CN110688470B - 用于发送信息的方法和装置 - Google Patents
用于发送信息的方法和装置 Download PDFInfo
- Publication number
- CN110688470B CN110688470B CN201910927641.4A CN201910927641A CN110688470B CN 110688470 B CN110688470 B CN 110688470B CN 201910927641 A CN201910927641 A CN 201910927641A CN 110688470 B CN110688470 B CN 110688470B
- Authority
- CN
- China
- Prior art keywords
- sample
- vector
- dialogue
- knowledge
- target
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本公开实施例公开了用于发送信息的方法和装置。该方法的一具体实施方式包括:获取预设的对话目标和预设的知识图谱,其中,知识图谱包括至少两条知识;对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、对话目标和至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,其中,匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率;根据生成的匹配概率,对答复语句集合中的答复语句进行排序;根据排序结果,从答复语句集合中选取目标答复语句进行发送。该实施方式使选取出的目标答复语句与对话目标、对话上文和知识图谱中的知识更加匹配。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及用于发送信息的方法和装置。
背景技术
近几年,人工智能被应用到了各个领域,其中,人机对话领域占据了非常重要的地位。使机器能够理解人类并自如地与人类沟通交流,是人机对话的研究人员长久以来不懈追求的目标。但是就目前而言,人机对话仍然处于发展较低的阶段。传统的人机对话中,机器扮演的角色常常是被动的,而它的功能更多的是回复人类所提出的问题。事实上,机器如果能够利用已有的信息,主动的引导对话,与用户沟通交流,这将标志着机器朝着智能化的发展更近了一步。
发明内容
本公开实施例提出了用于发送信息的方法和装置。
第一方面,本公开实施例提供了一种用于发送信息的方法,该方法包括:获取预设的对话目标和预设的知识图谱,其中,上述知识图谱包括至少两条知识;对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、上述对话目标和上述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,其中,上述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率;根据生成的匹配概率,对上述答复语句集合中的答复语句进行排序;根据排序结果,从上述答复语句集合中选取目标答复语句进行发送。
在一些实施例中,上述匹配概率生成模型包括向量生成网络和概率生成网络;以及上述将该答复语句、对话上文、上述对话目标和上述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,包括:将该答复语句、对话上文、上述对话目标和上述至少两条知识输入上述向量生成网络,得到匹配用向量;将上述匹配用向量输入上述概率生成网络,得到针对该答复语句的匹配概率,其中,上述概率生成网络用于表征匹配用向量与匹配概率的对应关系。
在一些实施例中,上述向量生成网络包括向量表示网络、编码网络和推理网络;以及上述将该答复语句、对话上文、上述对话目标和上述至少两条知识输入上述向量生成网络,得到匹配用向量,包括:将该答复语句和上述对话上文输入上述向量表示网络,得到针对该答复语句和上述对话上文的联合向量,其中,上述向量表示网络用于根据答复语句和对话上文生成联合向量;分别将上述对话目标和上述至少两条知识作为待编码文本输入上述编码网络,得到待编码文本对应的向量,其中,上述编码网络用于表征文本与向量的对应关系;将上述联合向量、待编码文本对应的向量输入上述推理网络,得到待编码文本对应的向量的加权和向量,其中,上述推理网络用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量;基于上述联合向量和上述加权和向量得到匹配用向量。
在一些实施例中,上述匹配概率生成模型是通过以下方式训练得到的:获取训练样本集合,其中,样本数据包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率;将上述训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到上述匹配概率生成模型。
在一些实施例中,上述训练样本集合是通过以下方式得到的:将样本知识图谱、样本对话目标呈现给第一用户;获取上述第一用户和第二用户之间的样本对话,其中,上述样本对话是上述第一用户基于上述样本知识图谱和样本对话目标与上述第二用户进行对话所产生的;将上述样本知识图谱、上述样本对话目标、上述样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
在一些实施例中,上述知识图谱是通过以下方式得到的:从预设的网站抓取数据;基于所抓取的数据生成至少一个三元组;根据上述至少一个三元组,生成知识图谱,其中,上述知识图谱包括至少两个节点和节点之间的边。
