可以包括但不限于基于文字信息、语音信息等多种形式的触发，具体的，可以参见上述对话角色选取指令的触发，在此不再赘述。

S207：基于所述目标对话应答模型确定所述提问请求的应答数据。

本说明书实施例中，如图5所示，所述基于所述目标对话应答模型确定所述提问请求的应答数据可以包括：

S2071：根据预设字词典将所述提问请求中提问数据转换成句向量；

S2073：基于所述目标对话应答模型对所述句向量进行应答识别，得到所述句向量对应的应答向量；

S2075：根据所述预设字词典将所述应答向量转化成应答数据。

本说明书实施例中，根据预设字词典将所述提问请求中提问数据转换成句向量的具体步骤可以参见上述根据预设字词典将所述提问角色的每一提问数据转换成句向量的相关描述，在此不再赘述。

在另一些实施例中，如图6所示，所述方法还包括：

S209：将所述应答数据反馈给所述对话对象。

具体的，当以文字信息的形式反馈给对话对象时，可以将所述应答数据显示在应答显示界面。

进一步的，当以语音信息的形式反馈给对话对象时，可以对所述应答数据进行语音转换处理，得到所述应答数据的语音信息，将所述语音信息反馈给所述对话对象。

由以上本说明书实施例提供的技术方案可见，本说明书中通过选取指定的对话角色，并基于指定的对话角色所对应的目标对话应答模型来确定对话对象的应答数据，可以实现与不同角色进行对话的场景，对话对象在与智能对话产品对话时可以扮演不同的角色，提升对话的趣味性，同时增加智能对话产品的应答多样性，解决现有的智能对话产品形态单一的问题，有效改善用户体验。

本申请实施例还提供了一种智能对话装置，如图7所示，所述装置包括：

对话角色选取指令接收模块710，用于接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；

对话应答模型确定模块720，用于基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与问答角色信息一一对应的对话应答模型；

提问请求接收模块730，用于接收所述对话对象的提问请求；

应答数据确定模块740，用于基于所述目标对话应答模型确定所述提问请求的应答数据。

在一些实施例中，所述问答角色信息包括一个提问角色和一个应答角色，和/或，一个应答角色的信息。

在一些实施例中，所述目标对话应答模型包括采用下述模块确定：

对话数据获取模块，用于获取所述问答角色信息对应的应答角色与提问角色间的对话数据；

第一句向量集确定模块，用于确定所述对话数据中所述提问角色的提问数据的第一句向量集；

第二句向量集确定模块，用于确定所述对话数据中所述应答角色的应答数据的第二句向量集；

预测句向量集确定模块，用于基于所述第一句向量集对预设深度学习模型进行对话应答训练，得到预测应答数据的句向量集；

损失值计算模块，用于计算所述预测应答数据的句向量集与所述第二句向量集间的损失值；

模型调整训练模块，用于当所述损失值大于等于预设阈值时，调整所述预设深度学习模型中的模型参数，基于所述第一句向量集对调整模型参数后的预设深度学习模型进行对话应答训练，至当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值；

目标对话应答模型确定单元，用于将当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值时所对应的预设深度学习模型作为所述目标对话应答模型。

