CN111046146A - 用于生成信息的方法和装置 - Google Patents
用于生成信息的方法和装置 Download PDFInfo
- Publication number
- CN111046146A CN111046146A CN201911374338.2A CN201911374338A CN111046146A CN 111046146 A CN111046146 A CN 111046146A CN 201911374338 A CN201911374338 A CN 201911374338A CN 111046146 A CN111046146 A CN 111046146A
- Authority
- CN
- China
- Prior art keywords
- domain
- semantic
- content
- sample
- determining
- 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
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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括:接收用户输入的对话内容;基于上述对话内容,确定上述对话内容所属的领域;根据上述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;使用上述目标语义解析服务对上述对话内容进行语义解析,生成语义解析结果。该实施方式避免了调用所有的语义解析服务造成的资源浪费。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及用于生成信息的方法和装置。
背景技术
商用的人机对话系统往往具备复杂而多样的功能。例如,某个地图智能语音助手,不仅拥有“导航”的功能,同时还具备“查天气”、“讲笑话”等多种功能。实际应用中,针对每一种单独功能领域,通常需要使用对应的语义解析服务来进行语义解析。这样,通过使用多个不同领域的语义解析服务和对话中控的方式,将用户的输入请求转发给所有的语义解析服务,并由对话中控再对解析结果进行加工处理,从而实现人机对话系统的多领域语义解析能力。然而,随着人机对话系统变得越来越复杂以及领域数量越来越多,通过调用所有的语义解析服务这种简单的方式,虽然能够直接让人机对话系统具备多领域解析能力。但是,在这种方式下,每次的用户请求均需要调用所有的语义解析服务。实际上每次用户请求只有一两个对应的语义解析服务会有返回结果,其他的语义解析服务不需要调用。因此,在复杂的人机对话系统中,这种方式所消耗的资源与领域个数成正比,造成了极大的资源浪费。
发明内容
本公开实施例提出了用于生成信息的方法和装置。
第一方面,本公开实施例提供了一种用于生成信息的方法,该方法包括:接收用户输入的对话内容;基于上述对话内容,确定上述对话内容所属的领域;根据上述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;使用上述目标语义解析服务对上述对话内容进行语义解析,生成语义解析结果。
在一些实施例中,上述基于上述对话内容,确定上述对话内容所属的领域,包括:将上述对话内容输入预先建立的领域分类模型,得到多维向量,其中,上述多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为上述对话内容属于对应的领域的概率值;将上述对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对上述对话内容的领域识别结果;基于上述多维向量和上述领域识别结果,确定上述对话内容所属的领域。
在一些实施例中,上述基于匹配结果确定针对上述对话内容的领域识别结果,包括:响应于确定上述对话内容与上述语义模板集合中的语义模板相匹配,计算上述对话内容中、与语义模板相匹配的文本占上述对话内容对应的文本的比重;响应于确定上述比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
在一些实施例中,上述基于上述多维向量和上述领域识别结果,确定上述对话内容所属的领域,包括:响应于确定上述领域识别结果中包括至少一个领域,将上述领域识别结果中包括的领域的概率设定为固定概率值;根据上述多维向量的元素所表示的领域的概率值和上述领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值;根据上述多个领域的最终概率值和针对各领域预先设定的概率阈值,确定上述对话内容所属的领域。
在一些实施例中,上述领域分类模型是通过以下方式训练得到的:获取样本集,其中,样本包括样本多维向量和样本语句;将上述样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到上述领域分类模型。
在一些实施例中,上述样本集中的样本是通过以下方式得到的:使用上述至少一个语义解析服务,对样本语句进行语义解析;根据上述至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