第二方面,本公开实施例提供了一种用于发送信息的装置,上述装置包括:获取单元,被配置成获取预设的对话目标和预设的知识图谱,其中,上述知识图谱包括至少两条知识;生成单元,被配置成对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、上述对话目标和上述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,其中,上述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率;排序单元,被配置成根据生成的匹配概率,对上述答复语句集合中的答复语句进行排序;发送单元,被配置成根据排序结果,从上述答复语句集合中选取目标答复语句进行发送。
在一些实施例中,上述匹配概率生成模型包括向量生成网络和概率生成网络;以及上述生成单元包括:向量生成单元,被配置成将该答复语句、对话上文、上述对话目标和上述至少两条知识输入上述向量生成网络,得到匹配用向量;概率生成单元,被配置成将上述匹配用向量输入上述概率生成网络,得到针对该答复语句的匹配概率,其中,上述概率生成网络用于表征匹配用向量与匹配概率的对应关系。
在一些实施例中,上述向量生成网络包括向量表示网络、编码网络和推理网络;以及上述向量生成单元进一步被配置成:将该答复语句和上述对话上文输入上述向量表示网络,得到针对该答复语句和上述对话上文的联合向量,其中,上述向量表示网络用于根据答复语句和对话上文生成联合向量;分别将上述对话目标和上述至少两条知识作为待编码文本输入上述编码网络,得到待编码文本对应的向量,其中,上述编码网络用于表征文本与向量的对应关系;将上述联合向量、待编码文本对应的向量输入上述推理网络,得到待编码文本对应的向量的加权和向量,其中,上述推理网络用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量;基于上述联合向量和上述加权和向量得到匹配用向量。
在一些实施例中,上述匹配概率生成模型是通过以下方式训练得到的:获取训练样本集合,其中,样本数据包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率;将上述训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到上述匹配概率生成模型。
在一些实施例中,上述训练样本集合是通过以下方式得到的:将样本知识图谱、样本对话目标呈现给第一用户;获取上述第一用户和第二用户之间的样本对话,其中,上述样本对话是上述第一用户基于上述样本知识图谱和样本对话目标与上述第二用户进行对话所产生的;将上述样本知识图谱、上述样本对话目标、上述样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
在一些实施例中,上述知识图谱是通过以下方式得到的:从预设的网站抓取数据;基于所抓取的数据生成至少一个三元组;根据上述至少一个三元组,生成知识图谱,其中,上述知识图谱包括至少两个节点和节点之间的边。
第三方面,本公开实施例提供了一种设备,该设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开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,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的用于发送信息的方法和装置,首先获取预设的对话目标和预设的知识图谱。而后,对于预设的答复语句集合中的每一条答复语句,将该答复语句、对话上文、对话目标和知识图谱中的至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率。然后,根据生成的匹配概率,对答复语句集合中的答复语句进行排序。最后,根据排序结果,从所述答复语句集合中选取目标答复语句进行发送。从而使选取出的目标答复语句与对话目标、对话上文和知识图谱中的知识更加匹配,实现了人机对话中机器基于知识图谱等相关信息主动引导对话,逐步完成对话目标的过程。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于发送信息的方法的一个实施例的流程图;
图3是根据本公开的用于发送信息的方法的一个应用场景的示意图;
图4是根据本公开的用于发送信息的方法的又一个实施例的流程图;
图5是本公开的匹配概率生成模型的一个示意图;
图6是根据本公开的用于发送信息的装置的一个实施例的结构示意图;
图7是适于用来实现本公开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公开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,本公开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公开。
图1示出了可以应用本公开实施例的用于发送信息的方法或用于发送信息的装置的示例性系统架构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,例如网页浏览器应用、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,可以是具有显示屏并且支持人机交互的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。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上显示的信息提供支持的后台服务器。后台服务器可以根据预设的对话目标和知识图谱确定目标答复语句,并将目标答复语句发送给终端设备101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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105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。
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。