在一些实施例中，所述对话数据获取模块包括：

第一对话数据获取单元，用于获取所述问答角色信息所包括的应答角色与提问角色间的对话数据；

或，

第二对话数据获取单元，用于获取指定资源库中所述问答角色信息所包括的应答角色与至少一个提问角色间的对话数据。

在一些实施例中，所述第一句向量集确定模块包括：

第一句向量转换单元，用于根据预设字词典将所述提问角色的每一提问数据转换成句向量；

第一句向量集生成单元，用于基于所述提问角色的每一提问数据对应的句向量生成所述第一句向量集；

相应的，所述第二句向量集确定模块包括：

第二句向量转换单元，用于根据预设字词典将所述应答角色的每一应答数据转换成句向量；

第二句向量集生成单元，用于基于所述应答角色的每一应答数据对应的句向量生成所述第二句向量集。

在一些实施例中，所述应答数据确定模块包括：

第三句向量转换单元，用于根据预设字词典将所述提问请求中提问数据转换成句向量；

应答识别单元，用于基于所述目标对话应答模型对所述句向量进行应答识别，得到所述句向量对应的应答向量；

应答数据确定单元，用于根据所述预设字词典将所述应答向量转化成应答数据。

在一些实施例中，如图8所示，所述装置还包括：

应答数据反馈模块750，用于将所述应答数据反馈给所述对话对象。

在一些实施例中，所述应答数据反馈模块包括：

语音转换处理单元，用于对所述应答数据进行语音转换处理，得到所述应答数据的语音信息；

应答数据反馈单元，用于将所述语音信息反馈给所述对话对象；

或，

应答数据显示单元，用于将所述应答数据显示在应答显示界面。

所述的装置实施例中的装置与方法实施例基于同样地申请构思。

本申请实施例提供了一种智能对话设备，该智能对话设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的智能对话方法。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。

本申请实施例所提供的方法实施例可以在移动终端(客户端)、计算机终端(客户端)、服务器或者类似的运算装置中执行。以运行在客户端上为例，如图9所示，所述客户端可以包括RF(Radio Frequency，射频)电路910、包括有一个或一个以上计算机可读存储介质的存储器920、输入单元930、显示单元940、传感器950、音频电路960、WiFi(wirelessfidelity，无线保真)模块970、包括有一个或者一个以上处理核心的处理器980、以及电源990等部件。本领域技术人员可以理解，图9中示出的客户端结构并不构成对客户端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

RF电路910可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器980处理；另外，将涉及上行的数据发送给基站。通常，RF电路910包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier，低噪声放大器)、双工器等。此外，RF电路810还可以通过无线通信与网络和其他客户端通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM(Global System of Mobile communication，全球移动通讯系统)、GPRS(General Packet Radio Service，通用分组无线服务)、CDMA(Code Division Multiple Access，码分多址)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(Short Messaging Service，短消息服务)等。

存储器920可用于存储软件程序以及模块，处理器980通过运行存储在存储器920的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器920可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述客户端的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器920还可以包括存储器控制器，以提供处理器980和输入单元930对存储器920的访问。

输入单元930可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元930可包括触敏表面931以及其他输入设备932。触敏表面931，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面931上或在触敏表面931附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面931可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器980，并能接收处理器980发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面931。除了触敏表面931，输入单元930还可以包括其他输入设备932。具体地，其他输入设备932可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元940可用于显示由用户输入的信息或提供给用户的信息以及所述客户端的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元940可包括显示面板941，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板941。进一步的，触敏表面931可覆盖显示面板941，当触敏表面931检测到在其上或附近的触摸操作后，传送给处理器980以确定触摸事件的类型，随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。其中，触敏表面931与显示面板941可以两个独立的部件来实现输入和输入功能，但是在某些实施例中，也可以将触敏表面931与显示面板941集成而实现输入和输出功能。

所述客户端还可包括至少一种传感器950，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板941的亮度，接近传感器可在所述客户端移动到耳边时，关闭显示面板941和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别客户端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于所述客户端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路960、扬声器961，传声器962可提供用户与所述客户端之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号，传输到扬声器961，由扬声器961转换为声音信号输出；另一方面，传声器962将收集的声音信号转换为电信号，由音频电路960接收后转换为音频数据，再将音频数据输出处理器980处理后，经RF电路910以发送给比如另一客户端，或者将音频数据输出至存储器920以便进一步处理。音频电路960还可能包括耳塞插孔，以提供外设耳机与所述客户端的通信。

