CN111309888B - 人机对话方法、装置、电子设备及存储介质 - Google Patents
人机对话方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111309888B CN111309888B CN202010116245.6A CN202010116245A CN111309888B CN 111309888 B CN111309888 B CN 111309888B CN 202010116245 A CN202010116245 A CN 202010116245A CN 111309888 B CN111309888 B CN 111309888B
- Authority
- CN
- China
- Prior art keywords
- reply
- content
- replies
- user input
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 230000014509 gene expression Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000003993 interaction Effects 0.000 description 10
- 230000005284 excitation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 241000238371 Sepiidae Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/33—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
- G06F16/338—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- User Interface Of Digital Computer (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了人机对话方法、装置、电子设备及存储介质,涉及人工智能领域,其中的方法可包括:在对话过程中,当需要针对用户输入生成回复时,若确定用户输入中包含语义内容,则分别确定出N条回复,N为大于一的正整数,每条回复分别对应于不同的反馈意图;将N条回复按预定顺序进行拼接,将拼接结果作为生成的回复反馈给用户。应用本申请所述方案,可提升回复质量等。
Description
技术领域
本申请涉及计算机应用技术,特别涉及人工智能领域的人机对话方法、装置、电子设备及存储介质。
背景技术
人机对话过程中,主要根据指定的系统意图和语义内容生成针对用户输入的回复,比如,将语义内容在对应的槽位话术(带有槽位的回复模板)上进行填槽,将填槽结果作为生成的回复。但按照这种方式生成的回复内容单一生硬等,回复质量不高。
发明内容
有鉴于此,本申请提供了人机对话方法、装置、电子设备及存储介质。
一种人机对话方法,包括:
在对话过程中,当需要针对用户输入生成回复时,若确定所述用户输入中包含语义内容,则分别确定出N条回复,N为大于一的正整数,每条回复分别对应于不同的反馈意图;
将所述N条回复按预定顺序进行拼接,将拼接结果作为生成的回复反馈给用户。
根据本申请一优选实施例,所述N条回复包括:第一回复、第二回复以及第三回复;其中,所述第一回复对应的反馈意图包括:响应用户意图;所述第二回复对应的反馈意图包括:对接下来要表达的第一内容进行解释说明;所述第三回复对应的反馈意图包括:对所述第一内容进行表达;
所述将所述N条回复按预定顺序进行拼接包括:按照第一回复、第二回复以及第三回复的顺序将3条回复进行拼接。
根据本申请一优选实施例,所述N条回复中进一步包括:第四回复;所述第四回复对应的反馈意图包括:对下一轮要表达的第二内容进行引导;
所述将所述N条回复按预定顺序进行拼接包括:按照第一回复、第二回复、第三回复以及第四回复的顺序将4条回复进行拼接。
根据本申请一优选实施例,所述确定所述用户输入中包含语义内容包括:对所述用户输入进行语义抽取,若抽取结果不为空,则确定所述用户输入中包含语义内容,否则,确定所述用户输入中不包含语义内容。
根据本申请一优选实施例,确定出所述第一回复包括:确定出所述用户输入对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为所述第一回复。
