CN110413760B - 人机对话方法、装置、存储介质及计算机程序产品 - Google Patents
人机对话方法、装置、存储介质及计算机程序产品 Download PDFInfo
- Publication number
- CN110413760B CN110413760B CN201910703235.XA CN201910703235A CN110413760B CN 110413760 B CN110413760 B CN 110413760B CN 201910703235 A CN201910703235 A CN 201910703235A CN 110413760 B CN110413760 B CN 110413760B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- node
- current
- graph
- heterogeneous
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本申请提出一种人机对话方法、装置、存储介质及计算机程序产品,其中方法包括:确定当前对话主题以及用户的当前话语信息;根据当前话语信息,确定用户的当前话语表征向量;结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识;根据当前话语信息以及当前知识,生成当前语句对应的回复语句,其中,异构知识图基于结构化知识和非结构化知识创建得到,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种人机对话方法、装置、存储介质及计算机程序产品。
背景技术
目前的对话系统中,针对对话主题,对应的背景知识包括结构化知识和非结构化知识,而对话系统只考虑其中一种知识,对其中一种知识中的各个知识进行向量化表示,得到各个知识的知识表征;获取用户当前话语和上文信息对应的话语表征;根据各个知识的知识表征和话语表征,结合神经网络模型等,从各个知识中选择部分知识用于生成当前话语对应的回复语句。
然而,上述方案中,若只考虑结构化知识,由于结构化知识一般为实体或词等,导致无法生成内容丰富的回复语句;若只考虑非结构化语句,由于非结构化语句一般为句子,缺乏结构化组织,难以选取出合适的知识,且根据多个句子生成得到的回复语句容易存在错乱或者与实际事实不符的问题。另外,上述方案存在知识选取准确度低,且解释性差的问题。
发明内容
本申请的目的旨在至少在一定程度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人机对话方法,该方法中异构知识图基于结构化知识和非结构化知识创建得到,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
本申请的第二个目的在于提出一种人机对话装置。
本申请的第三个目的在于提出另一种人机对话装置。
本申请的第四个目的在于提出一种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人机对话方法,包括:确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;根据所述当前话语信息,确定用户的当前话语表征向量;结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句。
本申请实施例的人机对话方法,通过确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;根据所述当前话语信息,确定用户的当前话语表征向量;结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句。其中,异构知识图基于结构化知识和非结构化知识创建得到,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
为达上述目的,本申请第二方面实施例提出了一种人机对话装置,包括:确定模块,用于确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;所述确定模块,还用于根据所述当前话语信息,确定用户的当前话语表征向量;知识选取模块,用于结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;生成模块,用于根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句。
本申请实施例的人机对话装置,通过确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;根据所述当前话语信息,确定用户的当前话语表征向量;结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句。其中,异构知识图基于结构化知识和非结构化知识创建得到,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
为达上述目的,本申请第三方面实施例提出了另一种人机对话装置,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上所述的人机对话方法。
为了实现上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的人机对话方法。
为了实现上述目的,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,实现如上所述的图嵌入模型的训练方法。
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是根据本申请第一个实施例的人机对话方法的流程示意图;
图2是根据本申请第二个实施例的人机对话方法的流程示意图;
图3是根据本申请第三个实施例的人机对话方法的流程示意图;
