CN111241245B - 人机交互处理方法、装置及电子设备 - Google Patents

Abstract

本申请提出一种人机交互处理方法、装置及电子设备，涉及人工智能技术领域。其中，该方法包括：将获取的查询语句进行切分，确定查询语句包含的各子语句；对每个子语句进行意图解析，确定每个子语句对应的意图；根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系；根据各意图间的意图关系，确定各意图的响应顺序；根据各意图的响应顺序，响应查询语句。由此，通过这种人机交互处理方法，可以在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本。

Description

人机交互处理方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及人工智能技术领域，提出一种人机交互处理方法、装置及电子设备。

背景技术

相关技术中，人机对话系统在获取到用户输入的查询语句后，可以对查询语句进行意图和槽位识别，然后根据识别出的意图和槽位，生成答复语句。

但是，这种交互方式只能识别单一意图的查询语句并进行响应，在复杂意图场景下，增加了用户的交互成本。

发明内容

本申请提出的人机交互处理方法、装置及电子设备，用于解决相关技术中，人机对话系统只能识别单一意图的查询语句并进行响应，在复杂意图场景下，增加了用户的交互成本的问题。

本申请一方面实施例提出的人机交互处理方法，包括：将获取的查询语句进行切分，确定所述查询语句包含的各子语句；对每个子语句进行意图解析，确定每个子语句对应的意图；根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系；根据所述各意图间的意图关系，确定各意图的响应顺序；根据所述各意图的响应顺序，响应所述查询语句。

本申请另一方面实施例提出的人机交互处理装置，包括：第一确定模块，用于将获取的查询语句进行切分，确定所述查询语句包含的各子语句；第二确定模块，用于对每个子语句进行意图解析，确定每个子语句对应的意图；第三确定模块，用于根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系；第四确定模块，用于根据所述各意图间的意图关系，确定各意图的响应顺序；响应模块，用于根据所述各意图的响应顺序，响应所述查询语句。

本申请再一方面实施例提出的电子设备，其包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述的人机交互处理方法。

本申请又一方面实施例提出的存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如前所述的人机交互处理方法。

上述申请中的任一个实施例具有如下优点或有益效果：通过对查询语句包括的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本。因为采用了对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句的技术手段，所以克服了意图和槽位识别的人机交互方式，在复杂意图场景下，增加了用户的交互成本的问题，进而达到了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例所提供的一种人机交互处理方法的流程示意图；

图2为一种查询语句对应的语义树的示意图；

图3为本申请实施例所提供的另一种人机交互处理方法的流程示意图；

图4为一种采用N种切分模式对查询语句进行切分的示意图；

图5为本申请实施例提供的一种人机交互处理装置的结构示意图；

图6为本申请实施例提供的电子设备的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本申请实施例针对相关技术中，人机对话系统只能识别单一意图的查询语句并进行响应，在复杂意图场景下，增加了用户的交互成本的问题，提出一种人机交互处理方法。

下面参考附图对本申请提供的人机交互处理方法、装置、电子设备及存储介质进行详细描述。

下面结合图1，对本申请实施例提供的人机交互处理方法进行详细说明。

图1为本申请实施例所提供的一种人机交互处理方法的流程示意图。

如图1所示，该人机交互处理方法，包括以下步骤：

步骤101，将获取的查询语句进行切分，确定查询语句包含的各子语句。

需要说明的是，本申请实施例的人机交互处理方法，可以由本申请实施例的人机交互处理装置执行。本申请实施例的人机交互处理装置可以配置在任意具有人机交互功能的电子设备中，如手机、电脑、个人数字助理、人机交互语音设备、智能机器人、可穿戴式设备中，本申请实施例对此不做限定。

其中，查询语句，可以是通过输入装置获取的文字信息；也可以是对通过输入装置获取的语音信息进行转换后，生成的文字信息。比如，本申请实施例的人机交互方法应用在具有人机交互功能的智能机器人中时，查询语句可以是通过智能机器人的文字输入装置(如键盘、触摸屏等)获取的用户输入文字信息；也可以是通过智能机器人的麦克风等语音输入装置获取的语音信息，进而将语音信息进行转换生成的文字信息。

在本申请实施例中，为在复杂意图场景中，获取一个查询语句中包括的多个意图，并依次响应查询语句中包括的多个意图，可以将查询语句划分为多个短句，以识别多个短句中分别对应的单个意图。因此，可以首先对获取到的查询语句进行切分，以确定查询语句中包括的各子语句。

