CN111143535B - 用于生成对话模型的方法和装置 - Google Patents
用于生成对话模型的方法和装置 Download PDFInfo
- Publication number
- CN111143535B CN111143535B CN201911372144.9A CN201911372144A CN111143535B CN 111143535 B CN111143535 B CN 111143535B CN 201911372144 A CN201911372144 A CN 201911372144A CN 111143535 B CN111143535 B CN 111143535B
- Authority
- CN
- China
- Prior art keywords
- training
- training sample
- information
- neural network
- corpus
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
-
- 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
- G06F16/3325—Reformulation based on results of preceding query
- G06F16/3326—Reformulation based on results of preceding query using relevance feedback from the user, e.g. relevance feedback on documents, documents sets, document terms or passages
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Abstract
本公开的实施例公开了用于生成对话模型的方法和装置。该方法的一具体实施方式包括:获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量;利用训练样本集合训练预设神经网络,得到对话模型,其中,对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。该实施方式通过引入离散隐变量可以对对话文本之间的“一对多”关系进行有效建模,提高了对话模型回复的多样性,从而能够对用户给出的上文进行有效的回答。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成对话模型的方法和装置。
背景技术
对话模型一般可应用于智能对话系统中,例如可以应用在用户交流的闲聊系统、或者导航机器人等。具体的,对于用户发出的上文(可以为文本或语音等形式的上文),对话模型可以对用户给出的上文进行内部运算,确定对上文的回复,进而将回复作为模型输出反馈给用户。一般的,对话模型可以采用序列到序列(sequence to sequence,简称:seq2seq)模型实现上述对话功能(即短文本回复功能)。
相关技术中,对话模型往往是基于大规模预训练的语言模型,例如,BERT。此种对话模型生成的回复内容单一、缺乏信息,无法准确地对用户发出的上文进行有效的回答。
发明内容
本公开的实施例提出了用于生成对话模型的方法和装置。
第一方面,本公开的实施例提供了一种用于生成对话模型的方法,该方法包括:获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量;利用训练样本集合训练预设神经网络,得到对话模型,其中,对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
在一些实施例中,所述预设神经网络为转换神经网络,转换神经网络为支持文本信息的单向编码和双向编码的神经网络;
利用训练样本集合训练预设的神网络,得到对话模型,包括:针对训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新转换神经网络的参数;以及将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用损失函数训练基于双向注意力机制的转换神经网络,得到对话模型。
在一些实施例中,利用训练样本集合训练预设神经网络,得到对话模型,包括:针对训练样本集合中的训练样本,将该训练样本转换为文本向量;将文本向量输入预设神经网络进行训练,得到对话模型。
在一些实施例中,损失函数包括以下至少一项:负对数似然损失函数、词袋损失函数和回复信息选择损失函数;其中,词袋损失函数用于表征转换神经网络输出的离散隐变量与训练样本中的离散隐变量的差异程度;回复信息选择损失函数用于表征转换神经网络网络输出的目标回复信息与训练样本中的目标回复信息的差异程度。
在一些实施例中,针对训练样本集合中的训练样本,将该训练样本转换为文本向量,包括:针对训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;基于各分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。
第二方面,本公开的实施例提供了一种用于生成对话模型的装置,装置包括:获取单元,被配置成获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;生成单元,被配置成将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量;训练单元,被配置成利用训练样本集合训练预设神经网络,得到对话模型,其中,对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