图4是根据本申请第四个实施例的人机对话方法的流程示意图;
图5是根据本申请第一个实施例的人机对话装置的结构示意图;
图6是根据本申请第二个实施例的人机对话装置的结构示意图;
图7是根据本申请第三个实施例的人机对话装置的结构示意图;
图8是根据本申请第四个实施例的人机对话装置的结构示意图;
图9是根据本申请第五个实施例的人机对话装置的结构示意图;
图10是根据本申请第一个实施例的另一种人机对话装置的结构示意图。
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人机对话方法、装置、计算机可读存储介质及计算机程序产品。
图1为本申请实施例提供的一种人机对话方法的流程示意图。如图1所示,该人机对话方法包括以下步骤:
步骤101,确定当前对话主题以及用户的当前话语信息,当前话语信息包括:用户的当前语句以及上文对话语句。
其中,当前的对话主题可以是人机对话前选好的对话主题,也可以是人机对话过程中,根据对话语句确定得到的对话主题。本申请不做限制。例如,对话主题可以为经济、体育、电影等。
另外,在本申请实施例中,当前话语信息可包括:用户的当前语句以及上文对话语句。如,当前话语信息为用户当前对话语句和前几轮对话话语。其中,用户的对话方式可以为文字对话,也可以为语音对话,本申请不做限制。优选地,当前话语信息为文字形式。
步骤102,根据当前话语信息,确定用户的当前话语表征向量。
不难理解的是,为了更准确地体现用户的当前话语信息中实体信息之间的关系,在确定当前对话主题以及用户的当前话语信息之后,可根据当前话语信息,采用第一预设算法对用户的当前语句以及上文对话语句进行表征,其中,第一预设算法可以分为无监督算法和监督算法。
例如,无监督算法可包括但不限于在独热码(One-hot)词语语义表征的基础上使用词袋模型(Bag-of-Words)的算法、用产生词向量的相关模型(word2vec)来替换One-hot词向量,使用Bag-of-Words技术,构成句子向量的算法、基于自编码器,标签产生自输入数据的算法、段向量(Paragraph Vector)算法等。又例如,监督算法可包括但不限于针对某个特定的自然语言处理任务训练得到的算法。
步骤103,结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识;异构知识图根据当前对话主题对应的结构化知识以及非结构化知识构建得到。
为了更好地提高知识选取的准确度和根据用户的当前话语信息进行生成内容丰富的回复语句,进一步地,在获取到用户当前话语信息和当前话语表征向量之后,可对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识。其中,异构知识图可根据当前对话主题对应的结构化知识以及非结构化知识构建得到。另外,异构知识图中可包括:多个节点,多个节点之间通过边连接,每个节点对应一个知识;每个节点对应一个知识表征向量,每个边对应一个知识表征向量。
可以理解的是,结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识之前,可先得到对话主题对应的异构知识图和预设的图推理模型。其中,对话主题对应的异构知识图可根据当前对话主题的结构化知识和非结构化知识进行构建得到。具体实现方式可参见后续实施例的具体描述。另外,预设的图推理模型可预先通过获取训练数据,训练数据包括:大于预设数量的话语表征向量、起始节点以及推理得到的节点;根据训练数据,对初始的图推理模型进行训练得到。
可选地,如图2所示,结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识,具体步骤如下:
步骤201,根据当前话语信息,查询异构知识图中各个节点对应的知识,获取与当前话语信息匹配的至少一个候选节点。
作为一种示例,对当前话语信息中用户的当前语句以及上文对话语句进行分词,获取分词词语;根据分词词语,查询异构知识图中各个节点对应的知识,将与分词词语匹配的知识对应的节点确定为候选节点。
也就是说,对当前话语信息中用户的当前语句以及上文对话语句进行分词和命名实体分析,获取分词词语;之后,根据分词词语,查询异构知识图中各个节点对应的知识,将分词词语与异构知识图中知识对应的节点进行匹配,将与分词词语匹配的知识对应的节点确定为候选节点。
另外,如果未获取到候选节点,则将异构知识图中包括有分词词语的知识对应的节点,确定为候选节点。
步骤202,根据当前话语表征向量,以及至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点。
进一步地,在获取与当前话语信息匹配的至少一个候选节点之后,可根据当前话语表征向量,以及至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点。
可选地,确定当前话语表征向量,与至少一个候选节点对应的知识表征向量之间的相似度;将对应的相似度最大的候选节点,确定为进行图推理计算的起始节点。比如,选取与用户当前话语最相关的(相关性使用余弦相似度进行衡量)节点作为图推理计算的起始节点。
步骤203,结合当前话语表征向量、起始节点以及预设的图推理模型,对异构知识图进行图推理计算,获取推理得到的节点。
具体地,获取到图推理计算的起始节点之后,可使用图推理算法,基于用户当前话语表征向量对异构知识图从起始节点进行推理计算,从而获取推理得到的节点。其中,图推理算法可以是但不限于深度学习框架算法(MINERVA)。
步骤204,将推理得到的节点对应的知识,确定为与当前话语信息对应的当前知识。
进一步地,将推理得到的节点对应的知识,确定为与当前话语信息对应的当前知识。
步骤104,根据当前话语信息以及当前知识,生成当前语句对应的回复语句。
不难理解的是,在本申请实施例中,根据用户的当前话语信息以及基于当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识,生成当前语句对应的回复语句。