需要说明的是,本公开实施例所提供的用于发送信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于发送信息的装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
继续参考图2,示出了根据本公开的用于发送信息的方法的一个实施例的流程200。该用于发送信息的方法,包括以下步骤:
步骤201,获取预设的对话目标和预设的知识图谱。
在本实施例中,用于发送信息的方法的执行主体(例如图1所示的终端设备101、102、103或者服务器105)可以获取预设的对话目标和预设的知识图谱。举例来说,当执行主体为终端设备时,执行主体可以直接获取用户输入的预设的对话目标和知识图谱。当执行主体为服务器时,执行主体可以从用户所使用的终端设备获取用户输入的预设的对话目标和知识图谱。这里,对话目标可以是指一条信息的路径,是人机对话开始后期望执行主体所实现的目标。知识图谱可以包括至少两条知识。上述知识图谱可以包括节点和节点之间的边。知识图谱中的知识可以是与对话目标相关的背景知识。实践中,知识图谱由一条条知识组成,每条知识可以表示为一个三元组。
以对话目标为:电影A→导演张三→电影B为例,其中,电影A和电影B均为导演张三所执导的电影。则知识图谱中的知识可以是电影A、导演张三、电影B相关的各种背景知识,每条背景知识可以表示为三元组。例如,“导演张三,指导,电影A”、“导演张三,指导,电影B”等等。
需要说明的是,上述用户可以是指输入对话目标和知识图谱的人员。执行主体可以根据接收的对话目标以及知识图谱,和与其进行人机对话的人员进行对话。可以理解的是,输入对话目标和知识图谱的人员与进行人机对话的人员可以不是相同的人。
在本实施例的一些可选的实现方式中,上述知识图谱可以是通过以下方式得到的:
首先,从预设的网站抓取数据。
在本实现方式中,用于生成知识图谱的执行主体,可以从预设的网站抓取数据。这里,预设的网站可以根据实际需要进行设定。实践中,预设的网站可以是与对话目标相关的网站。作为示例,假设对话目标与电影有关,则预设的网站可以是与电影有关的网站。通过预设的网站可抓取各种数据。以预设的网站为与电影有关的网站为例,可以抓取结构化的数据,例如,“张三,执导,电影A”。也可以抓取非结构化的数据,例如电影的评论、描述等等。实践中,用于生成知识图谱的执行主体在抓取数据后,还可以对数据进行预处理,例如,过滤掉“脏数据”,将某些数据进行转化,比如,将评分转化为“好”、“不错”、“烂”等这样的标识。
其次,基于所抓取的数据生成至少一个三元组。
在本实现方式中,用于生成知识图谱的执行主体,可以基于从预设的网站抓取的数据生成至少一个三元组。这里,每一个三元组可以包括主语、谓语和宾语(Subject,Predicate,Object)。每一个三元组可以是一条知识。
然后,根据至少一个三元组,生成知识图谱。
在本实现方式中,用于生成知识图谱的执行主体,可以根据上述至少一个三元组生成知识图谱。其中,该知识图谱可以包括至少两个节点和节点之间的边。作为示例,知识图谱可以包含两种节点:实体和字面量。其中,字面量类似叶子节点,出度为0。
步骤202,对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、对话目标和至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率。
在本实施例中,执行主体内部可以预先存储有答复语句集合,该答复语句集合中可以包括多条答复语句。作为示例,答复语句集合中的答复语句可以是根据实际需要人工设定的。对于答复语句集合中的每一条答复语句,执行主体可以将该答复语句、对话上文、上述对话目标和上述至少两条知识输入到预先训练得到的匹配概率生成模型,从而生成针对该答复语句的匹配概率。这里,上述匹配概率生成模型可以用于生成对话上文、对话目标和知识与答复语句之间的匹配概率。这里,对话上文可以是指当前对话的历史语句。作为一个示例,对话上文可以是指历史语句中的全部语句,包括开始当前对话后人与机器之间产生的所有语句。作为另一个示例,对话上文可以是指历史语句中的部分语句,例如,当前会话中最新产生的一条或多条语句。
这里,上述匹配概率生成模型可以是指能够根据对话上文、对话目标、知识和答复语句,生成对话上文、对话目标和知识与答复语句之间的匹配概率的各种模型。作为示例,上述匹配概率生成模型可以包括特征提取部分和对应关系表。其中,特征提取部分可以用于从对话上文、对话目标、知识和答复语句中提取特征,生成特征向量。对应关系表可以是技术人员基于对大量的特征向量与匹配概率的统计而预先制定的、存储有多个特征向量与匹配概率的对应关系的对应关系表。这样,上述匹配概率生成模型可以使用特征提取部分提取该答复语句、对话上文、对话目标和至少两条知识的特征,从而生成目标特征向量。之后,将该目标特征向量与对应关系表中的多个特征向量依次进行比较,若对应关系表中的某一个特征向量与目标特征向量相同或相似,则将对应关系表中的该特征向量对应的匹配概率作为针对该答复语句的匹配概率。
步骤203,根据生成的匹配概率,对答复语句集合中的答复语句进行排序。
在本实施例中,执行主体可以根据步骤202中生成的针对各个答复语句的匹配概率,对上述答复语句集合中的各答复语句进行排序。例如,按所对应的匹配概率由大到小的顺序对答复语句集合中的各答复语句进行排序。
步骤204,根据排序结果,从答复语句集合中选取目标答复语句进行发送。
在本实施例中,执行主体可以根据步骤203中得到的排序结果,从上述答复语句集合中选取目标答复语句进行发送。以排序结果为按所对应的匹配概率由大到小的顺序排序得到的为例,执行主体可以选取排序结果中位于首位的答复语句作为目标答复语句。之后,执行主体可以将目标答复语句进行发送。作为示例,当执行主体为与人进行当前对话的终端设备时,执行主体可以将目标答复语句发送给显示设备,以显示给进行人机对话的人。当执行主体为服务器时,执行主体可以将目标答复语句发送给进行人机对话的人所使用的终端设备,以供该终端设备进行显示。