在一些实施例中,所述预设神经网络为转换神经网络,转换神经网络为支持文本信息的单向编码和双向编码的神经网络;
训练单元进一步被配置成:针对训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新转换神经网络的参数;以及将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用损失函数训练基于双向注意力机制的转换神经网络,得到对话模型。
在一些实施例中,训练单元包括:转换模块,被配置成针对训练样本集合中的训练样本,将该训练样本转换为文本向量;训练模块,被配置成将文本向量输入预设神经网络进行训练,得到对话模型。
在一些实施例中,损失函数包括以下至少一项:负对数似然损失函数、词袋损失函数和回复信息选择损失函数;其中,词袋损失函数用于表征转换神经网络输出的离散隐变量与训练样本中的离散隐变量的差异程度;回复信息选择损失函数用于表征转换神经网络输出的目标回复信息与训练样本中的目标回复信息的差异程度。
在一些实施例中,转换模块进一步被配置成:针对训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;基于各分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。
本公开的实施例提供的用于生成对话模型的方法和装置,获取语料样本集合,而后将语料样本集合中的语料样本分类,并根据分类结果为各语料样本设置离散隐变量,生成包含输入信息、目标回复信息和离散隐变量训练样本集合,最后利用训练样本集合训练预设神经网络,可以得到对话模型。本公开提供的用于生成对话模型的方法可以确定语料样本的离散隐变量,通过引入离散隐变量可以对对话文本之间的“一对多”关系进行有效建模,提高了生成的对话模型回复的多样性,从而能够对用户给出的上文进行有效的回答。
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是本公开的一些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对话模型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对话模型的方法的又一个实施例的流程图;
图4是根据本公开的用于生成对话模型的装置的一个实施例的结构示意图;
图5是适于用来实现本公开的实施例的电子设备的结构示意图。
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的实施例的用于生成对话模型的方法或用于生成对话模型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,以接收或发送信息等。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智能对话系统等应用安装使用的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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。其可以实现成例如用来提供分布式服务的多个软件或软件模块,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上显示的数据提供支持的后台服务器。后台服务器可以对获取的语料样本集合等数据进行分析等处理,并生成处理结果(例如对话模型)。
需要说明的是,本公开的实施例所提供的用于生成对话模型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,用于生成对话模型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。在此不做具体限定。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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。当服务器为软件时,可以实现成例如用来提供分布式服务的多个软件或软件模块,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。
继续参考图2,示出了根据本公开的用于生成对话模型的方法的一个实施例的流程200。该用于生成对话模型的方法,包括以下步骤:
步骤201,获取语料样本集合。
在本实施例中,用于生成对话模型的方法的执行主体(例如图1所示的服务器)可以获取语料样本集合。其中,语料样本集合可以包括多个语料样本,各语料样本可以包括输入信息和目标回复信息。需要说明的是,上述语料样本集合所包含的语料样本为对话语料。例如,语料样本的输入信息可以为“Do you have a pet?I have a cute dog.”,目标回复信息可以为“That is great.”。可选的,上述语料样本集合可以为由Twitter语料库、Reddit语料库等中得到的语料样本集合。
需要说明的是,上述语料样本集合可以直接存储在上述执行主体的本地,此时,上述执行主体可以直接从本地获取上述语料样本集合。此外,上述语料样本集合也可以是与上述执行主体相连接的其余电子设备通过有线连接方式或者无线连接方式发送给上述执行主体的。其中,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