作为一种示例,根据用户的当前话语信息以及基于当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识后,可使用带复制机制的循环神经网络中输入与输出序列长度不同(seq2seq)模型生成当前语句对应的回复语句。比如,在seq2seq模型中,输入用户的当前话语信息和当前知识,seq2seq模型可输出与当前语句对应的回复语句。
作为另一种示例,根据用户的当前话语信息以及基于当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识后,可将当前知识以及当前话语信息输入预设的搜索模型,获取与当前知识以及当前话语信息匹配的语句,将匹配的语句作为当前语句对应的回复语句。
另外,为了进一步地提高回复语句的准确度,根据当前话语信息以及当前知识,生成当前语句对应的回复语句之前,还可以根据外挂词典对当前知识进行调整,删除当前知识中不符合条件的词语,以及对当前知识中的部分词语进行更新。例如,删除当前知识中涉及黄赌毒的词语,将当前知识中的部分词语更新为具有相同含义的新词。新词指的是,最新出现,且被频繁使用的词语。
需要说明的是,结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识之前,可先得到对话主题对应的异构知识图。如图3所示,对话主题对应的异构知识图可根据当前对话主题的结构化知识和非结构化知识进行构建得到。具体步骤如下:
步骤301,获取各个对话主题,以及每个对话主题对应的结构化知识和非结构化知识。
可以理解的是,为了得到对话主题对应的异构知识图,首先可获取各个对话主题,另外,为了更加清楚地说明对话主题,之后,获取每个对话主题对应的结构化知识和非结构化知识。其中,对话主题对应的结构化知识可以是对话主题对应的实体和/或词等,数量可为多个;对话主题对应的非结构化知识可以为描述对话主题的语句或者段落,数量可为多个。需要说明的是,各个对话主题对应的结构化知识和非结构化知识可以从与对话主题相关的网页和知识库中挖掘得到,例如,从概念网络中获取各个对话主题对应的结构化知识,从维基百科、百度百科等网页获取各个对话主题对应的非结构化知识。当然,各个对话主题对应的结构化知识和非结构化知识的来源也可能是人工给出,比如请数据专员针对各个对话主题写出几句相关的非结构化知识。本申请不做限制。
步骤302,针对每个对话主题,根据对话主题对应的结构化知识,构建异构知识图的多个骨干节点,以及多个骨干节点之间的边。
本实施例中,针对每个对话主题,可以将对应的知识化知识中的各个实体和/或词作为骨干节点,根据各个实体和/或词之间的关联关系或者共现关系等构建各个骨干节点之间的边。
步骤303,对对话主题对应的非结构化知识进行句子切分,得到多个切分后的句子。
步骤304,将多个切分后的句子作为非骨干节点,构建非骨干节点与骨干节点之间的边,得到对话主题对应的异构知识图。
本申请实施例中,获取到各个对话主题,以及每个对话主题对应的结构化知识和非结构化知识之后,针对每个对话主题,根据对话主题对应的结构化知识构建异构知识图的多个骨干节点,以及多个骨干节点之间的边,作为异构知识图的基本框架。然后,将对话主题对应的非结构化知识可按照句子粒度进行分割,并将得到的知识句添加到已有的异构知识图中,作为非骨干节点。
最后,为了更好地连接异构知识图中的骨干节点和非骨干节点,作为一种示例,可对非结构化知识中的句子进行分词以及实体识别,以获取句子中的实体,并将句子中的实体与异构知识图中各个骨干节点对应的知识进行比对,可获取与句子匹配的骨干节点,之后,构建句子对应的非骨干节点与匹配的骨干节点之间的边,该边可将异构知识图中的骨干节点和非骨干节点连接,从而得到对话主题对应的异构知识图。
作为另一种示例,将多个切分后的句子作为非骨干节点,构建非骨干节点与骨干节点之间的边时,可判断是否存在未匹配到骨干节点的第一句子,若存在第一句子,可统计第一句子中各个分词词语的词频;结合各个分词词语的词频以及预设的节点选取策略,从各个分词词语中选取第一分词词语;将所述第一分词词语作为骨干节点添加到异构知识图中,并建立第一分词词语与其他骨干节点之间的边;获取与所述第一句子匹配的第一骨干节点;构建所述第一句子对应的非骨干节点与所述第一骨干节点之间的边;重复执行上述判断过程,直至不存在未匹配到骨干节点的第一句子。其中,节点选取策略可以为对应的词频大于预设词频阈值。
也就是说,将多个切分后的句子作为非骨干节点,构建非骨干节点与骨干节点之间的边时,可判断是否还有非结构化知识中的句子未加入到异构知识图中,如果存在非结构化知识中的句子未加入到异构知识图中,可对未加入到异构知识图中的所有句子中的重要词(主要是名词和形容词)进行词频统计,之后,可选取对应的词频大于预设词频阈值的重要词,将对应的词频大于预设词频阈值的重要词作为骨干节点添加到异构知识图中,之后,为了将该骨干节点与其他节点更好地连接,建立该选取的重要词与其他骨干节点之间的边,之后,获取与该句子相匹配的骨干节点和对应的非骨干节点,构建该句子对应的骨干节点和非骨干节点对应的边,将该句子对应的骨干节点和非骨干节点连接,重复执行上述判断过程,直至所有的非结构化知识句都添加到异构知识图中。其中,需要说明的是,节点间的连接方式可以是从更大的外部知识库中获取关联信息以连接,也可以是词共现作为连接依据,本申请不做限制。
另外,为了提高知识选取过程的可解释性和泛化能力,将多个切分后的句子作为非骨干节点,构建非骨干节点与骨干节点之间的边,得到对话主题对应的异构知识图之后,可选地,如图4所示,对异构知识图中节点的拓扑结构信息和语义信息进行表征,然后将两者进行融合,从而得到节点的知识表征向量。具体步骤如下:
步骤401,根据异构知识图中的拓扑结构,确定异构知识图中每个节点对应的第一向量,以及每个边对应的第一向量。