WiFi属于短距离无线传输技术，所述客户端通过WiFi模块970可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块970，但是可以理解的是，其并不属于所述客户端的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器980是所述客户端的控制中心，利用各种接口和线路连接整个客户端的各个部分，通过运行或执行存储在存储器920内的软件程序和/或模块，以及调用存储在存储器920内的数据，执行所述客户端的各种功能和处理数据，从而对客户端进行整体监控。可选的，处理器980可包括一个或多个处理核心；优选的，处理器980可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器980中。

所述客户端还包括给各个部件供电的电源990(比如电池)，优选的，电源可以通过电源管理系统与处理器980逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源990还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，所述客户端还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，客户端的显示单元是触摸屏显示器，客户端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行本发明中方法实施例中的指令。

本申请的实施例还提供了一种存储介质，所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种智能对话方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的智能对话方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由上述本申请提供的智能对话方法、装置、服务器或存储介质的实施例可见，本申请中通过选取指定的对话角色，并基于指定的对话角色所对应的目标对话应答模型来确定对话对象的应答数据，可以实现与不同角色进行对话的场景，对话对象在与智能对话产品对话时可以扮演不同的角色，提升对话的趣味性，同时增加智能对话产品的应答多样性，解决现有的智能对话产品形态单一的问题，有效改善用户体验。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种智能对话方法，其特征在于，所述方法包括：

接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；所述问答角色信息包括一个应答角色；

基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与多组应答角色组中每一组应答角色组对应的对话应答模型，任一组应答角色组包括一个指定应答角色和所述指定应答角色对应的多个指定提问角色；所述目标对话应答模型包括多个对话应答模型，任一对话应答模型为以所述应答角色对应的多个指定提问角色中的任一提问角色的对话数据为预设深度学习模型的输入，以所述应答角色的对话数据为所述预设深度学习模型的输出，对所述预设深度学习模型进行训练得到的；

接收所述对话对象的提问请求；

基于所述多个对话应答模型确定所述提问请求的多个应答数据，每个对话应答模型对应一个应答数据。

2.根据权利要求1所述的方法，其特征在于，所述任一对话应答模型包括采用下述方式确定：

获取所述应答角色与所述应答角色对应的多个指定提问角色中的任一提问角色间的对话数据；

确定所述对话数据中所述任一提问角色的提问数据的第一句向量集；

确定所述对话数据中所述应答角色的应答数据的第二句向量集；

基于所述第一句向量集对预设深度学习模型进行对话应答训练，得到预测应答数据的句向量集；

计算所述预测应答数据的句向量集与所述第二句向量集间的损失值；

当所述损失值大于等于预设阈值时，调整所述预设深度学习模型中的模型参数，基于所述第一句向量集对调整模型参数后的预设深度学习模型进行对话应答训练，至当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值；

将当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值时所对应的预设深度学习模型作为所述任一对话应答模型。

3.根据权利要求2所述的方法，其特征在于，所述获取所述应答角色与所述应答角色对应的多个指定提问角色中的任一提问角色间的对话数据包括：

获取指定资源库中所述应答角色与所述任一提问角色间的对话数据。

4.根据权利要求2所述的方法，其特征在于，所述确定所述对话数据中所述任一提问角色的提问数据的第一句向量集包括：

根据预设字词典将所述任一提问角色的每一提问数据转换成句向量；

基于所述任一提问角色的每一提问数据对应的句向量生成所述第一句向量集；

相应的，所述确定所述对话数据中所述应答角色的应答数据的第二句向量集包括：

根据预设字词典将所述应答角色的每一应答数据转换成句向量；

基于所述应答角色的每一应答数据对应的句向量生成所述第二句向量集。

5.根据权利要求1所述的方法，其特征在于，所述基于所述多个对话应答模型确定所述提问请求的多个应答数据包括：

根据预设字词典将所述提问请求中提问数据转换成句向量；

基于所述多个对话应答模型对所述句向量进行应答识别，得到所述句向量对应的多个应答向量；

根据所述预设字词典将所述多个应答向量转化成所述多个应答数据。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述多个应答数据反馈给所述对话对象。