可以理解的是,相关技术中语言模型通常采用广泛文本(例如维基百科)进行训练的,广泛文本与对话预语料在数据和知识分布上存在较大的差异。因此,与由维基百科等得到的语料样本集相比,由Twitter语料库、Reddit语料库等得到的包含输入信息和目标回复信息的语料样本集合,更适合训练对话模型。
步骤202,将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合。
在本实施例中,基于步骤201获取的语料样本集合,上述执行主体(例如图1所示的服务器)按照语料样本集合中目标回复信息的回复方向可以将语料样本集合中语料样本分为k类。因此,离散隐变量可以在[1,k]中取值,离散隐变量的每个取值对应着目标回复信息中特定的回复方向。上述执行主体根据分类结果可以为各语料样本设置离散隐变量。由此,针对每个语料样本,上述执行主体可以生成包括该语料样本中的输入信息、目标回复信息和该语料样本的离散隐变量的训练样本。上述执行主体利用语料样本集合可以对应地生成训练样本集合。
可以理解的是,语料样本的离散隐变量可以对应该语料样本中特定的回复方向,从而将离散隐变量与语料样本集合联系起来,使得离散隐变量具有可解释性,有助于提高生成的对话模型的准确性。
步骤203,利用训练样本集合训练预设神经网络,得到对话模型。
在本实施例中,基于步骤202生成的训练样本集合,上述执行主体可以利用所生成的训练样本集合训练预设神经网络,从而可以得到对话模型。其中,对话模型可以用于表征输入的输入信息与输出的目标回复信息之间的对应关系。作为示例,上述执行主体可以通过如下方式训练对话模型:将训练样本中的输入信息和目标回复信息作为输入,离散隐变量作为期望输出,训练预设神经网络得到对话模型。经过训练得到的对话模型可以准确估计离散隐变量的值,从而有助于确定对话模型输出的回复信息的方向,提高了生成的对话模型的可靠性。
在本实施例的一些可选的实现方式中,上述语料样本中的输入信息和目标回复信息可以为语音信息或文本信息。若输入信息和目标回复信息为语音信息,上述执行主体可以预先将语音信息转换为文本信息,而后利用文本信息进行模型训练。在对话模型的使用过程中,若输入对话模型的输入信息为语音信息,可以将该语音信息转化为文本信息,并将对话模型输出的回复信息转化为语音信息输出。
在本实施例的一些可选的实现方式中,针对上述训练样本集合中的各训练样本,上述执行主体可以采用各种方式将训练样本转换为文本向量。而后,上述执行主体可以将文本向量输入预设神经络进行训练,从而得到对话模型。作为示例,上述执行主体可以利用预先训练的向量空间模型将训练样本转换成向量。
在本实施例的一些可选的实现方式中,针对训练样本集合中的训练样本,上述执行主体可以采用如下方式得到训练样本的文本向量:针对训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;而后基于各分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。上述训练样本可以包括输入信息、目标输出信息和离散隐变量。为了区分训练样本中的句子,可以在每个句子末尾加例如[EOS]的标识,以及在目标回复信息所包含的句子的句首加例如[BOS]的标识。对于训练样本中的离散隐变量z,可以由隐向量空间映射得到离散隐变量嵌入Ez。进一步地,为了区分训练样本中对话角色的不同,可以根据训练样本的角色信息设置角色向量role embedding。再者,针对训练样本中多轮交互聊天,基于对话轮次信息可以采用相对顺序设置轮次向量turn embedding。例如,回复的turn embedding始终是E[0],它的上一句是E[-1],以此类推。这里采用对话的相对顺序而不是绝对顺序,可以使得目标回复信息免受其在对话论次的干扰。最后,在训练样本中,基于每个词在各句子内的位置信息可以设置位置向量position embedding。输入预设神经网络的文本向量可以是由上述角色信息、词类型信息、对话轮次信息和位置信息等对应设置的role embedding等向量的相叠加。
本公开的上述实施例提供的用于生成对话模型的方法,获取语料样本集合,而后将语料样本集合中的语料样本分类,并根据分类结果为各语料样本设置离散隐变量,生成包含输入信息、目标回复信息和离散隐变量训练样本集合,最后利用训练样本集合训练预设神经网络,可以得到对话模型。本公开提供的用于生成对话模型的方法可以确定语料样本的离散隐变量,通过引入离散隐变量可以对对话文本之间的“一对多”关系进行有效建模,提高了生成的对话生成模型回复的多样性,从而能够对用户给出的上文进行有效的回答。
进一步参考图3,其示出了用于生成对话模型的方法的又一个实施例的流程300。该用于生成对话模型的方法的流程300,包括以下步骤:
步骤301,获取语料样本集合。
在本实施例中,用于生成对话模型的方法的执行主体(例如图1所示的服务器)可以获取语料样本集合。其中,语料样本集合可以包括多个语料样本,各语料样本可以包括输入信息和目标回复信息。需要说明的是,上述语料样本集合所包含的语料样本为对话语料。例如,上述语料样本集合可以为由Twitter语料库、Reddit语料库等中得到的语料样本集合。
步骤302,将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合。