进一步的，可以预设对查询语句进行切分的方式和规则，并根据预设的方式或规则对查询语句进行切分。即在本申请实施例一种可能的实现形式中，上述步骤101，可以包括：

按照预设的切分规则，将查询语句进行切分；

和/或，

利用预设的序列标注模型，对查询语句进行编码解码处理，确定查询语句包含的各子语句。

作为一种可能的实现方式，可以按照预设的切分规则，将查询语句进行切分。其中，预设的切分规则，可以是文法规则。

作为一种可能的实现方式，还可以预先训练序列标注模型，以利用预设的序列标注模型对查询语句进行编码解码处理，确定查询语句中包含的各子语句。可选的，预设的序列标注模型可以是条件随机场(conditional random field，简称CRF)模型。

具体的，可以首先将查询语句进行分词处理，以确定查询语句中包括的各字符，并对各字符进行向量化处理，确定各字符分别对应的字向量，以及将各字向量进行组合生成查询语句对应的字向量序列，进而将查询语句对应的字向量序列输入预设的序列标注模型，以利用预设的序列标注模型对查询语句对应的字向量序列进行编码解码处理，以确定出各查询语句中各字符作为意图的起始字符、中间字符及终止字符的概率，进而根据各字符作为意图的起始字符、中间字符及终止字符的概率，确定查询语句中包含的各子语句。

比如，可以预设概率阈值，将起始字符概率大于概率阈值的字符确定为子语句的起始字符，将中间字符概率大于概率阈值的字符确定为子语句的中间字符，将终止字符概率大于概率阈值的字符确定为子语句的终止字符，从而确定出查询语句中包含的各子语句。

进一步的，在通过预设的序列识别模型对查询语句进行切分时，还可以引入命名实体特征、词性特征等，以提高对查询语句进行切分的可靠性。即在本申请实施例一种可能的实现形式中，上述利用预设的序列标注模型，对查询语句进行编码解码处理之前，还可以包括：

对查询语句中各分词进行命名实体识别及词性识别，确定查询语句对应的实体特征及词性特征；

相应的，上述利用预设的序列标注模型，对查询语句进行编码解码处理，包括：

利用预设的序列标注模型，对查询语句及查询语句对应的实体特征及词性特征进行编码解码处理。

其中，查询语句对应的实体特征，可以用于表征查询语句中的各分词是否为实体；查询语句对应的词性特征，可以用于表征查询语句中的各分词的词性。

在本申请实施例一种可能的实现形式中，可以以向量的形式表示查询语句对应的实体特征和词性特征，其中，实体特征中的每个元素可以分别用于表征查询语句中每个分词是否为实体，以及词性特征中的每个元素可以分别用于表征查询语句中每个分词的词性。

举例来说，可以采用“1”表示分词为命名实体，采用“0”表示分词不是命名实体；采用“0”表示词性“名词”，采用“1”表示词性“动词”，采用“2”表示词性“形容词”，采用“3”表示词性“连接词”等等。若查询语句中包括4个分词A、B、C、D，分词A不是命名实体，词性为连接词，分词B是命名实体，词性为名词，分词C不是命名实体，词性为动词，分词D不是命名实体，词性为形容词，则可以确定查询语句对应的实体特征为[0 1 0 0]，查询语句对应的词性特征为[3 0 1 2]。

需要说明的是，在通过向量的形式表示查询语句对应的实体特征和词性特征时，还可以预设实体特征和词性特征分别对应的向量维度，并在查询语句的实体特征或词性特征的维度小于预设的维度时，采用“0”或“1”补齐。

在本申请实施例一种可能的实现方式，可以对查询语句进行分词处理，并对查询语句中的各分词进行命名实体识别及词性识别，以确定查询语句中的各分词是否为命名实体，以及各分词的词性，进而生成对应的实体特征及词性特征。之后将查询语句对应的字向量序列及实体特征、词性特征共同输入预设的序列标注模型，以使预设的序列标注模型对查询语句对应的字向量序列、实体特征及词性特征进行编码解码处理，确定出查询语句中包含的各子语句。

需要说明的是，由于在利用预设的序列标注模型对查询语句进行切分时，引入了查询语句的实体特征和词性特征，从而使得预设的序列标注模型确定的查询语句中各字符作为意图的起始字符的概率，作为意图的中间字符的概率，作为意图的终止字符的概率更加准确，进而使得确定的查询语句中包括的各子语句的可靠性更高。