第二方面,本公开实施例提供了一种用于生成信息的装置,上述装置包括:接收单元,被配置成接收用户输入的对话内容;第一确定单元,被配置成基于上述对话内容,确定上述对话内容所属的领域;第二确定单元,被配置成根据上述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;生成单元,被配置成使用上述目标语义解析服务对上述对话内容进行语义解析,生成语义解析结果。
在一些实施例中,上述第一确定单元包括:输入单元,被配置成将上述对话内容输入预先建立的领域分类模型,得到多维向量,其中,上述多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为上述对话内容属于对应的领域的概率值;匹配单元,被配置成将上述对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对上述对话内容的领域识别结果;确定子单元,被配置成基于上述多维向量和上述领域识别结果,确定上述对话内容所属的领域。
在一些实施例中,上述匹配单元进一步被配置成:响应于确定上述对话内容与上述语义模板集合中的语义模板相匹配,计算上述对话内容中、与语义模板相匹配的文本占上述对话内容对应的文本的比重;响应于确定上述比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
在一些实施例中,上述确定子单元进一步被配置成:响应于确定上述领域识别结果中包括至少一个领域,将上述领域识别结果中包括的领域的概率设定为固定概率值;根据上述多维向量的元素所表示的领域的概率值和上述领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值;根据上述多个领域的最终概率值和针对各领域预先设定的概率阈值,确定上述对话内容所属的领域。
在一些实施例中,上述领域分类模型是通过以下方式训练得到的:获取样本集,其中,样本包括样本多维向量和样本语句;将上述样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到上述领域分类模型。
在一些实施例中,上述样本集中的样本是通过以下方式得到的:使用上述至少一个语义解析服务,对样本语句进行语义解析;根据上述至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
第三方面,本公开实施例提供了一种服务器,该服务器包括: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生成信息的方法和装置,首先,接收用户输入的对话内容。而后,基于对话内容确定对话内容所属的领域。然后,根据对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务。最后,使用目标语义解析服务对对话内容进行语义解析,生成语义解析结果。从而避免了调用所有的语义解析服务造成的资源浪费。
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生成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生成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生成信息的方法的又一个实施例的流程图;
图5是根据本公开的用于生成信息的装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的服务器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生成信息的方法或用于生成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,例如人机对话应用、网页浏览器应用、购物类应用、搜索类应用、地图类应用、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、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上呈现的信息提供支持的后台服务器。后台服务器可以对接收到的对话内容等数据进行分析等处理,并将处理结果(例如针对接收的对话内容所生成的语句)反馈给终端设备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。
需要说明的是,本公开实施例所提供的用于生成信息的方法一般由服务器105执行,相应地,用于生成信息的装置一般设置于服务器105中。
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。
继续参考图2,示出了根据本公开的用于生成信息的方法的一个实施例的流程200。该用于生成信息的方法,包括以下步骤:
步骤201,接收用户输入的对话内容。
在本实施例中,用于生成信息的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户利用其进行人机交互的终端接收对话内容。这里,对话内容可以包括文本信息、语音信息、图片信息等等。作为示例,在对话内容包括图片信息的情况下,执行主体可以对图片进行语义识别,生成与图片相关的文字信息。在对话内容包括语音信息的情况下,执行主体可以对语音信息进行语音识别,生成与语音相关的文字信息。之后,在得到的文字信息的基础上进行后续的处理。显而易见,对图片进行语义识别的技术和对语音进行语音识别的技术是目前广泛研究和应用的公知技术,因此这里不再赘述。