根据本申请一优选实施例,该方法进一步包括:若确定所述用户输入中不包含语义内容,则确定出所述用户输入对应的系统意图,将所述系统意图对应的高频回复作为候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
根据本申请一优选实施例,确定出所述第二回复包括:对所述第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述第一内容之间的相似度评分,将评分最高的候选回复作为所述第二回复。
根据本申请一优选实施例,确定出所述第三回复包括:若所述第一内容为文本型数据,则将所述第一内容转换为口语化表达形式,将转换结果作为所述第三回复;若所述第一内容为结构型数据,则根据所述结构型数据生成所述第三回复。
根据本申请一优选实施例,确定出所述第四回复包括:对所述第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、所述第二内容及所述系统意图输入预先训练得到的生成模型,得到输出的所述第四回复。
一种人机对话装置,包括:第一回复单元以及第二回复单元;
所述第一回复单元,用于在对话过程中,当需要针对用户输入生成回复时,若确定所述用户输入中包含语义内容,则分别确定出N条回复,N为大于一的正整数,每条回复分别对应于不同的反馈意图;
所述第二回复单元,用于将所述N条回复按预定顺序进行拼接,将拼接结果作为生成的回复反馈给用户。
根据本申请一优选实施例,所述N条回复包括:第一回复、第二回复以及第三回复;其中,所述第一回复对应的反馈意图包括:响应用户意图;所述第二回复对应的反馈意图包括:对接下来要表达的第一内容进行解释说明;所述第三回复对应的反馈意图包括:对所述第一内容进行表达;
所述第二回复单元按照第一回复、第二回复以及第三回复的顺序将3条回复进行拼接。
根据本申请一优选实施例,所述N条回复中进一步包括:第四回复;所述第四回复对应的反馈意图包括:对下一轮要表达的第二内容进行引导;
所述第二回复单元按照第一回复、第二回复、第三回复以及第四回复的顺序将4条回复进行拼接。
根据本申请一优选实施例,所述第一回复单元对所述用户输入进行语义抽取,若抽取结果不为空,则确定所述用户输入中包含语义内容,否则,确定所述用户输入中不包含语义内容。
根据本申请一优选实施例,所述第一回复单元确定出所述用户输入对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为所述第一回复。
根据本申请一优选实施例,所述第一回复单元进一步用于,若确定所述用户输入中不包含语义内容,则确定出所述用户输入对应的系统意图,将所述系统意图对应的高频回复作为候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
根据本申请一优选实施例,所述第一回复单元对所述第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述第一内容之间的相似度评分,将评分最高的候选回复作为所述第二回复。
根据本申请一优选实施例,所述第一回复单元在所述第一内容为文本型数据时,将所述第一内容转换为口语化表达形式,将转换结果作为所述第三回复,在所述第一内容为结构型数据时,根据所述结构型数据生成所述第三回复。
根据本申请一优选实施例,所述第一回复单元对所述第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、所述第二内容及所述系统意图输入预先训练得到的生成模型,得到输出的所述第四回复。
一种电子设备,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以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:可针对用户的输入分别确定出多条回复,每条回复分别对应于不同的反馈意图,并可将多条回复按预定顺序进行拼接后作为生成的回复反馈给用户,从而在生成的回复中包含了机器的多种反馈意图,实现了多种反馈意图的有机结合,丰富了回复内容,并使得表达更为流畅,进而提升了回复质量,另外,使得用户可以更好的感受到机器理解了自己,也可以使得用户更好的理解机器生成的回复,从而在多轮对话中实现沉浸式的人机交互;其中,不同的回复可分别对应于响应用户意图、对接下来要表达的第一内容进行解释说明、对第一内容进行表达及对下一轮要表达的第二内容进行引导等反馈意图,从而使得生成的回复同时包含承前、启后、知识表达以及激发引导等各种功能,进而进一步提升了回复质量;可分别结合抽取出的语义内容及系统意图等确定出各个回复,从而确保了确定出的各个回复的准确性,进而进一步提升了回复质量等;上述可选方式所具有的其它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为本申请所述人机对话方法实施例的流程图;