步骤102，对每个子语句进行意图解析，确定每个子语句对应的意图。

在本申请实施例中，对查询语句进行切分，确定出查询语句中包含的各子语句之后，可以认为各子语句均为包含单个意图需求的查询语句，从而可以通过自然语言理解(Natural Language Understanding，简称NLU)技术，对各子语句进行意图解析，以确定每个子语句对应的意图。

步骤103，根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系。

其中，预设的关系模板，是指可以对意图进行描述的函数，以及可以对意图间的意图关系进行描述的函数。比如，关系模板“F->weather”是用于描述“天气查询”意图的函数；关系模板“F->equal(F1,A)”是用于描述“比较”意图的函数；关系模板“F->remind”是用于描述“提醒”意图的函数；关系模板“F->IfThen(F1,F2)”是用于描述意图F1与意图F2之间的条件关系的函数，即在意图F1成立时，才可以执行意图F2。

其中，意图间的意图关系，可以包括条件关系、顺序关系、独立关系，等等。比如，查询语句“如果明天下雨则提醒我带伞”，包括“如果明天下雨”和“提醒我带伞”两个意图，且两个意图间为条件关系，即只有在明天下雨时才执行“提醒我带伞”的意图；查询语句“打开空调，打开电视机”包括“打开空调”和“打开电视”两个意图，且两个意图间为独立关系，即两个意图间的执行不具有依赖关系；查询语句“打开电视并看中央一台”包括“打开电视”和“看中央一台”两个意图，而“看中央一台”的意图必须在“打开电视”的意图执行之后才能执行，从而两个意图为顺序关系。

在本申请实施例中，可以对支持知识关系描述的算法进行升级，使得该算法支持意图关系的描述，即将其从支持F(T)扩展到支持F(T)和F(F)，其中，F代表意图，T代表类型。

举例来说，F1为播放音乐的需求配置，F2为音量控制的需求配置，F3为电视开关的需求配置，通过增加F(F1[]＝0,F2[]＝0,F3[]＝0)配置就可以完成支持音乐播放、音量控制、电视开关的组合需求。具体的，“[]”表示相同需求可重复，即同一个指令中可以包含多个相同意图的需求，如打开灯、关闭电视，这里打开灯和关闭电视是相同的意图需求；“＝0”表示可省，即用户需求中可以不存在此意图；综上所述，F(F1[]＝0,F2[]＝0,F3[]＝0)可以支持的需求示例有：“打开灯关闭电视”、“打开灯打开电视音量调到50”、“打开电视播放刘德华的mv音量调到50”等，从而实现了对多意图需求的描述和配置。

作为一种可能的实现方式，可以为每个预设的关系模板设置对应的句型模板或关键词集，进而根据每个子语句对应的句型或关键词，确定每个子语句对应的关系模板，以及根据整个查询语句的句型或关键词，确定各意图间的意图关系。

可选的，可以为每个预设的关系模板设置对应的句型模板，比如，“天气查询”意图的关系模板对应的句型模板可以为“日期+天气类型”；“天气结果比较”意图的关系模板对应的句型模板可以为“如果/若+日期+天气类型”、“日期+天气类型+吗”等等；“提醒”意图的关系模板对应的句型模板可以为“提醒…”；描述意图间的条件关系的关系模板对应的句型模板可以为“如果…那么…”、“若…则…”、“如果…”等等。

举例来说，查询语句“如果明天下雨则提醒我带伞”，确定的各子语句为“如果明天下雨”和“则提醒我带伞”，从而可以确定“如果明天下雨”对应的关系模板为“F1->equal(F->weather,WeatherFocus)”，“则提醒我带伞”对应的关系模板为“F2＝F->remind”，由于两个子语句间由“如果…则…”连接，从而可以确定意图F1与意图F2间的意图关系为条件关系，即查询语句整体对应的关系模板为F->IfThen(F1->equal,F2->remind)。