7.一种智能对话装置，其特征在于，所述装置包括：

对话角色选取指令接收模块，用于接收对话对象的对话角色选取指令，所述对话角色选取指令包括问答角色信息；所述问答角色信息包括一个应答角色；

对话应答模型确定模块，用于基于对话应答模型库确定与所述问答角色信息相对应的目标对话应答模型，所述对话应答模型库包括与多组应答角色组中每一组应答角色组对应的对话应答模型，任一组应答角色组包括一个指定应答角色和所述指定应答角色对应的多个指定提问角色；所述目标对话应答模型包括多个对话应答模型，任一对话应答模型为以所述应答角色对应的多个指定提问角色中的任一提问角色的对话数据为预设深度学习模型的输入，以所述应答角色的对话数据为所述预设深度学习模型的输出，对所述预设深度学习模型进行训练得到的；

提问请求接收模块，用于接收所述对话对象的提问请求；

应答数据确定模块，用于基于所述多个对话应答模型确定所述提问请求的多个应答数据，每个对话应答模型对应一个应答数据。

8.根据权利要求7所述的装置，其特征在于，所述任一对话应答模型包括采用下述模块确定：

对话数据获取模块，用于获取所述应答角色与所述应答角色对应的多个指定提问角色中的任一提问角色间的对话数据；

第一句向量集确定模块，用于确定所述对话数据中所述任一提问角色的提问数据的第一句向量集；

第二句向量集确定模块，用于确定所述对话数据中所述应答角色的应答数据的第二句向量集；

预测句向量集确定模块，用于基于所述第一句向量集对预设深度学习模型进行对话应答训练，得到预测应答数据的句向量集；

损失值计算模块，用于计算所述预测应答数据的句向量集与所述第二句向量集间的损失值；

模型调整训练模块，用于当所述损失值大于等于预设阈值时，调整所述预设深度学习模型中的模型参数，基于所述第一句向量集对调整模型参数后的预设深度学习模型进行对话应答训练，至当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值；

目标对话应答模型确定单元，用于将当前输出的预测应答数据的句向量集与所述第二句向量集间的损失值小于所述预设阈值时所对应的预设深度学习模型作为所述任一对话应答模型。

9.根据权利要求8所述的装置，其特征在于，所述对话数据获取模块包括：

第二对话数据获取单元，用于获取指定资源库中所述应答角色与所述任一提问角色间的对话数据。

10.根据权利要求8所述的装置，其特征在于，所述第一句向量集确定模块包括：

第一句向量转换单元，用于根据预设字词典将所述提问角色的每一提问数据转换成句向量；

第一句向量集生成单元，用于基于所述任一提问角色的每一提问数据对应的句向量生成所述第一句向量集；

所述第二句向量集确定模块包括：

第二句向量转换单元，用于根据预设字词典将所述应答角色的每一应答数据转换成句向量；

第二句向量集生成单元，用于基于所述应答角色的每一应答数据对应的句向量生成所述第二句向量集。

11.根据权利要求7所述的装置，其特征在于，所述应答数据确定模块包括：

第三句向量转换单元，用于根据预设字词典将所述提问请求中提问数据转换成句向量；

应答识别单元，用于基于所述多个对话应答模型对所述句向量进行应答识别，得到所述句向量对应的多个应答向量；

应答数据确定单元，用于根据所述预设字词典将所述多个应答向量转化成所述多个应答数据。

12.根据权利要求7所述的装置，其特征在于，所述装置还包括：

应答数据反馈模块，用于将所述多个应答数据反馈给所述对话对象。

13.根据权利要求12所述的装置，其特征在于，所述应答数据反馈模块包括：

语音转换处理单元，用于对所述多个应答数据进行语音转换处理，得到所述多个应答数据的语音信息；

应答数据反馈单元，用于将所述语音信息反馈给所述对话对象；

或，

应答数据显示单元，用于将所述多个应答数据显示在应答显示界面。

14.一种智能对话设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的智能对话方法。

15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一所述的智能对话方法。

Images