步骤202,基于对话内容,确定对话内容所属的领域。
在本实施例中,执行主体可以基于步骤201接收的对话内容,确定上述对话内容所属的领域。实践中,可以根据实际的业务需要预先划分多个领域,例如,天气领域、音乐领域、电影领域、地图领域等等。执行主体可以采用各种方式确定用户输入的对话内容所属的领域。作为一个示例,执行主体可以使用基于机器学习算法预先训练得到的分类模型对用户输入的对话内容进行分类,从而得到对话内容所属的领域。作为另一示例,针对每一个领域,执行主体可以预先存储有一个关键词集合。这样,执行主体可以将用户输入的对话内容进行分词处理,并将分词处理得到的多个分词与各领域对应的关键词集合中的关键词进行匹配,并根据匹配结果从多个领域中确定对话内容所属的领域。例如,可以将包含多个分词中分词最多的关键词集合对应的领域,确定为对话内容所属的领域。
步骤203,根据对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务。
在本实施例中,执行主体可以根据步骤202中确定的对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务。这里,上述至少一个语义解析服务中的每一个语义解析服务可以用于对一个特定领域的内容进行语义解析。作为示例,执行主体可以将步骤202确定的领域作为目标领域,而后从至少一个语义解析服务中选取用于处理目标领域内容的语义解析服务作为目标语义解析服务。
实践中,针对预先划分的多个领域中的每一个领域,执行主体可以调用对应的语义解析服务。实际使用中,针对每一个领域,都有对应的语义解析服务,该语义解析服务可以对该领域的内容进行语义解析,而不能对其他领域的内容进行语义解析。举例来说,对于音乐领域,存在对应的语义解析服务可以对输入的音乐领域的内容进行语义解析,如果输入的内容不是音乐领域,则该语义解析服务不能进行解析。这里,语义解析服务为目前进行人机交互时,调用的语义解析服务,是目前广泛研究和应用的公知技术,因此这里不再赘述。
步骤204,使用目标语义解析服务对对话内容进行语义解析,生成语义解析结果。
在本实施例中,执行主体可以调用目标语义解析服务对对话内容进行语义解析,从而生成语义解析结果。之后,执行主体可以基于语义解析结果做各种处理,举例来说,执行主体可以根据预先设定的业务逻辑和语义解析结果生成针对上述对话内容的反馈语句,并将反馈语句发送到用户所使用的终端设备,从而实现人机交互。
继续参见图3,图3是根据本实施例的用于生成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,用户首先通过所使用的终端设备301输入对话内容“明天A地天气怎么样?”,终端设备301将该对话内容发送给服务器302。之后,服务器302基于该对话内容,确定该对话内容所属的领域为“天气领域”。然后,服务器302根据该对话内容所属的领域“天气领域”,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,这里,目标语义解析服务用于对天气领域的内容进行语义解析。最后,服务器302调用目标语义解析服务对上述对话内容进行语义解析,从而生成语义解析结果。
本公开的上述实施例提供的方法首先确定用户输入的对话内容所属的领域,而后调用所确定的领域对应的语义解析服务对对话内容进行语义解析,从而避免了调用所有的语义解析服务造成的资源浪费。
进一步参考图4,其示出了用于生成信息的方法的又一个实施例的流程400。该用于生成信息的方法的流程400,包括以下步骤:
步骤401,接收用户输入的对话内容。
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,将对话内容输入预先建立的领域分类模型,得到多维向量。
在本实施例中,执行主体内部可以预先建立有领域分类模型。该领域分类模型可以用于表征文本内容与多维向量的对应关系。这样,执行主体可以将步骤401中接收到的对话内容输入该领域分类模型,从而得到多维向量。这里,得到的多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为对话内容属于对应的领域的概率值。
这里,该领域分类模型可以是基于机器学习算法训练得到的多分类器,将一个领域作为一个分类的类别。在真实的人机对话场景中,用户输入的对话内容形式各样,可能存在领域歧义。例如,用户输入对话内容“下雨了”,由于该对话内容既涉及“下雨”这种天气景象,又与歌名为“下雨了”的某些歌曲相关,因此。该对话内容既属于天气领域,又属于音乐领域。为了解决用户输入的对话内容存在领域歧义的情况,上述领域分类模型的输出层的激活函数可以使用sigmod函数,即多分类任务中每一个类别概率在0到1之间,每一个类别的概率值之间是独立的。这里,领域分类模型输出的多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的各元素的值为文本内容属于对应的领域的概率值。以预设的多个领域包括天气领域、音乐领域、电影领域、地图领域共四个领域为例,则多维向量可以包括四个维度,这四个维度分别与天气领域、音乐领域、电影领域、地图领域这四个领域一一对应。具体的,多维向量的第一个元素的值表示文本内容属于天气领域的概率值,第二个元素的值表示文本内容属于音乐领域的概率值,第三个元素的值表示本文内容属于电影领域的概率值,第四个元素的值表示文本内容属于地图领域的概率值。需要指出的是,本例中的领域的种类、数量等等仅仅是示意性的,而非对领域的种类、数量等的限定,实际使用中,可以根据实际需要设置领域的种类、数量等。