可选的，还可以为每个预设的关系模板设置对应的关键词集。即在本申请实施例一种可能的实现形式中，上述步骤103，可以包括：

根据各子语句间的连接词与预设的关系模板对应的关键词集中的各关键词的匹配度，确定各子语句对应的意图间的意图关系。

可以理解的是，各子语句间的连接词可以表达各子语句间的关系，进而可以用于表达各子语句对应的意图间的意图关系，从而可以根据各子语句间的连接词与预设的关系模板对应的关键词集中各关键词的匹配度，确定各子语句对应的意图间的意图关系。具体的，若关系目标对应的关键词集中存在与子语句间的连接词匹配度大于匹配度阈值的关键词，则可以将采用该关系模板表达各子语句间的意图关系。

举例来说，表达意图间的条件关系的关系模板“F->IfThen(F1,F2)”对应的关键词集为“如果…那么…、若…则…、如果…则…、如果…”，查询语句为“如果明天下雨则提醒我带伞”，确定的各子语句为“如果明天下雨”和“则提醒我带伞”，从而可以确定各子语句对应的意图间的意图关系为条件关系。即可以采用F->IfThen(F1->equal(F->weather,WeatherFocus),F2->remind)对整个查询语句进行描述。

步骤104，根据各意图间的意图关系，确定各意图的响应顺序。

在本申请实施例中，确定出查询语句中各子语句对应的意图间的意图关系之后，可以根据各意图间的意图关系，确定各意图的响应顺序。

作为一种可能的实现方式，还可以根据对各意图间的意图关系的描述，构建查询语句对应的语义树，进而采用深度优先原则对查询语句对应的语义树中的各个意图节点进行遍历，并将遍历过程中对各意图节点的遍历顺序，确定为各意图的响应顺序。

举例来说，查询语句为“如果明天下雨则提醒我带伞”，对该查询语句进行描述的函数为F->IfThen(F1->equal(F->weather,WeatherFocus),F2->remind)，从而根据该函数构建的语义树如图2所示，各意图的响应顺序即为对该语义树中各节点以深度优先原则进行遍历的顺序。

需要说明的是，在构建查询语句对应的语义树时，是由下至上进行构建的，即首先构建各子语句语言结构和激活条件构建各子树，进而完成整个语义树的构建；若某个子语句构建失败(如不符合激活条件)，则结束对整个语义树的构建。比如，若F1->equal(F->weather,WeatherFocus)的返回值为“false”，即明天不下雨，即F1对应的子树构建失败，从而可以停止整个语义树的构建。

步骤105，根据各意图的响应顺序，响应查询语句。

在本申请实施例中，确定出查询语句中包括的各意图的响应顺序之后，可以根据各意图的响应顺序依次对各意图进行执行，以响应查询语句。

举例来说，查询语句为“如果明天下雨则提醒我带伞”，对该查询语句进行描述的函数为F->IfThen(F1->equal(F->weather,WeatherFocus),F2->remind)，则可以根据各意图的响应顺序，首先执行F->weather，对明天的天气进行查询，之后执行F1->equal(F->weather,WeatherFocus)，以将F->weather的返回值(即明天的天气查询结果)与WeatherFocus(即下雨)进行比较，进而执行F->IfThen，对F1->equal的返回值进行判断，若F1->equal的返回值为“true”(即明天下雨)，则执行F2->remind，即“提醒我带伞”；若F1->equal的返回值为“false”(即明天不下雨)，则不执行F2->remind，从而完成对查询语句的响应。

进一步的，在对查询语句进行响应时，每个意图可以对应一个对话管理(DialogManagement，简称DM)组件，进而利用每个意图对应的DM组件对各意图进行响应。即在本申请实施例一种可能的实现形式中，上述步骤105，可以包括：

根据各意图的响应顺序，依次调用与每个意图对应的对话管理组件，以生成每个意图的响应语句；

根据查询语句中每个子语句对应的意图的响应语句，确定查询语句的响应语句；

输出响应语句。

作为一种可能的实现方式，查询语句对应的语义树中的每个意图节点对应一个DM组件，并可以对DM组件进行抽象，构建虚拟DM类。其中，虚拟DM类的子类可以是物理DM，也可以采用代码逻辑实现。即语义树中的每个非叶子节点(即意图节点)抽象为虚拟DM类型，语义树中的每个叶子节点(即每个意图节点对应的子节点)为物理DM，可连接具体的某类服务机器人程序(bot)。