继续参见图3,图3是根据本实施例的用于发送信息的方法的应用场景的一个示意图。在图3的应用场景中,终端设备首先获取预设的对话目标“开始→电影A→李四”和预设的知识图谱301,其中,知识图谱包括多条知识,每条知识为一个三元组。其次,对于预设的答复语句集合中的每一条答复语句,终端设备可以将该答复语句、对话上文、对话目标“开始→电影A→李四”、多条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率。然后,终端设备可以对答复语句集合中的各答复语句进行排序。最后,终端设备可以根据排序结果,从答复语句集合中选取目标答复语句进行发送,从而显示给使用其的人。通过不断重复上述过程可以实现终端设备与人的多轮对话,其对话内容如图3所显示对话内容所示。需要说明的是,图3中所示的对话目标、知识图谱、对话内容等等仅仅是示意性的,而非对对话目标、知识图谱、对话内容等等的限定。
本公开的上述实施例提供的方法基于答复语句、对话上文、对话目标和知识图谱,确定对话上文、对话目标和知识图谱中的知识与答复语句之间的匹配概率,并基于匹配概率从答复语句集合中确定目标答复语句,从而使选取出的目标答复语句与对话目标、对话上文和知识图谱中的知识更加匹配,实现了人机对话中机器基于知识图谱等相关信息主动引导对话,逐步完成对话目标的过程。
进一步参考图4,其示出了用于发送信息的方法的又一个实施例的流程400。该用于发送信息的方法的流程400,包括以下步骤:
步骤401,获取预设的对话目标和预设的知识图谱。
在本实施例中,步骤401与图2所示实施例的步骤201类似,此处不再赘述。
步骤402,对于预设的答复语句集合中的答复语句,执行以下步骤4021~步骤4022。
在本实施例中,匹配概率生成模型可以包括向量生成网络和概率生成网络。对于预设的答复语句集合中的每一个答复语句,执行主体可以执行以下步骤4021~步骤4022。
步骤4021,将该答复语句、对话上文、对话目标和至少两条知识输入向量生成网络,得到匹配用向量。
在本实施例中,执行主体可以将该答复语句、对话上文、对话目标和至少两条知识输入上述向量生成网络,得到匹配用向量。作为示例,向量生成网络可以是能够根据文本生成向量的各种网络。
在本实施例的一些可选的实现方式中,上述向量生成网络可以包括向量表示网络、编码网络和推理网络。以及上述步骤4021可以具体如下进行:
首先,将该答复语句和对话上文输入向量表示网络,得到针对该答复语句和对话上文的联合向量。
在本实现方式中,执行主体可以将该答复语句和对话上文输入上述向量表示网络,从而得到针对该答复语句和上述对话上文的联合向量。其中,上述向量表示网络用于根据答复语句和对话上文生成联合向量。上述向量表示网络可以是能够根据文本生成向量的各种网络。作为示例,向量表示网络可以是BERT模型,BERT的全称是BidirectionalEncoder Representation from Transformers,即Transformer的双向编码表示。Transformer是一个基于注意力(Attention)机制的序列模型。答复语句和对话上文可以作为BERT模型的输入,利用注意力机制产生联合向量。
其次,分别将对话目标和至少两条知识作为待编码文本输入编码网络,得到待编码文本对应的向量。
在本实施例中,执行主体可以分别将对话目标和至少两条知识中的每一条知识作为待编码文本输入上述编码网络,得到待编码文本对应的向量。具体来说,得到对话目标对应的向量,得到上述至少两条知识中的每一条知识对应的向量。这里,编码网络可以用于表征文本与向量的对应关系。编码网络可以是基于文本生成向量的各种网络。作为示例,编码网络可以是双向GRU(Gated Recurrent Unit,门控循环单元)。GRU是LSTM(Long Short-Term Memory,长短期记忆网络)的一个变体。
然后,将联合向量、待编码文本对应的向量输入推理网络,得到待编码文本对应的向量的加权和向量。
在本实施例中,执行主体可以将上述联合向量、待编码文本对应的向量输入上述推理网络,从而得到待编码文本对应的向量的加权和向量。这里,上述推理网络可以用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量。作为示例,上述推理网络可以是注意力模型。注意力模型可以对多条待编码文本对应的向量基于联合向量进行处理,然后得到各待编码文本对应的向量的加权和,公式如下所示:
其中,X表示对话上文;Y表示答复语句;xy表示联合向量;att(X,Y,ki)表示对第i个待编码文本对应的向量基于X和Y得到的联合向量xy进行处理,得到第i个待编码文本的注意力权值;ki表示第i个待编码文本对应的向量,i的取值范围为0到N。j的取值范围为0到N,其中,N表示待编码文本的数量;kc表示各待编码文本对应的向量的加权和。
最后,基于联合向量和加权和向量得到匹配用向量。
本实施例中,执行主体可以基于上述联合向量和上述加权和向量得到匹配用向量。作为示例,执行主体可以将上述联合向量和上述加权和向量进行拼接,得到匹配用向量。在本实现方式中,匹配概率生成模型可以如图5所示。
步骤4022,将匹配用向量输入概率生成网络,得到针对该答复语句的匹配概率。
在本实施例中,执行主体可以将步骤4021得到的匹配用向量输入上述概率生成网络,从而得到针对该答复语句的匹配概率。这里,上述概率生成网络可以用于表征匹配用向量与匹配概率的对应关系。概率生成网络可以是根据向量生成概率的各种网络。作为示例,概率生成网络可以是多层感知器(Multi-Layer Perceptron,MLP)。MLP是一种前向结构的人工神经网络。
在本实施例的一些可选的实现方式中,上述匹配概率生成模型可以是通过以下方式训练得到的:
首先,获取训练样本集合。
在本实现方式中,用于训练匹配概率生成模型的执行主体可以获取预先得到的训练样本集合。上述训练样本集合中的训练样本可以包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率。
之后,将训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到匹配概率生成模型。