在本实施例中,基于步骤301获取的语料样本集合,上述执行主体(例如图1所示的服务器)按照语料样本集合中目标回复信息的回复方向可以将语料样本集合中语料样本分为k类。因此,离散隐变量可以在[1,k]中取值,离散隐变量的每个取值对应着目标回复信息中特定的回复方向。上述执行主体根据分类结果可以为各语料样本设置离散隐变量。由此,针对每个语料样本,上述执行主体可以生成包括该语料样本中的输入信息、目标回复信息和该语料样本的离散隐变量的训练样本。上述执行主体利用语料样本集合可以对应地生成训练样本集合。
步骤303,针对训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新转换神经网络的参数。
在本实施例中,预设神经网络可以为转换神经网络,该转换神经网络可以支持文本信息的单向编码和双向编码。转换神经网络可以为UNILM(Unified Language ModelPre-training for Natural Language Understanding and Generation,用于自然语言理解与生成的通用语言模型预训练)中的transformer网络。本实施例中采用的UNILM的transformer网络可以灵活的支持双向编码和单向编码,可以进行同步并行化训练。transformer网络在训练的过程中,可以对输入内容进行编码,编码器的输入自注意力(self-attention)层,该层的输出被送入前馈神经网络,解码器对输出的内容进行解码。需要说明的是,Transformer具有如下特性:在训练的过程中,输入信息中的每个词在经过编码器时流经自己的路径,self-attention层中这些路径之间有依赖关系,然而前馈层并不具有这些依赖关系,所以各种路径在流经前馈层时可以并行执行。或者,转换神经网络可以为其它支持双向编码和单向编码,并可以进行同步并行化训练的神经网络。
在本实施例中,基于步骤302得到的训练样本集合,针对该训练样本集合中的训练样本,上述执行主体可以将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,基于预设的损失函数训练转换神经网络,可以更新该转换神经网络中的参数。在该步骤中将输入信息和离散隐变量作为输入,目标回复信息作为对话模型的期望输出可以训练对话模型的回复生成的任务,从而使得对话模型可以最大化目标回复的概率。
上述损失函数可以表征模型的输出与期望输出之间的差异程度。损失函数越小,模型的输出与期望输出之间的差异程度越小。因此,模型训练的目标是使损失函数的值趋于最小。
步骤304,将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用损失函数训练基于双向注意力机制的转换神经网络,得到对话模型。
在本实施例中,基于步骤302得到的训练样本集合,针对该训练样本集合中的训练样本,上述执行主体可以将该训练样本中的输入信息和目标回复信息作为输入,将该训练样本中的离散隐变量作为期望输出,基于预设的损失函数训练更新后的转换神经网络,从而可以再次更新该转换神经网络中的参数。在该步骤中将输入信息和目标回复信息作为输入,离散隐变量作为对话模型的期望输出可以训练对话模型的隐动作识别的任务,从而使得对话模型可以估计离散隐变量,离散隐变量的准确估计可以有助于提升对话模型输出的回复信息的质量。
在本实施例中,针对训练样本集合中的每个训练样本,均可以采用步骤303和步骤304中的方法对对话模型进行训练。本申请实施例公开的方案是在同一个网络架构、共享网络参数的情况下,同步训练回复生成的任务(对应步骤303)和隐动作识别的任务(对应步骤304),从而使得训练得到的对话模型既可以最大化目标回复的概率又可以基于准确估计的离散应变量确定回复的方向,从而提高了对话模型的可靠性。进一步地,本实施例中采用的UNILM的transformer网络支持双向编码和单向编码,从而可以充分利用输入信息的双向信息和目标回复信息的单向信息,并且模型训练的过程中回复生成任务和隐动作识别任务可以同步训练。
在本实施例的一些可选的实现方式中,上述损失函数可以包括负对数似然损失函数、词袋损失函数和回复信息选择损失函数中的至少一项。负对数似然(negativeloglikelihood,简称NLL)损失函数LNLL是经典的生成损失函数,NLL损失函数通常可以与softmax函数一起使用。词袋(bag-of-words,简称BOW)损失函数LBOW可以用于表征transformer网络输出的离散隐变量与训练样本中的离散隐变量的差异程度,该BOW损失函数主要用于促进离散隐变量的训练。与NLL相比,BOW不考虑词序信息,使得离散隐变量可以抓取回复信息中的全局信息。回复信息选择(response selection,简称RS)损失函数LRS用于表征transformer网络输出的目标回复信息与训练样本中的目标回复信息的差异程度,该RS损失函数主要用于判断回复信息是否与输入信息相关。
上述NLL损失函数、BOW损失函数和RS损失函数可以如下所示:
其中,z表示训练样本中的离散变量,c表示训练样本中的输入信息,r表示训练样本中的目标回复信息,T表示目标回复信息r包含词汇的数量,t表示当前词汇在目标回复信息的词汇序列中的排列序号,r<t表示当前已生成的回复信息的词汇序列。
LRS=-logp(lr=1|c,r)-logp(lr-=0|c,r-)
在本实施例的一些可选的实现方式中,上述预设的损失函数L可以为:L=LNLL+LBOW+LRS。采用该实现方式中的损失函数进行模型训练可以提高生成对话模型的可靠性。