具体的，DM组件以一个意图聊天机器人程序映射(intent-vbot map)词典进行管理，语义树上每个意图结点与此词典做关联，在进行深度优先遍历时，当进行某个意图结点计算时，通过此节点的配置在intent-vbot map中获得DM处理句柄，并将此节点的子节点以参数的方式传递给DM处理句柄进行计算执行，以生成该意图对应的响应语句。采用相同的方法依次生成每个子语句对应的意图的响应语句，直至语义树的根节点(即语义树中查询语句的子节点)执行完毕之后，即可确定出查询语句的响应语句，进而输出响应语句，以对查询语句进行响应，即将执行结果返回给用户，满足用户对复杂多意图场景的需求。

需要说明的是，由于在实际使用过程中，用户可能发出单意图指令，也可能发出多意图指令，因此在实际使用时，本申请实施例的人机交互处理方法可以与单意图的人机交互处理方法并行，并对两种方法的意图识别的置信度，对两种方法的识别结果进行排序，并根据置信度较大的方法的识别结果对查询语句进行响应，以进一步提高响应语句的可靠性。

根据本申请实施例的技术方案，通过对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句。由此，通过对查询语句包括的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本。

在本申请一种可能的实现形式中，还可以采用多种并行的切分方式对查询语句进行切分，并根据多种切分方式的置信度，确定用于后续处理过程的切分结果，以进一步提高意图理解的可靠性。

下面结合图3，对本申请实施例提供的人机交互处理方法进行进一步说明。

图3为本申请实施例所提供的另一种人机交互处理方法的流程示意图。

如图3所示，该人机交互处理方法，包括以下步骤：

步骤201，分别利用N种切分模式，将获取的查询语句进行切分，确定查询语句包含的N个子语句集及每个子语句集对应的第一置信度，其中，每个子语句集中包括多个子语句，N为大于1的整数。

在本申请实施例中，对获取到的查询语句进行切分时，可以预先设置多种切分模式，并分别利用预先设置的多种切分模式对查询语句进行切分，以获得每种切分模式对应的子语句集，以及每个子语句集对应的第一置信度，从而可以根据每个子语句集对应的第一置信度，从多个子语句集中筛选出可靠性较高的子语句集，进而提高意图识别和理解的可靠性。

需要说明的是，对查询语句进行切分的N种切分模式可以包括基于文法规则的切分模式、基于CRF的切分模式、文法规则与CRF相结合的切分模式，等等。实际使用时，对查询语句进行切分的切分模式可以包括但不限于以上列举的情形，可以根据实际需要和具体的应用场景选择合适的切分模式，本申请实施例对此不做限定。

步骤202，根据每个子语句集对应的第一置信度及预设的每种切分模式对应的第二置信度，从N个子语句集中选取目标子语句集。

在本申请实施例中，利用N种切分模式对查询语句进行切分以后，可以根据每个子语句集对应的第一置信度及每种切分模式对应的第二置信度，对N个子语句集进行排序，以从N个子语句集中选取可靠性较高的目标子语句集。

可选的，可以将子语句集对应的第一置信度与该子语句集对应的切分模式的第二置信度的均值，确定为该子语句集的目标置信度，并根据N各子语句集的目标置信度，对N各子语句集进行排序，进而将目标置信度最大的子语句集确定为目标子语句集。

举例来说，如图4所示，为一种采用N种切分模式对查询语句进行切分的示意图。在采用多种切分模式对查询语句进行切分之前，还可以通过特征提取模块对查询语句进行特征提取或者接收外部传入的特征(如命名实体识别、词性识别等)，之后每种切分模式根据自身的切分策略，结合提取或引入的特征对查询语句进行切分，以获得每种切分模式对应的子语句集，以及每个子语句集对应的第一置信度，进而对多个子语句集进行排序。

需要说明的是，可以采用广义线性回归(Logistic Regression，简称LR)模型、Gradient Boosting Decision Tree(GBDT)模型等机器学习模型对各子语句集进行排序。实际使用时，可以根据实际需要和具体的应用场景，选择合适的切分模式和排序模型，以及根据引入的特征、各切分模式间的依赖关系对切分模式进行配置，本申请实施例对此不做限定。

步骤203，对目标子语句集中的每个子语句进行意图解析，确定每个子语句对应的意图。

步骤204，根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系。

步骤205，根据各意图间的意图关系，确定各意图的响应顺序。

步骤206，根据各意图的响应顺序，响应查询语句。

上述步骤203-206的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。

根据本申请实施例的技术方案，通过分别利用N种切分模式，将获取的查询语句进行切分，确定查询语句包含的N个子语句集及每个子语句集对应的第一置信度，并根据每个子语句集对应的第一置信度及预设的每种切分模式对应的第二置信度，从N个子语句集中选取目标子语句集，之后对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句。由此，通过多种切分模式对查询语句进行切分，并对可靠性较高的切分结果中的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而不仅实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本，而且进一步提高了意图识别和理解的可靠性。