以领域分类模型为基于卷积神经网络搭建的多分类器为例,训练时,可以对输入的文本内容按字进行划分,并通过字嵌入表示层将各个划分得到的各个转化为向量,从而实现输入文本内容的向量化,得到输入文本内容的向量表示,卷积神经网络可以对向量化的文本内容进行自动的特征学习和抽取,并经过MaxPooling层(最大池化层)进行特征降维,之后经过全连接层将语义向量维度映射到类别个数,每一维向量经过sigmod函数,得到文本内容属于每一个类别的概率。这里,可以使用交叉熵作为损失函数,每一个类别都存在一个交叉熵损失函数,通过共享相同的网络,学习多个二分类任务实现多分类。
在本实施例的一些可选的实现方式中,上述领域分类模型可以是通过以下方式训练得到的:
首先,获取样本集。
在本实现方式中,用于训练上述领域分类模型的执行主体可以获取样本集,该样本集中的各样本可以包括样本多维向量和样本语句。其中,样本多维向量中的多个维度与预先设定的多个领域一一对应,样本多维向量的各元素的值为样本语句属于对应的领域的概率值。这里,样本中的样本多维向量可以是工作人员根据样本语句所属的领域人工生成的。
然后,将样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到领域分类模型。
在本实现方式中,执行主体可以将样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到领域分类模型。
在一些可选的实现方式中,上述样本集中的样本可以是通过以下方式得到的:
首先,使用至少一个语义解析服务,对样本语句进行语义解析。
在本实现方式中,对于样本集中样本的样本语句,执行主体可以调用上述至少一个语义解析服务对该样本语句进行语义解析,从而得到各个语义解析服务的解析结果。实践中,由于每一个语义解析服务用于对特定领域的内容进行语义解析,因此,对于某一个语义解析服务而言,如果输入的样本语句所属的领域不是该语义解析服务对应的特定领域,该语义解析服务将不能对输入的样本语句进行解析,此时,解析结果为空。
然后,根据至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
在本实现方式中,执行主体可以根据上述至少一个语义解析服务中的每一个语义解析服务的解析结果,生成针对样本语句的样本多维向量。作为示例,对于上述至少一个语义解析服务中的每一个语义解析服务,如果该语义解析服务返回的解析结果不为空,则将样本多维向量中的、对应领域与该语义解析服务对应的特定领域相同的元素的值设定为1;如果该语义解析服务返回的解析结果为空,则将样本多维向量中的、对应领域与该语义解析服务对应的特定领域相同的元素的值设定为0。这样,执行主体可以生成元素的值为0和1的样本多维向量。通过本实现方式,执行主体可以自动生成针对样本语句的样本多维向量,不需要人工干预,从而提高了样本的生成效率。
步骤403,将对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对对话内容的领域识别结果。
在本实施例中,针对某些领域,执行主体内部可以预先设定语义模板集合,其中,上述语义模板集合中的语义模板可以包括槽位和文本片段。这里,槽位可以是人机对话系统需要向用户收集的关键信息。而填槽则是收集用户信息的过程,是用户将模糊或缺失的意图补全的过程,而槽位值就是用户表达的具体关键信息。以音乐领域为例,针对音乐领域的一条语义模板可以为“播放[歌曲名]”,其中,播放为文本片段,[歌曲名]为槽位。这样,执行主体可以将对话内容与针对领域预设的语义模板集合中的语义模板进行匹配,从而判断对话内容是否与语义模板相匹配。作为示例,执行主体首先可以匹配对话内容中是否包括语义模板中的文本片段,如果包括,进一步可以采用多种方式进行槽位识别,例如基于命名实体识别进行槽位识别、基于字典值进行槽位识别等等。如果识别出对话内容包括满足语义模板中槽位的槽位值,则可以判断对话内容与语义模板相匹配。
之后,执行主体可以根据匹配结果确定针对对话内容的领域识别结果。作为示例,执行主体可以将与对话内容相匹配的语义模板对应的领域作为针对对话内容的领域识别结果。
在一些应用场景中,执行主体还可以接收针对领域设置的语义模板,并将语义模板存储到语义模板集合。这样,工作人员可以通过向执行主体发送语义模板,实现对用户输入内容所属领域划分的干预,保证了结果的可控性。
在本实施例的一些可选的实现方式中,上述步骤403中的基于匹配结果确定针对对话内容的领域识别结果,可以具体如下进行:
首先,响应于确定对话内容与语义模板集合中的语义模板相匹配,计算对话内容中、与语义模板相匹配的文本占对话内容对应的文本的比重。
在本实现方式中,如果判断对话内容与语义模板集合中的语义模板相匹配,则执行主体可以计算上述对话内容中、与语义模板相匹配的文本占上述对话内容对应的文本的比重。以对话内容为“请播放XXX”为例,其中,“XXX”为歌曲名,该对话内容与语义模板“播放[歌曲名]”相匹配,其中,该对话内容中、与语义模板相匹配的文本为“播放XXX”5个字,该对话内容对应的文本为“请播放XXX”6个字,则计算的比重为5/6。