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对话模型的方法的流程400将输入信息和离散隐变量作为输入,目标回复信息作为期望输出训练转换神经网络,以及同步将输入信息和目标回复信息作为输入,离散隐变量作为期望输出训练转换神经网络,实现回复生成任务和隐动作识别任务同步训练,从而使得训练得到的对话模型既可以最大化目标回复的概率又可以基于准确估计的离散应变量确定回复的方向,进一步提高了对话模型的可靠性。
进一步参考图4,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对话模型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4所示,本实施例的用于生成对话模型的装置400包括:获取单元401、生成单元402、训练单元404。其中,获取单元401被配置成获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;生成单元402被配置成将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量;训练单元403被配置成利用训练样本集合训练预设神经,得到对话模型,其中,对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
本公开的上述实施例提供的用于生成对话模型的装置,获取单元401获取语料样本集合,而后生成单元402将语料样本集合中的语料样本分类,并根据分类结果为各语料样本设置离散隐变量,生成包含输入信息、目标回复信息和离散隐变量训练样本集合,最后训练单元403利用训练样本集合训练transformer网络,可以得到对话模型。本公开提供的用于生成对话模型的装置可以确定语料样本的离散隐变量,通过引入离散隐变量可以对对话文本之间的“一对多”关系进行有效建模,提高了生成的对话生成模型回复的多样性,从而能够对用户给出的上文进行有效的回答。
在本实施例的一些可选的实现方式中,所述预设神经网络为转换神经网络,转换神经网络为支持文本信息的单向编码和双向编码的神经网络;训练单元403进一步被配置成:针对训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新转换神经网络的参数;以及将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用损失函数训练基于双向注意力机制的转换神经网络,得到对话模型。
在本实施例的一些可选的实现方式中,训练单元403包括:转换模块,被配置成针对训练样本集合中的训练样本,将该训练样本转换为文本向量;训练模块,被配置成将文本向量输入预设神经网络进行训练,得到对话模型。
在本实施例的一些可选的实现方式中,损失函数包括以下至少一项:负对数似然损失函数、词袋损失函数和回复信息选择损失函数;其中,词袋损失函数用于表征转换神经网络输出的离散隐变量与训练样本中的离散隐变量的差异程度;回复信息选择损失函数用于表征转换神经网络输出的目标回复信息与训练样本中的目标回复信息的差异程度。
在本实施例的一些可选的实现方式中,转换模块进一步被配置成:针对训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;基于各分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。
装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,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)500的结构示意图。图5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5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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5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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501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:获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;将语料样本集合中的语料样本分类,根据分类结果为各语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量;利用训练样本集合训练预设神经网络,得到对话模型,其中,对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
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、训练单元。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“获取语料样本集合的单元”。
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 (12)
1.一种用于生成对话模型的方法,包括:
获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;