为了实现上述实施例，本申请还提出一种人机交互处理装置。

图5为本申请实施例提供的一种人机交互处理装置的结构示意图。

如图5所示，该人机交互处理装置30，包括：

第一确定模块31，用于将获取的查询语句进行切分，确定查询语句包含的各子语句；

第二确定模块32，用于对每个子语句进行意图解析，确定每个子语句对应的意图。

第三确定模块33，用于根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系。

第四确定模块34，用于根据各意图间的意图关系，确定各意图的响应顺序。

响应模块35，用于根据各意图的响应顺序，响应查询语句。

在实际使用时，本申请实施例提供的人机交互处理装置，可以被配置在任意电子设备中，以执行前述人机交互处理方法。

根据本申请实施例的技术方案，通过对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句。由此，通过对查询语句包括的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本。

在本申请一种可能的实现形式中，上述第一确定模块31，具体用于：

按照预设的切分规则，将查询语句进行切分；

和/或，

利用预设的序列标注模型，对查询语句进行编码解码处理，确定查询语句包含的各子语句。

进一步的，在本申请另一种可能的实现形式中，上述第一确定模块31，还用于：

对查询语句中各分词进行命名实体识别及词性识别，确定查询语句对应的实体特征及词性特征；

利用预设的序列标注模型，对查询语句及查询语句对应的实体特征及词性特征进行编码解码处理。

进一步的，在本申请再一种可能的实现形式中，上述第一确定模块31，还用于：

分别利用N种切分模式，将获取的查询语句进行切分，确定查询语句包含的N个子语句集及每个子语句集对应的第一置信度，其中，每个子语句集中包括多个子语句，N为大于1的整数；

根据每个子语句集对应的置信度及预设的每种切分模式对应的第二置信度，从N个子语句集中选取目标子语句集。

在本申请一种可能的实现形式中，上述第三确定模块33，具体用于：

根据各子语句间的连接词与预设的关系模板对应的关键词集中的各关键词的匹配度，确定各子语句对应的意图间的意图关系。

在本申请一种可能的实现形式中，上述响应模块35，具体用于：

根据各意图的响应顺序，依次调用与每个意图对应的对话管理组件，以生成每个意图的响应语句；

根据查询语句中每个子语句对应的意图的响应语句，确定查询语句的响应语句；

输出响应语句。

需要说明的是，前述对图1、图3所示的人机交互处理方法实施例的解释说明也适用于该实施例的人机交互处理装置30，此处不再赘述。

根据本申请实施例的技术方案，通过分别利用N种切分模式，将获取的查询语句进行切分，确定查询语句包含的N个子语句集及每个子语句集对应的第一置信度，并根据每个子语句集对应的第一置信度及预设的每种切分模式对应的第二置信度，从N个子语句集中选取目标子语句集，之后对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句。由此，通过多种切分模式对查询语句进行切分，并对可靠性较高的切分结果中的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而不仅实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本，而且进一步提高了意图识别和理解的可靠性。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的人机交互处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个电子设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的人机交互处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人机交互处理方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人机交互处理方法对应的程序指令/模块(例如，附图5所示的第一确定模块31、第二确定模块32、第三确定模块33、第四确定模块34及响应模块35)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人机交互处理方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据人机交互处理方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至人机交互处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

人机交互处理方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与人机交互处理方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，通过对获取的查询语句中包含的各子语句进行意图解析，确定每个子语句对应的意图，并根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，之后根据各意图间的意图关系，确定各意图的响应顺序，进而根据各意图的响应顺序，响应查询语句。由此，通过对查询语句包括的各子语句进行意图解析，并对各子语句对应的意图间的关系进行推理，进而根据各意图间的关系依次响应各意图，从而实现了在复杂意图需求场景下，同时支持多个意图的理解和响应，降低了用户的交互成本。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种人机交互处理方法，其特征在于，包括：