然后,响应于确定比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
在本实现方式中,执行主体内部可以预先设定有比重阈值,该比重阈值可以是根据实际需要设定的。这样,执行主体可以将计算得到的比重与比重阈值进行比较,判断计算得到的比重是否超过(即大于)比重阈值,如果大于,则将相匹配的语义模板对应的领域作为领域识别结果。通过本实现方式,执行主体可以计算对话内容中、与语义模板相匹配的文本占对话内容对应的文本的比重,在比重大于比重阈值的情况下,才将相匹配的语义模板对应的领域作为领域识别结果,由此,可以使确定的领域识别结果更加准确。
步骤404,基于多维向量和领域识别结果,确定对话内容所属的领域。
在本实施例中,执行主体可以基于步骤402得到的多维向量和步骤403得到的领域识别结果,确定上述对话内容所属的领域。作为示例,执行主体首先可以将步骤402得到的多维向量中元素的值大于预设阈值的维度对应的领域作为第一领域,将步骤403得到领域识别结果中包括的领域作为第二领域,其中,上述预设阈值可以根据实际需要进行设定。之后,执行主体可以将第一领域和第二领域确定为对话内容所属的领域。
在本实施例的一些可选的实现方式中,上述步骤404可以具体如下进行:
首先,响应于确定领域识别结果中包括至少一个领域,将领域识别结果中包括的领域的概率设定为固定概率值。
在本实现方式中,执行主体首先可以判断上述领域识别结果中是否包括领域,如果包括,则将领域识别结果中包括的领域的概率设定为固定概率值,这里,固定概率值可以根据实际需要进行设定,例如,固定概率值可以设定为1。
然后,根据多维向量的元素所表示的领域的概率值和领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值。
在本实现方式中,执行主体可以根据多维向量中的各元素所表示的领域的概率值,以及领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值。作为示例,执行主体首先可以确定多维向量中、与领域识别结果所包括的领域相同的领域对应的概率值,并将该概率值与固定概率值进行比较,选取两个概率值中较大的值作为最终概率值。作为示例,以多维向量为三维向量(0.5,0.9,0.1),三维向量的各元素所表示的领域分别为领域A、领域B和领域C,领域识别结果所包括的领域“领域A”的固定概率值为“1”为例,可以确定“领域A”的最终概率值可以为固定概率值“1”,“领域B”和“领域C”的最终概率值分别为0.9和0.1。
最后,根据多个领域的最终概率值和针对各领域预先设定的概率阈值,确定对话内容所属的领域。
在本实现方式中,针对多个领域中的各个领域,执行主体内部可以预先存储有对应的概率阈值,该概率阈值可以是根据实际需要设定的。这样,执行主体可以根据多个领域的最终概率值和针对各领域预设的概率阈值,确定对话内容所属的领域。作为示例,执行主体可以选取多个领域中、最终概率值大于对应概率阈值的领域作为对话内容所属的领域。以多个领域包括领域A、领域B和领域C,领域A、领域B和领域C的最终概率值分别为1、0.9和0.1,领域A、领域B和领域C的概率阈值分别为0.9、0.8和0.7为例,执行主体可以选取领域A和领域B作为对话内容所属的领域。通过本实现方式,可以使确定的对话内容所属的领域更加准确。
步骤405,根据对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务。
在本实施例中,步骤405与图2所示实施例的步骤203类似,此处不再赘述。
步骤406,使用目标语义解析服务对对话内容进行语义解析,生成语义解析结果。
在本实施例中,步骤406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,本实施例中的用于生成信息的方法的流程400突出了基于领域分类模型和语义模板确定对话内容所属的领域的步骤。由此,本实施例描述的方案可以使确定的对话内容所属的领域更加准确,进而使生成的语义解析结果更加准确。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成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5所示,本实施例的用于生成信息的装置500包括:接收单元501、第一确定单元502、第二确定单元503和生成单元504。其中,接收单元501被配置成接收用户输入的对话内容;第一确定单元502被配置成基于上述对话内容,确定上述对话内容所属的领域;第二确定单元503被配置成根据上述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;生成单元504被配置成使用上述目标语义解析服务对上述对话内容进行语义解析,生成语义解析结果。
在本实施例中,用于生成信息的装置500的接收单元501、第一确定单元502、第二确定单元503和生成单元504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,上述第一确定单元502包括:输入单元(图中未示出),被配置成将上述对话内容输入预先建立的领域分类模型,得到多维向量,其中,上述多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为上述对话内容属于对应的领域的概率值;匹配单元(图中未示出),被配置成将上述对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对上述对话内容的领域识别结果;确定子单元(图中未示出),被配置成基于上述多维向量和上述领域识别结果,确定上述对话内容所属的领域。