在本申请实施例中,为了更好地获取异构知识图中节点的拓扑结构信息表征向量,可先不考虑异构知识图中节点的知识内容,在仅考虑其拓扑结构的情况下,可使用第二预设算法对异构知识图的拓扑结构进行表征。表征完成后,异构知识图中所有节点和边均可用一个包含其拓扑结构信息的向量表示。其中,第二预设算法可包括但不限于多元关系数据嵌入(Translating embeddings for modeling multi-relational data ,简称transE)、通过动态映射矩阵嵌入(Knowledge graph embedding via dynamic mappingmatrix,简称transD)等。
步骤402,根据异构知识图中每个节点的知识,确定异构知识图中每个节点对应的第二向量,以及每个边对应的第二向量。
接着,为了更好地获取异构知识图中节点的知识内容的表征向量,可不考虑异构知识图中的拓扑结构,仅考虑节点自身的知识内容,可使用第三预设算法对异构知识图的节点自身的知识内容进行表征。表征完成后,异构知识图中所有节点和边都可用一个包含知识内容的语义信息的向量表示。
步骤403,针对每个节点,对节点对应的第一向量和第二向量进行拼接,得到节点对应的知识表征向量。
步骤404,针对每个边,对边对应的第一向量和第二向量进行拼接,得到边对应的知识表征向量。
进一步地,将异构知识图中每个节点的对应拓扑结构信息的向量与知识内容的语义信息的向量进行拼接,将拼接后的向量作为异构知识图中所有节点对应的知识表征向量。比如:节点对应的拓扑结构信息的向量为{A1, A2},节点对应的知识内容的语义信息的向量为{A3, A4},拼接后得到的向量为{ A1, A2 , A3, A4},则节点对应的知识表征向量为{ A1, A2 , A3, A4}。另外,将异构知识图中每个边对应拓扑结构信息的向量与知识内容的语义信息的向量进行拼接,可得到异构知识图中所有边对应的知识表征向量。
本申请实施例的人机对话方法,通过确定当前对话主题以及用户的当前话语信息,当前话语信息包括:用户的当前语句以及上文对话语句;根据当前话语信息,确定用户的当前话语表征向量;结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识;异构知识图根据当前对话主题对应的结构化知识以及非结构化知识构建得到;根据当前话语信息以及当前知识,生成当前语句对应的回复语句。其中,异构知识图基于结构化知识和非结构化知识,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
与上述几种实施例提供的人机对话方法相对应,本申请的实施例还提供一种人机对话装置,由于本申请实施例提供的人机对话装置与上述几种实施例提供的人机对话方法相对应,因此在前述人机对话方法的实施方式也适用于本实施例提供的人机对话装置,在本实施例中不再详细描述。图5为根据本申请一个实施例的人机对话装置的结构示意图。如图5所示,该人机对话装置包括:确定模块510、知识选取模块520、生成模块530。
其中,确定模块510,用于确定当前对话主题以及用户的当前话语信息,当前话语信息包括:用户的当前语句以及上文对话语句;确定模块510,还用于根据所述当前话语信息,确定用户的当前话语表征向量;知识选取模块520,用于结合当前话语信息以及当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识;异构知识图根据当前对话主题对应的结构化知识以及非结构化知识构建得到;生成模块530,用于根据当前话语信息以及所述当前知识,生成当前语句对应的回复语句。
作为本申请实施例的一种可能实现的方式,异构知识图中包括:多个节点,所述多个节点之间通过边连接,每个节点对应一个知识;每个节点对应一个知识表征向量,每个边对应一个知识表征向量;另外,如图6所示,在图5所示基础上,知识选取模块520包括查询单元521、确定单元522、推理单元523。
其中,查询单元521,用于根据当前话语信息,查询异构知识图中各个节点对应的知识,获取与当前话语信息匹配的至少一个候选节点;确定单元522,用于根据当前话语表征向量,以及至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点;推理单元523,用于结合当前话语表征向量、起始节点以及预设的图推理模型,对异构知识图进行图推理计算,获取推理得到的节点;确定单元522,还用于将推理得到的节点对应的知识,确定为与当前话语信息对应的当前知识。
作为本申请实施例的一种可能实现的方式,查询单元521具体用于,对当前话语信息中用户的当前语句以及上文对话语句进行分词,获取分词词语;根据分词词语,查询异构知识图中各个节点对应的知识,将与分词词语匹配的知识对应的节点确定为候选节点。
作为本申请实施例的一种可能实现的方式,查询单元521具体还用于,若未获取到候选节点,则将异构知识图中包括有分词词语的知识对应的节点,确定为候选节点。
作为本申请实施例的一种可能实现的方式,确定单元522具体用于,确定当前话语表征向量,与至少一个候选节点对应的知识表征向量之间的相似度;将对应的相似度最大的候选节点,确定为进行图推理计算的起始节点。
作为本申请实施例的一种可能实现的方式,如图7,在图5所示基础上,人机对话装置还包括:第一获取模块540、构建模块550和切分模块560。
其中,第一获取模块540,用于获取各个对话主题,以及每个对话主题对应的结构化知识和非结构化知识;构建模块550,用于针对每个对话主题,根据所述对话主题对应的结构化知识,构建异构知识图的多个骨干节点,以及多个骨干节点之间的边;切分模块560,用于对对话主题对应的非结构化知识进行句子切分,得到多个切分后的句子;构建模块550,还用于将多个切分后的句子作为非骨干节点,构建非骨干节点与骨干节点之间的边,得到对话主题对应的异构知识图。
作为本申请实施例的一种可能实现的方式,构建模块550具体用于,针对每个切分后的句子,将句子作为非骨干节点;对句子进行分词以及实体识别,获取句子中的实体;将句子中的实体,与异构知识图中各个骨干节点对应的知识进行比对,获取与句子匹配的骨干节点;构建句子对应的非骨干节点,与匹配的骨干节点之间的边。