在本实现方式中,用于训练匹配概率生成模型的执行主体可以将训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到匹配概率生成模型,这里,样本匹配概率可以为0或1。当样本匹配概率为1时,表示训练样本中的样本知识、样本对话目标和样本对话上文与训练样本中的样本对话下文完全匹配,即匹配概率为100%。当样本匹配概率为0时,表示训练样本中的样本知识、样本对话目标和样本对话上文与训练样本中的样本对话下文的完全不匹配,即匹配概率为0%。
作为示例,具体的训练步骤可以包括:首先,可以将训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,输入到初始匹配概率生成模型得到匹配概率。其次,将得到的匹配概率与期望输出进行比较,如果两者之间的差异小于预设阈值,则将初始匹配概率生成模型作为训练完成的匹配概率生成模型;如果两者之间的差异不小于预设阈值,则调整初始匹配概率生成模型的参数,并从训练样本集合中重新选取训练样本对参数调整后的初始匹配概率生成模型进行训练。作为示例,可以采用反向传播算法(Back Propgation Algorithm,BP算法)和梯度下降法(例如小批量梯度下降算法)对初始匹配概率生成模型的参数进行调整。
在一些可选的实现方式中,上述训练样本集合可以是通过以下方式得到的:
首先,将样本知识图谱、样本对话目标呈现给第一用户。
在本实现方式中,可以将样本知识图谱和样本对话目标呈现给第一用户。例如,显示给第一用户。这里,样本知识图谱中包括样本知识。
然后,获取第一用户和第二用户之间的样本对话。
在本实现方式中,获取第一用户和第二用户之间的样本对话。其中,样本对话可以是第一用户基于样本知识图谱和样本对话目标与第二用户进行对话所产生的。实践中,在采集训练样本时,可以使用真人对话的方式。即将样本知识图谱和样本对话目标展示给一个人(即第一用户),该人根据看到样本知识图谱和样本对话目标后,基于样本知识图谱和样本对话目标与另一人(即第二用户)进行对话。对话过程中,尽量自然地不断过渡到样本对话目标。
最后,将样本知识图谱、样本对话目标、样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
在本实现方式中,可以将样本知识图谱、样本对话目标、样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。这里,上述预先标注的样本匹配概率可以是人工标注的。通过真人对话获取的样本对话为真实的对话,因此可以将样本匹配概率标注为1。可以理解的是,为了使训练的匹配概率生成模型更加准确,还可以设置一些与样本知识图谱、样本对话目标、样本对话的样本对话上文不匹配的样本对话下文,并将对应的样本匹配概率标注为0。通过本实现方式,可以基于真人对话获取训练样本,从而使获取的训练样本更加真实,进而使训练得到的匹配概率生成模型更加准确。
步骤403,根据生成的匹配概率,对答复语句集合中的答复语句进行排序。
在本实施例中,步骤403与图2所示实施例的步骤203类似,此处不再赘述。
步骤404,根据排序结果,从答复语句集合中选取目标答复语句进行发送。
在本实施例中,步骤404与图2所示实施例的步骤204类似,此处不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于发送信息的流程400突出了基于向量生成网络和概率生成网络生成匹配概率的步骤。由此,本实施例描述的方案可以使生成的匹配概率更加准确。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于发送信息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各种电子设备中。
如图6所示,本实施例的用于发送信息的装置600包括获取单元601、生成单元602、排序单元603和发送单元604。其中,获取单元601被配置成获取预设的对话目标和预设的知识图谱,其中,所述知识图谱包括至少两条知识;生成单元602被配置成对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、所述对话目标和所述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,其中,所述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率;排序单元603被配置成根据生成的匹配概率,对所述答复语句集合中的答复语句进行排序;发送单元604被配置成根据排序结果,从所述答复语句集合中选取目标答复语句进行发送。
在本实施例中,用于发送信息的装置600的获取单元601、生成单元602、排序单元603和发送单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,所述匹配概率生成模型包括向量生成网络和概率生成网络;以及所述生成单元602包括:向量生成单元(图中未示出),被配置成将该答复语句、对话上文、所述对话目标和所述至少两条知识输入所述向量生成网络,得到匹配用向量;概率生成单元(图中未示出),被配置成将所述匹配用向量输入所述概率生成网络,得到针对该答复语句的匹配概率,其中,所述概率生成网络用于表征匹配用向量与匹配概率的对应关系。
在本实施例的一些可选的实现方式中,所述向量生成网络包括向量表示网络、编码网络和推理网络;以及所述向量生成单元进一步被配置成:将该答复语句和所述对话上文输入所述向量表示网络,得到针对该答复语句和所述对话上文的联合向量,其中,所述向量表示网络用于根据答复语句和对话上文生成联合向量;分别将所述对话目标和所述至少两条知识作为待编码文本输入所述编码网络,得到待编码文本对应的向量,其中,所述编码网络用于表征文本与向量的对应关系;将所述联合向量、待编码文本对应的向量输入所述推理网络,得到待编码文本对应的向量的加权和向量,其中,所述推理网络用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量;基于所述联合向量和所述加权和向量得到匹配用向量。