在本实施例的一些可选的实现方式中,上述匹配单元进一步被配置成:响应于确定上述对话内容与上述语义模板集合中的语义模板相匹配,计算上述对话内容中、与语义模板相匹配的文本占上述对话内容对应的文本的比重;响应于确定上述比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
在本实施例的一些可选的实现方式中,上述确定子单元进一步被配置成:响应于确定上述领域识别结果中包括至少一个领域,将上述领域识别结果中包括的领域的概率设定为固定概率值;根据上述多维向量的元素所表示的领域的概率值和上述领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值;根据上述多个领域的最终概率值和针对各领域预先设定的概率阈值,确定上述对话内容所属的领域。
在本实施例的一些可选的实现方式中,上述领域分类模型是通过以下方式训练得到的:获取样本集,其中,样本包括样本多维向量和样本语句;将上述样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到上述领域分类模型。
在本实施例的一些可选的实现方式中,上述样本集中的样本是通过以下方式得到的:使用上述至少一个语义解析服务,对样本语句进行语义解析;根据上述至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
下面参考图6,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)600的结构示意图。图6示出的服务器仅仅是一个示例,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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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:接收用户输入的对话内容;基于上述对话内容,确定上述对话内容所属的领域;根据上述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;使用上述目标语义解析服务对上述对话内容进行语义解析,生成语义解析结果。
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:一种处理器包括接收单元、第一确定单元、第二确定单元和生成单元。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,接收单元还可以被描述为“接收用户输入的对话内容的单元”。
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)
1.一种用于生成信息的方法,包括:
接收用户输入的对话内容;
基于所述对话内容,确定所述对话内容所属的领域;
根据所述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;
使用所述目标语义解析服务对所述对话内容进行语义解析,生成语义解析结果。
2.根据权利要求1所述的方法,其中,所述基于所述对话内容,确定所述对话内容所属的领域,包括:
将所述对话内容输入预先建立的领域分类模型,得到多维向量,其中,所述多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为所述对话内容属于对应的领域的概率值;
将所述对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对所述对话内容的领域识别结果;
基于所述多维向量和所述领域识别结果,确定所述对话内容所属的领域。
3.根据权利要求2所述的方法,其中,所述基于匹配结果确定针对所述对话内容的领域识别结果,包括:
响应于确定所述对话内容与所述语义模板集合中的语义模板相匹配,计算所述对话内容中、与语义模板相匹配的文本占所述对话内容对应的文本的比重;
响应于确定所述比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
4.根据权利要求2所述的方法,其中,所述基于所述多维向量和所述领域识别结果,确定所述对话内容所属的领域,包括:
响应于确定所述领域识别结果中包括至少一个领域,将所述领域识别结果中包括的领域的概率设定为固定概率值;
根据所述多维向量的元素所表示的领域的概率值和所述领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值;
根据所述多个领域的最终概率值和针对各领域预先设定的概率阈值,确定所述对话内容所属的领域。
5.根据权利要求2所述的方法,其中,所述领域分类模型是通过以下方式训练得到的:
获取样本集,其中,样本包括样本多维向量和样本语句;
将所述样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到所述领域分类模型。