将所述语料样本集合中的语料样本分类,根据所述分类结果为各所述语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量,所述离散隐变量至少有一个取值,所述离散隐变量的每个取值对应着所述目标回复信息中特定的回复方向;
利用所述训练样本集合训练预设神经网络,得到所述对话模型,其中,所述对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
2.根据权利要求1所述的方法,其中,所述预设神经网络为转换神经网络,转换神经网络为支持文本信息的单向编码和双向编码的神经网络;
所述利用所述训练样本集合训练预设的神经网络,得到所述对话模型,包括:
针对所述训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新所述转换神经网络的参数;以及
将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用所述损失函数训练基于双向注意力机制的转换神经网络,得到所述对话模型。
3.根据权利要求1或2所述的方法,其中,所述利用所述训练样本集合训练预设神经网络,得到所述对话模型,包括:
针对所述训练样本集合中的训练样本,将该训练样本转换为文本向量;
将所述文本向量输入预设神经网络进行训练,得到所述对话模型。
4.根据权利要求2所述的方法,其中,所述损失函数包括以下至少一项:负对数似然损失函数、词袋损失函数和回复信息选择损失函数;
其中,所述词袋损失函数用于表征所述转换神经网络输出的离散隐变量与训练样本中的离散隐变量的差异程度;
所述回复信息选择损失函数用于表征所述转换神经网络输出的目标回复信息与训练样本中的目标回复信息的差异程度。
5.根据权利要求3所述的方法,其中,所述针对所述训练样本集合中的训练样本,将该训练样本转换为文本向量,包括:
针对所述训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;
基于各所述分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。
6.一种用于生成对话模型的装置,包括:
获取单元,被配置成获取语料样本集合,其中,语料样本包括输入信息和目标回复信息;
生成单元,被配置成将所述语料样本集合中的语料样本分类,根据所述分类结果为各所述语料样本设置离散隐变量,生成训练样本集合,其中,训练样本包括输入信息、目标回复信息和离散隐变量,所述离散隐变量至少有一个取值,所述离散隐变量的每个取值对应着所述目标回复信息中特定的回复方向;
训练单元,被配置成利用所述训练样本集合训练预设神经网络,得到所述对话模型,其中,所述对话模型用于表征输入的输入信息与输出的目标回复信息之间的对应关系。
7.根据权利要求6所述的装置,其中,所述预设神经网络为转换神经网络,转换神经网络为支持文本信息的单向编码和双向编码的神经网络;
所述训练单元进一步被配置成:
针对所述训练样本集合中的训练样本,将该训练样本中的输入信息和离散隐变量作为输入,将该训练样本中的目标回复信息作为期望输出,采用预设的损失函数训练基于单向注意力机制的转换神经网络,更新所述转换神经网络的参数;以及
将该训练样本中的输入信息和目标回复信息作为更新后的转换神经网络的输入,将该训练样本中的离散隐变量作为期望输出,采用所述损失函数训练基于双向注意力机制的转换神经网络,得到所述对话模型。
8.根据权利要求6或7所述的装置,其中,所述训练单元包括:
转换模块,被配置成针对所述训练样本集合中的训练样本,将该训练样本转换为文本向量;
训练模块,被配置成将所述文本向量输入预设神经网络进行训练,得到所述对话模型。
9.根据权利要求7所述的装置,其中,所述损失函数包括以下至少一项:负对数似然损失函数、词袋损失函数和回复信息选择损失函数;
其中,所述词袋损失函数用于表征所述转换神经网络输出的离散隐变量与训练样本中的离散隐变量的差异程度;
所述回复信息选择损失函数用于表征所述转换神经网络输出的目标回复信息与训练样本中的目标回复信息的差异程度。
10.根据权利要求8所述的装置,其中,所述转换模块进一步被配置成:
针对所述训练样本集合中的训练样本,将该训练样本中的输入信息和目标回复信息进行分词;
基于各所述分词的在该训练样本中的角色信息、词类型信息、对话轮次信息和位置信息,将该训练样本转换为文本向量。
11.一种电子设备,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1-5中任一所述的方法。
12.一种计算机可读介质,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1-5中任一所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372144.9A CN111143535B (zh) | 2019-12-27 | 2019-12-27 | 用于生成对话模型的方法和装置 |
JP2020097597A JP7208952B2 (ja) | 2019-12-27 | 2020-06-04 | 対話モデルを生成するための方法及び装置 |
US16/895,297 US11537798B2 (en) | 2019-12-27 | 2020-06-08 | Method and apparatus for generating dialogue model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372144.9A CN111143535B (zh) | 2019-12-27 | 2019-12-27 | 用于生成对话模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143535A CN111143535A (zh) | 2020-05-12 |