在本实施例的一些可选的实现方式中,所述匹配概率生成模型是通过以下方式训练得到的:获取训练样本集合,其中,样本数据包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率;将所述训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到所述匹配概率生成模型。
在本实施例的一些可选的实现方式中,所述训练样本集合是通过以下方式得到的:将样本知识图谱、样本对话目标呈现给第一用户;获取所述第一用户和第二用户之间的样本对话,其中,所述样本对话是所述第一用户基于所述样本知识图谱和样本对话目标与所述第二用户进行对话所产生的;将所述样本知识图谱、所述样本对话目标、所述样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
在本实施例的一些可选的实现方式中,所述知识图谱是通过以下方式得到的:从预设的网站抓取数据;基于所抓取的数据生成至少一个三元组;根据所述至少一个三元组,生成知识图谱,其中,所述知识图谱包括至少两个节点和节点之间的边。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或者终端设备)700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)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装置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,还存储有电子设备700操作所需的各种程序和数据。处理装置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。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例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。在本公开的实施例中,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。而在本公开的实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:获取预设的对话目标和预设的知识图谱,其中,上述知识图谱包括至少两条知识;对于预设的答复语句集合中的答复语句,将该答复语句、对话上文、上述对话目标和上述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,其中,上述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率;根据生成的匹配概率,对上述答复语句集合中的答复语句进行排序;根据排序结果,从上述答复语句集合中选取目标答复语句进行发送。
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公开的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,图示了按照本公开各种实施例的系统、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。
描述于本公开的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:一种处理器包括获取单元、生成单元、排序单元和发送单元。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,获取单元还可以被描述为“获取预设的对话目标和预设的知识图谱的单元”。
以上描述仅为本公开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,本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (14)
1.一种用于发送信息的方法,包括:
获取预设的对话目标和预设的知识图谱,其中,所述知识图谱包括至少两条知识;
对于预设的答复语句集合中的答复语句,基于该答复语句和对话上文的联合向量以及所述联合向量、所述对话目标和至少两条知识的加权和向量得到匹配用向量,将所述匹配用向量输入匹配概率生成模型的概率生成网络,得到针对该答复语句的匹配概率,其中,所述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率,所述联合向量基于所述匹配概率生成模型的向量表示网络得到,所述加权和向量基于所述匹配概率生成模型的编码网络和推理网络得到;
根据生成的匹配概率,对所述答复语句集合中的答复语句进行排序;
根据排序结果,从所述答复语句集合中选取目标答复语句进行发送。
2.根据权利要求1所述的方法,其中,所述匹配概率生成模型包括向量生成网络;以及
所述将该答复语句、对话上文、所述对话目标和所述至少两条知识输入预先训练的匹配概率生成模型,生成针对该答复语句的匹配概率,包括:
将该答复语句、对话上文、所述对话目标和所述至少两条知识输入所述向量生成网络,得到匹配用向量。
3.根据权利要求2所述的方法,其中,所述向量生成网络包括向量表示网络、编码网络和推理网络;以及
所述将该答复语句、对话上文、所述对话目标和所述至少两条知识输入所述向量生成网络,得到匹配用向量,包括:
将该答复语句和所述对话上文输入所述向量表示网络,得到针对该答复语句和所述对话上文的联合向量,其中,所述向量表示网络用于根据答复语句和对话上文生成联合向量;
分别将所述对话目标和所述至少两条知识作为待编码文本输入所述编码网络,得到待编码文本对应的向量,其中,所述编码网络用于表征文本与向量的对应关系;