6.根据权利要求5所述的方法,其中,所述样本集中的样本是通过以下方式得到的:
使用所述至少一个语义解析服务,对样本语句进行语义解析;
根据所述至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
7.一种用于生成信息的装置,包括:
接收单元,被配置成接收用户输入的对话内容;
第一确定单元,被配置成基于所述对话内容,确定所述对话内容所属的领域;
第二确定单元,被配置成根据所述对话内容所属的领域,从至少一个语义解析服务中确定语义解析服务作为目标语义解析服务,其中,语义解析服务用于对特定领域的内容进行语义解析;
生成单元,被配置成使用所述目标语义解析服务对所述对话内容进行语义解析,生成语义解析结果。
8.根据权利要求7所述的装置,其中,所述第一确定单元包括:
输入单元,被配置成将所述对话内容输入预先建立的领域分类模型,得到多维向量,其中,所述多维向量中的多个维度与预先设定的多个领域一一对应,多维向量的元素的值为所述对话内容属于对应的领域的概率值;
匹配单元,被配置成将所述对话内容与针对领域预先设定的语义模板集合中的语义模板进行匹配,以及基于匹配结果确定针对所述对话内容的领域识别结果;
确定子单元,被配置成基于所述多维向量和所述领域识别结果,确定所述对话内容所属的领域。
9.根据权利要求8所述的装置,其中,所述匹配单元进一步被配置成:
响应于确定所述对话内容与所述语义模板集合中的语义模板相匹配,计算所述对话内容中、与语义模板相匹配的文本占所述对话内容对应的文本的比重;
响应于确定所述比重超过预先设定的比重阈值,将相匹配的语义模板对应的领域作为领域识别结果。
10.根据权利要求8所述的装置,其中,所述确定子单元进一步被配置成:
响应于确定所述领域识别结果中包括至少一个领域,将所述领域识别结果中包括的领域的概率设定为固定概率值;
根据所述多维向量的元素所表示的领域的概率值和所述领域识别结果所包括的领域的固定概率值,确定多个领域的最终概率值;
根据所述多个领域的最终概率值和针对各领域预先设定的概率阈值,确定所述对话内容所属的领域。
11.根据权利要求8所述的装置,其中,所述领域分类模型是通过以下方式训练得到的:
获取样本集,其中,样本包括样本多维向量和样本语句;
将所述样本集中的样本语句作为输入,将与输入的样本语句对应的样本多维向量作为期望输出,训练得到所述领域分类模型。
12.根据权利要求11所述的装置,其中,所述样本集中的样本是通过以下方式得到的:
使用所述至少一个语义解析服务,对样本语句进行语义解析;
根据所述至少一个语义解析服务中的语义解析服务的解析结果,生成针对样本语句的样本多维向量。
13.一种服务器,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 |
---|---|---|---|
CN201911374338.2A CN111046146B (zh) | 2019-12-27 | 2019-12-27 | 用于生成信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911374338.2A CN111046146B (zh) | 2019-12-27 | 2019-12-27 | 用于生成信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046146A true CN111046146A (zh) | 2020-04-21 |
CN111046146B CN111046146B (zh) | 2023-05-12 |
Family
ID=70240548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911374338.2A Active CN111046146B (zh) | 2019-12-27 | 2019-12-27 | 用于生成信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046146B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949211A (zh) * | 2005-10-13 | 2007-04-18 | 中国科学院自动化研究所 | 一种新的汉语口语解析方法及装置 |
CN106528522A (zh) * | 2016-08-26 | 2017-03-22 | 南京威卡尔软件有限公司 | 场景化的语义理解与对话生成方法及系统 |
US20180052823A1 (en) * | 2016-08-17 | 2018-02-22 | Yahoo Holdings, Inc. | Hybrid Classifier for Assigning Natural Language Processing (NLP) Inputs to Domains in Real-Time |
CN109597996A (zh) * | 2018-12-07 | 2019-04-09 | 深圳创维数字技术有限公司 | 一种语义解析方法、装置、设备和介质 |
CN109918673A (zh) * | 2019-03-14 | 2019-06-21 | 湖北亿咖通科技有限公司 | 语义仲裁方法、装置、电子设备和计算机可读存储介质 |