CN111143535B true CN111143535B (zh) | 2021-08-10 |
Family
ID=70520812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911372144.9A Active CN111143535B (zh) | 2019-12-27 | 2019-12-27 | 用于生成对话模型的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11537798B2 (zh) |
JP (1) | JP7208952B2 (zh) |
CN (1) | CN111143535B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753068B (zh) * | 2020-05-27 | 2024-03-26 | 江汉大学 | 一种开放域对话回复自动生成方法、系统及存储介质 |
CN111739519A (zh) * | 2020-06-16 | 2020-10-02 | 平安科技(深圳)有限公司 | 基于语音识别的对话管理处理方法、装置、设备及介质 |
CN111710346B (zh) * | 2020-06-18 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 音频处理方法、装置、计算机设备以及存储介质 |
CN112905755A (zh) * | 2020-09-11 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 一种回复文本预测方法、装置、设备及存储介质 |
CN112214592A (zh) * | 2020-11-05 | 2021-01-12 | 中科讯飞互联(北京)信息科技有限公司 | 一种回复对话评分模型训练方法、对话回复方法及其装置 |
CN113139575B (zh) * | 2021-03-18 | 2022-03-01 | 杭州电子科技大学 | 一种基于条件嵌入预训练语言模型的图像标题生成方法 |
CN113420542B (zh) * | 2021-06-23 | 2023-04-18 | 平安科技(深圳)有限公司 | 对话生成方法、装置、电子设备及存储介质 |
CN113378583A (zh) * | 2021-07-15 | 2021-09-10 | 北京小米移动软件有限公司 | 对话回复方法及装置、对话模型训练方法及装置、存储介质 |
US20230069285A1 (en) * | 2021-08-19 | 2023-03-02 | Bank Of America Corporation | Cognitive scrum master assistance interface for developers |
CN114360517B (zh) * | 2021-12-17 | 2023-04-18 | 天翼爱音乐文化科技有限公司 | 一种复杂环境下的音频处理方法、装置及存储介质 |
CN114416943B (zh) * | 2021-12-29 | 2023-04-18 | 北京百度网讯科技有限公司 | 对话模型的训练方法、装置、电子设备及存储介质 |
CN114416948A (zh) * | 2022-01-18 | 2022-04-29 | 重庆邮电大学 | 一种基于语义感知的一对多对话生成方法及装置 |
CN114549935B (zh) * | 2022-02-25 | 2024-05-07 | 北京百度网讯科技有限公司 | 信息生成方法和装置 |
CN114691858B (zh) * | 2022-03-15 | 2023-10-03 | 电子科技大学 | 一种基于改进的unilm摘要生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256066A (zh) * | 2018-01-16 | 2018-07-06 | 智言科技(深圳)有限公司 | 端到端层次解码任务型对话系统 |
CN109582767A (zh) * | 2018-11-21 | 2019-04-05 | 北京京东尚科信息技术有限公司 | 对话系统处理方法、装置、设备及可读存储介质 |
CN110275939A (zh) * | 2019-06-10 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 对话生成模型的确定方法及装置、存储介质、电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762156B2 (en) * | 2011-09-28 | 2014-06-24 | Apple Inc. | Speech recognition repair using contextual information |
JP6946842B2 (ja) * | 2017-08-14 | 2021-10-13 | 日本電信電話株式会社 | モデル学習装置、変換装置、方法、及びプログラム |
CN108681610B (zh) * | 2018-05-28 | 2019-12-10 | 山东大学 | 生成式多轮闲聊对话方法、系统及计算机可读存储介质 |