将所述联合向量、待编码文本对应的向量输入所述推理网络,得到待编码文本对应的向量的加权和向量,其中,所述推理网络用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量;
基于所述联合向量和所述加权和向量得到匹配用向量。
4.根据权利要求1所述的方法,其中,所述匹配概率生成模型是通过以下方式训练得到的:
获取训练样本集合,其中,样本数据包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率;
将所述训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到所述匹配概率生成模型。
5.根据权利要求4所述的方法,其中,所述训练样本集合是通过以下方式得到的:
将样本知识图谱、样本对话目标呈现给第一用户;
获取所述第一用户和第二用户之间的样本对话,其中,所述样本对话是所述第一用户基于所述样本知识图谱和样本对话目标与所述第二用户进行对话所产生的;
将所述样本知识图谱、所述样本对话目标、所述样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
6.根据权利要求1所述的方法,其中,所述知识图谱是通过以下方式得到的:
从预设的网站抓取数据;
基于所抓取的数据生成至少一个三元组;
根据所述至少一个三元组,生成知识图谱,其中,所述知识图谱包括至少两个节点和节点之间的边。
7.一种用于发送信息的装置,包括:
获取单元,被配置成获取预设的对话目标和预设的知识图谱,其中,所述知识图谱包括至少两条知识;
生成单元,被配置成对于预设的答复语句集合中的答复语句,基于该答复语句和对话上文的联合向量以及所述联合向量、所述对话目标和至少两条知识的加权和向量得到匹配用向量,将所述匹配用向量输入匹配概率生成模型的概率生成网络,得到针对该答复语句的匹配概率,其中,所述匹配概率生成模型用于生成对话上文、对话目标和知识与答复语句之间的匹配概率,所述联合向量基于所述匹配概率生成模型的向量表示网络得到,所述加权和向量基于所述匹配概率生成模型的编码网络和推理网络得到;
排序单元,被配置成根据生成的匹配概率,对所述答复语句集合中的答复语句进行排序;
发送单元,被配置成根据排序结果,从所述答复语句集合中选取目标答复语句进行发送。
8.根据权利要求7所述的装置,其中,所述匹配概率生成模型包括向量生成网络;以及
所述生成单元包括:
向量生成单元,被配置成将该答复语句、对话上文、所述对话目标和所述至少两条知识输入所述向量生成网络,得到匹配用向量。
9.根据权利要求8所述的装置,其中,所述向量生成网络包括向量表示网络、编码网络和推理网络;以及
所述向量生成单元进一步被配置成:
将该答复语句和所述对话上文输入所述向量表示网络,得到针对该答复语句和所述对话上文的联合向量,其中,所述向量表示网络用于根据答复语句和对话上文生成联合向量;
分别将所述对话目标和所述至少两条知识作为待编码文本输入所述编码网络,得到待编码文本对应的向量,其中,所述编码网络用于表征文本与向量的对应关系;
将所述联合向量、待编码文本对应的向量输入所述推理网络,得到待编码文本对应的向量的加权和向量,其中,所述推理网络用于基于联合向量和待编码文本对应的向量生成待编码文本对应的向量的加权和向量;
基于所述联合向量和所述加权和向量得到匹配用向量。
10.根据权利要求7所述的装置,其中,所述匹配概率生成模型是通过以下方式训练得到的:
获取训练样本集合,其中,样本数据包括样本知识、样本对话目标、样本对话上文和样本对话下文,以及与样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率;
将所述训练样本集合中的训练样本的样本知识、样本对话目标、样本对话上文和样本对话下文作为输入,将与输入的样本知识、样本对话目标、样本对话上文和样本对话下文对应的样本匹配概率作为期望输出,训练得到所述匹配概率生成模型。
11.根据权利要求10所述的装置,其中,所述训练样本集合是通过以下方式得到的:
将样本知识图谱、样本对话目标呈现给第一用户;
获取所述第一用户和第二用户之间的样本对话,其中,所述样本对话是所述第一用户基于所述样本知识图谱和样本对话目标与所述第二用户进行对话所产生的;
将所述样本知识图谱、所述样本对话目标、所述样本对话的样本对话上文和样本对话下文,以及预先标注的样本匹配概率作为训练样本关联存储训练样本集合。
12.根据权利要求7所述的装置,其中,所述知识图谱是通过以下方式得到的:
从预设的网站抓取数据;
基于所抓取的数据生成至少一个三元组;
根据所述至少一个三元组,生成知识图谱,其中,所述知识图谱包括至少两个节点和节点之间的边。
13.一种设备,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1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927641.4A CN110688470B (zh) | 2019-09-27 | 2019-09-27 | 用于发送信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910927641.4A CN110688470B (zh) | 2019-09-27 | 2019-09-27 | 用于发送信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688470A CN110688470A (zh) | 2020-01-14 |
CN110688470B true CN110688470B (zh) | 2022-04-26 |
Family