EP3557504A1 (en) * | 2018-04-20 | 2019-10-23 | Facebook, Inc. | Intent identification for agent matching by assistant systems |
-
2019
- 2019-12-27 CN CN201911374338.2A patent/CN111046146B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949211A (zh) * | 2005-10-13 | 2007-04-18 | 中国科学院自动化研究所 | 一种新的汉语口语解析方法及装置 |
US20180052823A1 (en) * | 2016-08-17 | 2018-02-22 | Yahoo Holdings, Inc. | Hybrid Classifier for Assigning Natural Language Processing (NLP) Inputs to Domains in Real-Time |
CN106528522A (zh) * | 2016-08-26 | 2017-03-22 | 南京威卡尔软件有限公司 | 场景化的语义理解与对话生成方法及系统 |
EP3557504A1 (en) * | 2018-04-20 | 2019-10-23 | Facebook, Inc. | Intent identification for agent matching by assistant systems |
CN109597996A (zh) * | 2018-12-07 | 2019-04-09 | 深圳创维数字技术有限公司 | 一种语义解析方法、装置、设备和介质 |
CN109918673A (zh) * | 2019-03-14 | 2019-06-21 | 湖北亿咖通科技有限公司 | 语义仲裁方法、装置、电子设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
刘娇等: "人机对话系统中意图识别方法综述", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046146B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102204740B1 (ko) | 대화 시스템에서의 의도 불분명 질의를 처리하는 방법 및 시스템 | |
CN110298906B (zh) | 用于生成信息的方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN110096584B (zh) | 一种应答方法和装置 | |
CN110019742B (zh) | 用于处理信息的方法和装置 | |
WO2021218069A1 (zh) | 基于场景动态配置的交互处理方法、装置、计算机设备 | |
CN110956955B (zh) | 一种语音交互的方法和装置 | |
CN116127020A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
CN111144128A (zh) | 语义解析方法和装置 | |
CN111538837A (zh) | 用于分析企业经营范围信息的方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
US11990124B2 (en) | Language model prediction of API call invocations and verbal responses | |
CN112509562A (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
CN111639162A (zh) | 信息交互方法和装置、电子设备和存储介质 | |
CN115908640A (zh) | 生成图像的方法、装置、可读介质及电子设备 | |
CN117421398A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN117312535B (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 | |
EP3843090B1 (en) | Method and apparatus for outputting analysis abnormality information in spoken language understanding | |
CN110675865B (zh) | 用于训练混合语言识别模型的方法和装置 | |
CN111858916A (zh) | 用于聚类句子的方法和装置 | |
KR20240091051A (ko) | 문서들로부터의 임베딩된 데이터의 추출을 위한 딥 러닝 기술들 | |
CN115620726A (zh) | 语音文本生成方法、语音文本生成模型的训练方法、装置 | |
CN110851574A (zh) | 语句处理方法、装置和系统 |
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 |