将获取的查询语句进行切分，确定所述查询语句包含的各子语句；

对每个子语句进行意图解析，确定每个子语句对应的意图；

根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，其中，所述预设的关系模板，包括对意图进行描述的函数，以及对意图间的意图关系进行描述的函数；

根据所述各意图间的意图关系，确定各意图的响应顺序；

根据所述各意图的响应顺序，响应所述查询语句。

2.如权利要求1所述的方法，其特征在于，所述将获取的查询语句进行切分，包括：

按照预设的切分规则，将所述查询语句进行切分；

和/或，

利用预设的序列标注模型，对所述查询语句进行编码解码处理，确定所述查询语句包含的各子语句。

3.如权利要求2所述的方法，其特征在于，所述利用预设的序列标注模型，对所述查询语句进行编码解码处理之前，还包括：

对所述查询语句中各分词进行命名实体识别及词性识别，确定所述查询语句对应的实体特征及词性特征；

利用预设的序列标注模型，对所述查询语句进行编码解码处理，包括：

利用预设的序列标注模型，对所述查询语句及所述查询语句对应的实体特征及词性特征进行编码解码处理。

4.如权利要求1所述的方法，其特征在于，所述将获取的查询语句进行切分，确定所述查询语句包含的各子语句，包括：

分别利用N种切分模式，将获取的查询语句进行切分，确定所述查询语句包含的N个子语句集及每个子语句集对应的第一置信度，其中，每个子语句集中包括多个子语句，N为大于1的整数；

根据每个子语句集对应的第一置信度及预设的每种切分模式对应的第二置信度，从所述N个子语句集中选取目标子语句集。

5.如权利要求1所述的方法，其特征在于，所述根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，包括：

根据各子语句间的连接词与预设的关系模板对应的关键词集中的各关键词的匹配度，确定各子语句对应的意图间的意图关系。

6.如权利要求1-5任一所述的方法，其特征在于，所述根据所述各意图的响应顺序，响应所述查询语句，包括：

根据各意图的响应顺序，依次调用与每个意图对应的对话管理组件，以生成每个意图的响应语句；

根据所述查询语句中每个子语句对应的意图的响应语句，确定所述查询语句的响应语句；

输出所述响应语句。

7.一种人机交互处理装置，其特征在于，包括：

第一确定模块，用于将获取的查询语句进行切分，确定所述查询语句包含的各子语句；

第二确定模块，用于对每个子语句进行意图解析，确定每个子语句对应的意图；

第三确定模块，用于根据各子语句与预设的关系模板间的映射关系，确定各子语句对应的意图间的意图关系，其中，所述预设的关系模板，包括对意图进行描述的函数，以及对意图间的意图关系进行描述的函数；

第四确定模块，用于根据所述各意图间的意图关系，确定各意图的响应顺序；

响应模块，用于根据所述各意图的响应顺序，响应所述查询语句。

8.如权利要求7所述的装置，其特征在于，所述第一确定模块，具体用于：

按照预设的切分规则，将所述查询语句进行切分；

和/或，

利用预设的序列标注模型，对所述查询语句进行编码解码处理，确定所述查询语句包含的各子语句。

9.如权利要求8所述的装置，其特征在于，所述第一确定模块，还用于：

对所述查询语句中各分词进行命名实体识别及词性识别，确定所述查询语句对应的实体特征及词性特征；

利用预设的序列标注模型，对所述查询语句及所述查询语句对应的实体特征及词性特征进行编码解码处理。

10.如权利要求7所述的装置，其特征在于，所述第一确定模块，还用于：

分别利用N种切分模式，将获取的查询语句进行切分，确定所述查询语句包含的N个子语句集及每个子语句集对应的第一置信度，其中，每个子语句集中包括多个子语句，N为大于1的整数；

根据每个子语句集对应的置信度及预设的每种切分模式对应的第二置信度，从所述N个子语句集中选取目标子语句集。

11.如权利要求7所述的装置，其特征在于，所述第三确定模块，具体用于：

根据各子语句间的连接词与预设的关系模板对应的关键词集中的各关键词的匹配度，确定各子语句对应的意图间的意图关系。

12.如权利要求7-11任一所述的装置，其特征在于，所述响应模块，具体用于：

根据各意图的响应顺序，依次调用与每个意图对应的对话管理组件，以生成每个意图的响应语句；

根据所述查询语句中每个子语句对应的意图的响应语句，确定所述查询语句的响应语句；

输出所述响应语句。

13.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。

Images