作为本申请实施例的一种可能实现的方式,构建模块550具体还用于,判断是否存在未匹配到骨干节点的第一句子;若存在第一句子,统计第一句子中各个分词词语的词频;结合各个分词词语的词频以及预设的节点选取策略,从各个分词词语中选取第一分词词语;将第一分词词语作为骨干节点添加到异构知识图中,并建立第一分词词语与其他骨干节点之间的边;获取与第一句子匹配的第一骨干节点;构建第一句子对应的非骨干节点,与第一骨干节点之间的边;重复执行上述判断过程,直至不存在未匹配到骨干节点的第一句子。
作为本申请实施例的一种可能实现的方式,如图8所示,在图7所示基础上,人机对话装置还包括:拼接模块570。
其中,确定模块510,还用于根据异构知识图中的拓扑结构,确定异构知识图中每个节点对应的第一向量,以及每个边对应的第一向量;确定模块510,还用于根据异构知识图中每个节点的知识,确定异构知识图中每个节点对应的第二向量,以及每个边对应的第二向量;拼接模块570,用于针对每个节点,对节点对应的第一向量和第二向量进行拼接,得到节点对应的知识表征向量;拼接模块570,还用于针对每个边,对边对应的第一向量和第二向量进行拼接,得到边对应的知识表征向量。
作为本申请实施例的一种可能实现的方式,如图9所示,在图6所示基础上,人机装置还包括:第二获取模块580和训练模块590。
其中,第二获取模块580,用于获取训练数据,训练数据包括:大于预设数量的话语表征向量、起始节点以及推理得到的节点;训练模块590,用于根据训练数据,对初始的图推理模型进行训练,得到预设的图推理模型。
本申请实施例的人机对话装置,通过确定当前对话主题以及用户的当前话语信息,当前话语信息包括:用户的当前语句以及上文对话语句;根据当前话语信息,确定用户的当前话语表征向量;结合当前话语信息以及所述当前话语表征向量,对当前对话主题对应的异构知识图进行图推理计算,从异构知识图中选取与当前话语信息对应的当前知识;异构知识图根据当前对话主题对应的结构化知识以及非结构化知识构建得到;根据当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句。其中,异构知识图基于结构化知识和非结构化知识创建得到,能够生成内容丰富的回复语句,另外,图推理算法的采用,可以提高知识选取的准确度,使得知识选取过程具有很好的可解释性,泛化能力好,同时,降低整体方案对带标注语料的依赖。
为了实现上述实施例,本申请实施例还提出另一种人机对话装置。图10为本申请实施例提供的另一种人机对话装置的结构示意图。该人机对话装置包括:
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人机对话方法。
进一步地,人机对话装置还包括:
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人机对话方法。
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(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,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10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申请实施例的一个或多个集成电路。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的人机对话方法。
本申请还提供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,实现如上所述的人机对话方法。
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申请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。在本申请的描述中,“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,并且本申请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,这应被本申请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,本申请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,在本申请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申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (20)
1.一种人机对话方法,其特征在于,包括:
确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;
根据所述当前话语信息,确定用户的当前话语表征向量;
结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;
根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句;
所述结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识之前,还包括:
获取各个对话主题,以及每个对话主题对应的结构化知识和非结构化知识;
针对每个对话主题,根据所述对话主题对应的结构化知识,构建异构知识图的多个骨干节点,以及多个骨干节点之间的边;
对所述对话主题对应的非结构化知识进行句子切分,得到多个切分后的句子;
将所述多个切分后的句子作为非骨干节点,构建所述非骨干节点与所述骨干节点之间的边,得到所述对话主题对应的异构知识图。
2.根据权利要求1所述的方法,其特征在于,所述异构知识图中包括:多个节点,所述多个节点之间通过边连接,每个节点对应一个知识;每个节点对应一个知识表征向量,每个边对应一个知识表征向量;
所述结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识,包括:
根据所述当前话语信息,查询所述异构知识图中各个节点对应的知识,获取与所述当前话语信息匹配的至少一个候选节点;
根据所述当前话语表征向量,以及所述至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点;
结合所述当前话语表征向量、所述起始节点以及预设的图推理模型,对所述异构知识图进行图推理计算,获取推理得到的节点;
将推理得到的节点对应的知识,确定为与所述当前话语信息对应的当前知识。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前话语信息,查询所述异构知识图中各个节点对应的知识,获取与所述当前话语信息匹配的至少一个候选节点,包括:
对所述当前话语信息中用户的当前语句以及上文对话语句进行分词,获取分词词语;
根据所述分词词语,查询所述异构知识图中各个节点对应的知识,将与所述分词词语匹配的知识对应的节点确定为候选节点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述当前话语信息,查询所述异构知识图中各个节点对应的知识,获取与所述当前话语信息匹配的至少一个候选节点,还包括:
若未获取到所述候选节点,则将所述异构知识图中包括有所述分词词语的知识对应的节点,确定为候选节点。
5.根据权利要求2所述的方法,其特征在于,所述根据所述当前话语表征向量,以及所述至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点,包括:
确定所述当前话语表征向量,与所述至少一个候选节点对应的知识表征向量之间的相似度;
将对应的相似度最大的候选节点,确定为进行图推理计算的起始节点。
6.根据权利要求1所述的方法,其特征在于,所述将所述多个切分后的句子作为非骨干节点,构建所述非骨干节点与所述骨干节点之间的边,得到所述对话主题对应的异构知识图,包括:
针对每个切分后的句子,将所述句子作为非骨干节点;
对所述句子进行分词以及实体识别,获取所述句子中的实体;
将所述句子中的实体,与所述异构知识图中各个骨干节点对应的知识进行比对,获取与所述句子匹配的骨干节点;
构建所述句子对应的非骨干节点,与所述匹配的骨干节点之间的边。
7.根据权利要求6所述的方法,其特征在于,所述将所述多个切分后的句子作为非骨干节点,构建所述非骨干节点与所述骨干节点之间的边,得到所述对话主题对应的异构知识图,还包括:
判断是否存在未匹配到骨干节点的第一句子;
若存在所述第一句子,统计所述第一句子中各个分词词语的词频;
结合各个分词词语的词频以及预设的节点选取策略,从所述各个分词词语中选取第一分词词语;
将所述第一分词词语作为骨干节点添加到异构知识图中,并建立所述第一分词词语与其他骨干节点之间的边;
获取与所述第一句子匹配的第一骨干节点;
构建所述第一句子对应的非骨干节点,与所述第一骨干节点之间的边;
重复执行上述判断过程,直至不存在未匹配到骨干节点的第一句子。
8.根据权利要求1所述的方法,其特征在于,将所述多个切分后的句子作为非骨干节点,构建所述非骨干节点与所述骨干节点之间的边,得到所述对话主题对应的异构知识图之后,还包括:
根据所述异构知识图中的拓扑结构,确定所述异构知识图中每个节点对应的第一向量,以及每个边对应的第一向量;
根据所述异构知识图中每个节点的知识,确定所述异构知识图中每个节点对应的第二向量,以及每个边对应的第二向量;
针对每个节点,对所述节点对应的第一向量和第二向量进行拼接,得到所述节点对应的知识表征向量;
针对每个边,对所述边对应的第一向量和第二向量进行拼接,得到所述边对应的知识表征向量。
9.根据权利要求2所述的方法,其特征在于,所述结合所述当前话语表征向量、所述起始节点以及预设的图推理模型,对所述异构知识图进行图推理计算,获取推理得到的节点之前,还包括:
获取训练数据,所述训练数据包括:大于预设数量的话语表征向量、起始节点以及推理得到的节点;
根据所述训练数据,对初始的图推理模型进行训练,得到所述预设的图推理模型。
10.一种人机对话装置,其特征在于,包括:
确定模块,用于确定当前对话主题以及用户的当前话语信息,所述当前话语信息包括:用户的当前语句以及上文对话语句;
所述确定模块,还用于根据所述当前话语信息,确定用户的当前话语表征向量;
知识选取模块,用于结合所述当前话语信息以及所述当前话语表征向量,对所述当前对话主题对应的异构知识图进行图推理计算,从所述异构知识图中选取与所述当前话语信息对应的当前知识;所述异构知识图根据所述当前对话主题对应的结构化知识以及非结构化知识构建得到;
生成模块,用于根据所述当前话语信息以及所述当前知识,生成所述当前语句对应的回复语句;
所述的装置,还包括:第一获取模块、构建模块和切分模块;
所述第一获取模块,用于获取各个对话主题,以及每个对话主题对应的结构化知识和非结构化知识;
所述构建模块,用于针对每个对话主题,根据所述对话主题对应的结构化知识,构建异构知识图的多个骨干节点,以及多个骨干节点之间的边;
所述切分模块,用于对所述对话主题对应的非结构化知识进行句子切分,得到多个切分后的句子;
所述构建模块,还用于将所述多个切分后的句子作为非骨干节点,构建所述非骨干节点与所述骨干节点之间的边,得到所述对话主题对应的异构知识图。
11.根据权利要求10所述的装置,其特征在于,所述异构知识图中包括:多个节点,所述多个节点之间通过边连接,每个节点对应一个知识;每个节点对应一个知识表征向量,每个边对应一个知识表征向量;
所述知识选取模块,包括:
查询单元,用于根据所述当前话语信息,查询所述异构知识图中各个节点对应的知识,获取与所述当前话语信息匹配的至少一个候选节点;
确定单元,用于根据所述当前话语表征向量,以及所述至少一个候选节点对应的知识表征向量,确定进行图推理计算的起始节点;
推理单元,用于结合所述当前话语表征向量、所述起始节点以及预设的图推理模型,对所述异构知识图进行图推理计算,获取推理得到的节点;
所述确定单元,还用于将推理得到的节点对应的知识,确定为与所述当前话语信息对应的当前知识。