KR102204979B1 (ko) * | 2018-08-24 | 2021-01-19 | 네이버 주식회사 | 딥러닝 생성모델과 다중모달 분포를 이용하여 멀티턴 대화 응답을 생성하는 방법 및 시스템 |
CN109800286B (zh) * | 2018-12-17 | 2021-05-11 | 北京百度网讯科技有限公司 | 对话生成方法和装置 |
-
2019
- 2019-12-27 CN CN201911372144.9A patent/CN111143535B/zh active Active
-
2020
- 2020-06-04 JP JP2020097597A patent/JP7208952B2/ja active Active
- 2020-06-08 US US16/895,297 patent/US11537798B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256066A (zh) * | 2018-01-16 | 2018-07-06 | 智言科技(深圳)有限公司 | 端到端层次解码任务型对话系统 |
CN109582767A (zh) * | 2018-11-21 | 2019-04-05 | 北京京东尚科信息技术有限公司 | 对话系统处理方法、装置、设备及可读存储介质 |
CN110275939A (zh) * | 2019-06-10 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 对话生成模型的确定方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
Generating Multiple Diverse Responses with Multi-Mapping and Posterior Mapping Selection;Chaotao Chen 等;《Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence(IJCAI-19)》;20190820;第4918-4924页 * |
Also Published As
Publication number | Publication date |
---|---|
US11537798B2 (en) | 2022-12-27 |
US20210200957A1 (en) | 2021-07-01 |
CN111143535A (zh) | 2020-05-12 |
JP2021108094A (ja) | 2021-07-29 |
JP7208952B2 (ja) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143535B (zh) | 用于生成对话模型的方法和装置 | |
CN106997370B (zh) | 基于作者的文本分类和转换 | |
US10388284B2 (en) | Speech recognition apparatus and method | |
JP7066349B2 (ja) | 翻訳方法、翻訳装置及びコンピュータプログラム | |
CN107657017B (zh) | 用于提供语音服务的方法和装置 | |
CN109614111B (zh) | 用于生成代码的方法和装置 | |
US11355097B2 (en) | Sample-efficient adaptive text-to-speech | |
CN109740167B (zh) | 用于生成信息的方法和装置 | |
US11132996B2 (en) | Method and apparatus for outputting information | |
CN111368559A (zh) | 语音翻译方法、装置、电子设备及存储介质 | |
CN112509562B (zh) | 用于文本后处理的方法、装置、电子设备和介质 | |
US20200152183A1 (en) | Systems and methods for processing a conversation message | |
CN111428010A (zh) | 人机智能问答的方法和装置 | |
CN111563390B (zh) | 文本生成方法、装置和电子设备 | |
CN111582360A (zh) | 用于标注数据的方法、装置、设备和介质 | |
CN111159220A (zh) | 用于输出结构化查询语句的方法和装置 | |
CN111104796B (zh) | 用于翻译的方法和装置 | |
CN109739483B (zh) | 用于生成语句的方法和装置 | |
CN115759001A (zh) | 语言模型训练方法、文本预测方法以及装置 | |
CN112364653A (zh) | 用于语音合成的文本分析方法、装置、服务器和介质 | |
CN111681661B (zh) | 语音识别的方法、装置、电子设备和计算机可读介质 | |
CN111090740A (zh) | 一种用于对话系统的知识图谱生成方法 | |
CN110633476B (zh) | 用于获取知识标注信息的方法及装置 | |
CN109635093B (zh) | 用于生成回复语句的方法和装置 | |
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 |