ID=69110761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910927641.4A Active CN110688470B (zh) | 2019-09-27 | 2019-09-27 | 用于发送信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688470B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032527B (zh) * | 2021-03-25 | 2023-08-22 | 北京轮子科技有限公司 | 用于问答系统的信息生成方法、装置、终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670029A (zh) * | 2018-12-28 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 用于确定问题答案的方法、装置、计算机设备及存储介质 |
CN110083693A (zh) * | 2019-04-28 | 2019-08-02 | 腾讯科技(深圳)有限公司 | 机器人对话回复方法及装置 |
CN110222155A (zh) * | 2019-06-13 | 2019-09-10 | 北京百度网讯科技有限公司 | 知识选择策略的对话生成方法、装置以及终端 |
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 |
-
2019
- 2019-09-27 CN CN201910927641.4A patent/CN110688470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670029A (zh) * | 2018-12-28 | 2019-04-23 | 百度在线网络技术(北京)有限公司 | 用于确定问题答案的方法、装置、计算机设备及存储介质 |
CN110083693A (zh) * | 2019-04-28 | 2019-08-02 | 腾讯科技(深圳)有限公司 | 机器人对话回复方法及装置 |
CN110222155A (zh) * | 2019-06-13 | 2019-09-10 | 北京百度网讯科技有限公司 | 知识选择策略的对话生成方法、装置以及终端 |
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 |
Non-Patent Citations (1)
Title |
---|
Know More about Each Other: Evolving Dialogue Strategy via Compound Assessment;Siqi Bao等;《https://arxiv.org/abs/1906.00549》;20190603;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110688470A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11164573B2 (en) | Method and apparatus for controlling page | |
CN108121800B (zh) | 基于人工智能的信息生成方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
EP3451328A1 (en) | Method and apparatus for verifying information | |
US20210042504A1 (en) | Method and apparatus for outputting data | |
US20230385560A1 (en) | System and Method for Temporal Attention Behavioral Analysis of Multi-Modal Conversations in a Question and Answer System | |
CN109582825B (zh) | 用于生成信息的方法和装置 | |
CN111368551B (zh) | 一种确定事件主体的方法和装置 | |
CN116050496A (zh) | 图片描述信息生成模型的确定方法及装置、介质、设备 | |
CN114841142A (zh) | 文本生成方法、装置、电子设备和存储介质 | |
CN109325178A (zh) | 用于处理信息的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN112910761B (zh) | 即时通讯方法、装置、设备、存储介质以及程序产品 | |
CN110688470B (zh) | 用于发送信息的方法和装置 | |
CN112381074B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN117271745A (zh) | 一种信息处理方法、装置及计算设备、存储介质 | |
CN117114063A (zh) | 用于训练生成式大语言模型和用于处理图像任务的方法 | |
CN112651231B (zh) | 口语信息处理方法、装置和电子设备 | |
CN114419514B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
US10699127B1 (en) | Method and apparatus for adjusting parameter | |
CN115129845A (zh) | 文本信息处理方法、装置和电子设备 | |
CN113592315A (zh) | 一种处理纠纷单的方法和装置 | |
CN112632241A (zh) | 智能会话的方法、装置、设备和计算机可读介质 | |
CN112365046A (zh) | 用户信息生成方法、装置、电子设备和计算机可读介质 | |
CN113656573B (zh) | 文本信息生成方法、装置、终端设备 |
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 |