图2为本申请所述不同反馈意图之间的关系示意图;
图3为本申请所述针对无语义内容及有语义内容的用户输入的处理方式示意图;
图4为本申请所述生成第二回复的过程示意图;
图5为本申请所述生成第四回复的过程示意图;
图6为本申请所述人机交互装置600实施例的组成结构示意图;
图7为根据本申请实施例所述方法的电子设备的框图。
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。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本申请所述人机对话方法实施例的流程图。如图1所示,包括以下具体实现方式。
在101中,在对话过程中,当需要针对用户输入生成回复时,若确定用户输入中包含语义内容,则分别确定出N条回复,N为大于一的正整数,每条回复分别对应于不同的反馈意图。
在102中,将N条回复按预定顺序进行拼接,将拼接结果作为生成的回复反馈给用户。
N的具体取值可根据实际需要而定。优选地,N的取值可为3或4。
当N的取值为3时,3条回复可包括:第一回复、第二回复以及第三回复;其中,第一回复对应的反馈意图可包括:响应用户意图;第二回复对应的反馈意图可包括:对接下来要表达的第一内容进行解释说明;第三回复对应的反馈意图可包括:对第一内容进行表达。相应地,将3条回复按预定顺序进行拼接时,可按照第一回复、第二回复以及第三回复的顺序将3条回复进行拼接。
当N的取值为4时,还可进一步包括第四回复,第四回复对应的反馈意图可包括:对下一轮要表达的第二内容进行引导。相应地,可按照第一回复、第二回复、第三回复以及第四回复的顺序将4条回复进行拼接。
图2为本申请所述不同反馈意图之间的关系示意图。如图2所示,其中,“响应用户意图”的反馈意图起到“承前”的功能,“对接下来要表达的第一内容进行解释说明”的反馈意图起到“启后”的功能,“对第一内容进行表达”的反馈意图起到“知识表达”的功能,对“对下一轮要表达的第二内容进行引导”的反馈意图起到“激发引导”的功能。“承前”、“启后”、“知识表达”及“激发引导”分别对应于第一回复、第二回复、第三回复和第四回复,可将第一回复、第二回复、第三回复和第四回复依次进行拼接,从而得到最终生成的回复。
以下分别对第一回复、第二回复、第三回复及第四回复的具体生成方式进行说明。
1)第一回复
如前所述,第一回复对应于“承前”的功能,对用户意图做出反馈,响应用户意图,使得用户感受到机器理解了自己的意图。
针对获取到的用户输入,可首先对其进行语义抽取,若抽取结果不为空,则可确定用户输入中包含语义内容,否则,可确定用户输入中不包含语义内容。
若确定用户输入中不包含语义内容(无语义内容),那么可确定出用户输入对应的系统意图,将系统意图对应的高频回复作为候选回复,并分别确定出各候选回复与用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
若确定用户输入中包含语义内容(有语义内容),可确定出用户输入对应的系统意图,获取系统意图对应的槽位话术,将抽取出的语义内容添加到槽位话术中的槽位中,得到候选回复,并分别确定出各候选回复与用户输入之间的相似度评分,将评分最高的候选回复作为第一回复。
图3为本申请所述针对无语义内容及有语义内容的用户输入的处理方式示意图。
如图3所示,假设用户输入为“hi,你好啊”,对其进行语义抽取后确定无语义内容,如可利用实体识别模型从“hi,你好啊”中抽取重要的语义内容,具体的实体识别算法可采用长短期记忆网络(LSTM,Long Short-Term Memory)+条件随机场(CRF,ConditionalRandom Field)算法。之后,可确定出“hi,你好啊”对应的系统意图,如可基于预先训练得到的意图分类模型或预先定义的意图分类规则等对“hi,你好啊”进行意图分类,从而确定出“hi,你好啊”对应的系统意图,假设为“打招呼”。基于大量的对话数据,预先可分别收集整理不同的系统意图对应的高频回复,相应地,可将“打招呼”这一系统意图对应的高频回复作为候选回复,假设包括“hello”、“hi”和“你好啊”。之后,可分别确定出“hello”、“hi”和“你好啊”与“hi,你好啊”之间的相似度评分,如可利用预先训练得到的评分模型来确定相似度评分,所述评分模型可为词袋(BOW,Bag of Words)模型等,即将候选回复和用户输入作为模型输入,输出两者之间的相似度评分。可将评分最高的候选回复作为生成的回复反馈给用户,假设“hello”、“hi”和“你好啊”与“hi,你好啊”之间的相似度评分分别为0.6、0.55、0.65,那么可将0.65对应的候选回复“你好啊”作为生成的回复反馈给用户。