12.根据权利要求11所述的装置,其特征在于,所述查询单元具体用于,
对所述当前话语信息中用户的当前语句以及上文对话语句进行分词,获取分词词语;
根据所述分词词语,查询所述异构知识图中各个节点对应的知识,将与所述分词词语匹配的知识对应的节点确定为候选节点。
13.根据权利要求12所述的装置,其特征在于,所述查询单元具体还用于,
若未获取到所述候选节点,则将所述异构知识图中包括有所述分词词语的知识对应的节点,确定为候选节点。
14.根据权利要求11所述的装置,其特征在于,所述确定单元具体用于,
确定所述当前话语表征向量,与所述至少一个候选节点对应的知识表征向量之间的相似度;
将对应的相似度最大的候选节点,确定为进行图推理计算的起始节点。
15.根据权利要求10所述的装置,其特征在于,所述构建模块具体用于,
针对每个切分后的句子,将所述句子作为非骨干节点;
对所述句子进行分词以及实体识别,获取所述句子中的实体;
将所述句子中的实体,与所述异构知识图中各个骨干节点对应的知识进行比对,获取与所述句子匹配的骨干节点;
构建所述句子对应的非骨干节点,与所述匹配的骨干节点之间的边。
16.根据权利要求15所述的装置,其特征在于,所述构建模块具体还用于,
判断是否存在未匹配到骨干节点的第一句子;
若存在所述第一句子,统计所述第一句子中各个分词词语的词频;
结合各个分词词语的词频以及预设的节点选取策略,从所述各个分词词语中选取第一分词词语;
将所述第一分词词语作为骨干节点添加到异构知识图中,并建立所述第一分词词语与其他骨干节点之间的边;
获取与所述第一句子匹配的第一骨干节点;
构建所述第一句子对应的非骨干节点,与所述第一骨干节点之间的边;
重复执行上述判断过程,直至不存在未匹配到骨干节点的第一句子。
17.根据权利要求10所述的装置,其特征在于,还包括:拼接模块;
所述确定模块,还用于根据所述异构知识图中的拓扑结构,确定所述异构知识图中每个节点对应的第一向量,以及每个边对应的第一向量;
所述确定模块,还用于根据所述异构知识图中每个节点的知识,确定所述异构知识图中每个节点对应的第二向量,以及每个边对应的第二向量;
所述拼接模块,用于针对每个节点,对所述节点对应的第一向量和第二向量进行拼接,得到所述节点对应的知识表征向量;
所述拼接模块,还用于针对每个边,对所述边对应的第一向量和第二向量进行拼接,得到所述边对应的知识表征向量。
18.根据权利要求11所述的装置,其特征在于,还包括:第二获取模块和训练模块;
所述第二获取模块,用于获取训练数据,所述训练数据包括:大于预设数量的话语表征向量、起始节点以及推理得到的节点;
所述训练模块,用于根据所述训练数据,对初始的图推理模型进行训练,得到所述预设的图推理模型。
19.一种人机对话装置,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1-9任一所述的人机对话方法。
20.一种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1-9任一所述的人机对话方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703235.XA CN110413760B (zh) | 2019-07-31 | 2019-07-31 | 人机对话方法、装置、存储介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910703235.XA CN110413760B (zh) | 2019-07-31 | 2019-07-31 | 人机对话方法、装置、存储介质及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110413760A CN110413760A (zh) | 2019-11-05 |
CN110413760B true CN110413760B (zh) | 2022-06-21 |
Family
ID=68364778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910703235.XA Active CN110413760B (zh) | 2019-07-31 | 2019-07-31 | 人机对话方法、装置、存储介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110413760B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090740B (zh) * | 2019-12-05 | 2023-09-29 | 北京轮子科技有限公司 | 一种用于对话系统的知识图谱生成方法 |
CN111177339B (zh) * | 2019-12-06 | 2023-07-25 | 百度在线网络技术(北京)有限公司 | 对话生成方法、装置、电子设备及存储介质 |
CN111324712A (zh) * | 2020-02-18 | 2020-06-23 | 山东汇贸电子口岸有限公司 | 对话回复方法及服务端 |
CN111475614B (zh) * | 2020-03-09 | 2023-08-25 | 百度在线网络技术(北京)有限公司 | 知识推理对话方法、装置、电子设备和存储介质 |
CN112271001B (zh) * | 2020-11-17 | 2022-08-16 | 中山大学 | 一种应用异构图神经网络的医疗咨询对话系统及方法 |
CN112507103A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 任务型对话及模型训练方法、装置、设备和存储介质 |
CN112487173B (zh) * | 2020-12-18 | 2021-09-10 | 北京百度网讯科技有限公司 | 人机对话方法、设备和存储介质 |
CN114119123A (zh) * | 2021-03-11 | 2022-03-01 | 北京沃东天骏信息技术有限公司 | 信息推送的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574098A (zh) * | 2015-12-11 | 2016-05-11 | 百度在线网络技术(北京)有限公司 | 知识图谱的生成方法及装置、实体对比方法及装置 |
CN108427707A (zh) * | 2018-01-23 | 2018-08-21 | 深圳市阿西莫夫科技有限公司 | 人机问答方法、装置、计算机设备和存储介质 |
CN108491443A (zh) * | 2018-02-13 | 2018-09-04 | 上海好体信息科技有限公司 | 由计算机实施的与用户对话的方法和计算机系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8332394B2 (en) * | 2008-05-23 | 2012-12-11 | International Business Machines Corporation | System and method for providing question and answers with deferred type evaluation |
US9189742B2 (en) * | 2013-11-20 | 2015-11-17 | Justin London | Adaptive virtual intelligent agent |
-
2019
- 2019-07-31 CN CN201910703235.XA patent/CN110413760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574098A (zh) * | 2015-12-11 | 2016-05-11 | 百度在线网络技术(北京)有限公司 | 知识图谱的生成方法及装置、实体对比方法及装置 |
CN108427707A (zh) * | 2018-01-23 | 2018-08-21 | 深圳市阿西莫夫科技有限公司 | 人机问答方法、装置、计算机设备和存储介质 |
CN108491443A (zh) * | 2018-02-13 | 2018-09-04 | 上海好体信息科技有限公司 | 由计算机实施的与用户对话的方法和计算机系统 |
Non-Patent Citations (2)
Title |
---|
A retrospective of knowledge graphs;Jihong YAN等;《Frontiers of Computer Science》;20161231;全文 * |
基于军事知识图谱的问答系统;窦小强等;《第六届中国指挥控制大会论文集(上册)》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110413760A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413760B (zh) | 人机对话方法、装置、存储介质及计算机程序产品 | |
CN110188168B (zh) | 语义关系识别方法和装置 | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN107729313B (zh) | 基于深度神经网络的多音字读音的判别方法和装置 | |
CN112287670A (zh) | 文本纠错方法、系统、计算机设备及可读存储介质 | |
CN110188350B (zh) | 文本一致性计算方法及装置 | |
US10783877B2 (en) | Word clustering and categorization | |
CN109710087B (zh) | 输入法模型生成方法及装置 | |
US11763816B1 (en) | Natural language processing policies | |
EP1178466B1 (en) | Recognition system using lexical trees | |
US20200160850A1 (en) | Speech recognition system, speech recognition method and computer program product | |
CN110781687B (zh) | 相同意图语句的获取方法及装置 | |
CN112489626A (zh) | 一种信息识别方法、装置及存储介质 | |
CN112632987B (zh) | 词槽的识别方法、装置及电子设备 | |
CN106843523B (zh) | 基于人工智能的文字输入方法和装置 | |
CN111090771A (zh) | 歌曲搜索方法、装置及计算机存储介质 | |
CN115497465A (zh) | 语音交互方法、装置、电子设备和存储介质 | |
CN114625858A (zh) | 一种基于神经网络的政务问答智能回复方法及装置 | |
CN113128205A (zh) | 一种剧本信息处理方法、装置、电子设备及存储介质 | |
CN113515593A (zh) | 基于聚类模型的话题检测方法、装置和计算机设备 | |
CN109993190B (zh) | 一种本体匹配方法、装置和计算机存储介质 | |
CN114254622B (zh) | 一种意图识别方法和装置 | |
CN113988085A (zh) | 文本语义相似度匹配方法、装置、电子设备及存储介质 | |
CN113012685B (zh) | 音频识别方法、装置、电子设备及存储介质 | |
CN113128224A (zh) | 一种中文纠错方法、装置、设备以及可读存储介质 |
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 |