如图3所示,假设用户输入为“hi,你喜欢看电影吗”,对其进行语义抽取,抽取出语义内容“电影”。之后,可确定出“hi,你喜欢看电影吗”对应的系统意图,假设为“询问”。基于大量的对话数据,可预先分别收集整理不同的系统意图对应的槽位话术,如“询问”对应的槽位话术可包括:“我很喜欢Tag”、“我特别欣赏Tag”、“Tag是我的最爱”,其中的“Tag”即表示槽位。可将“电影”分别添加到各槽位话术中的槽位中,从而得到各候选回复如下:“我很喜欢电影”、“我特别欣赏电影”、“电影是我的最爱”。之后,可分别确定出“我很喜欢电影”、“我特别欣赏电影”、“电影是我的最爱”与“hi,你喜欢看电影吗”之间的相似度评分。可将评分最高的候选回复作为第一回复,假设“我很喜欢电影”、“我特别欣赏电影”、“电影是我的最爱”与“hi,你喜欢看电影吗”之间的相似度评分分别为0.6、0.55、0.33,那么可将0.6对应的候选回复“我很喜欢电影”作为第一回复。
2)第二回复
第二回复对应于“启后”的功能,对机器接下来要表达的内容进行解释说明,使得用户更加容易理解机器的目标。为便于表述,将接下来要表达的内容称为第一内容。
如何确定接下来要表达的内容(即接下来要表达什么内容)不作限制,如可根据预先设定的规则而定。
可对第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取系统意图对应的槽位话术,将抽取出的语义内容添加到槽位话术中的槽位中,得到候选回复,并分别确定出各候选回复与第一内容之间的相似度评分,将评分最高的候选回复作为第二回复。
图4为本申请所述生成第二回复的过程示意图。如图4所示,假设第一内容为“王**在天下无贼中本色出演的角色成了经典”,可抽取出语义内容“王**”。之后,可确定出“王**”对应的系统意图,假设为“关键Tag”。基于大量的对话数据,可预先分别收集整理不同的系统意图对应的槽位话术,如“关键Tag” 对应的槽位话术可包括:“我们来聊聊Tag吧”、“我们来聊聊Tag怎么样”、“你喜欢Tag吗,我们来聊聊吧”、“Tag最近特别火,我们来聊聊怎么样”,其中的“Tag”表示槽位。可将“王**”分别添加到各槽位话术中的槽位中,从而得到各候选回复如下:“我们来聊聊王**吧”、“我们来聊聊王**怎么样”、“你喜欢王**吗,我们来聊聊吧”、“王**最近特别火,我们来聊聊怎么样”。之后,可分别确定出各候选回复与“王**在天下无贼中本色出演的角色成了经典”之间的相似度评分。可将评分最高的候选回复作为第一回复,假设各候选回复与“王**在天下无贼中本色出演的角色成了经典”之间的相似度评分分别为0.45、0.66、0.55、0.5,那么可将0.66对应的候选回复“我们来聊聊王**怎么样”作为生成的第二回复。
3)第三回复
第三回复对应于“知识表达”的功能,获得当前需要与用户交互的第一内容。
第一内容通常为文本型数据或结构型数据。若第一内容为文本型数据,可将第一内容转换为口语化表达形式,将转换结果作为第三回复。若第一内容为结构型数据,可根据结构型数据生成第三回复。
如何将文本型数据转换为口语化表达形式为现有技术。比如,文本型数据为:无间道由刘**和梁**主演,讲述了两个身份混乱的男人分别为警方和黑社会性质组织的卧底,经过一场激烈的角斗,他们决心要寻回自己的故事,两个卧底分别由两名主角饰演;转换后可为:无间道是由刘**和梁**主演的电影,两人在电影中分别扮演了在警方和在黑社会性质组织中的卧底,这个电影将了这两个身份错乱的卧底在经过了一场激烈的角斗后分别寻回自己的故事。
对于结构型数据,可根据预先训练得到的模型或预先设定的规则,基于结构型数据生成表达通顺流畅的语句。
4)第四回复
第四回复对应于“激发引导”的功能,对下一轮要表达的内容进行引导,激发用户的交互兴趣,对用户进行内容上的铺垫,更好的实现沉浸式交互。为便于表述,将下一轮要表达的内容称为第二内容。
如何确定下一轮要表达的内容不作限制,如可根据预先设定的规则而定。
可对第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、第二内容及系统意图输入预先训练得到的生成模型,得到输出的第四回复。
图5为本申请所述生成第四回复的过程示意图。如图5所示,假设第二内容为“张**自爆是导演的粉丝,并且大赞影片还原了历史,堪称是军事教学片和纪录片”,可抽取出语义内容“张**”。之后,可确定出“张**”对应的系统意图,假设为“以Tag为中心的引导”。可将“张**”、“张**自爆是导演的粉丝,并且大赞影片还原了历史,堪称是军事教学片和纪录片”及“以Tag为中心的引导” 输入生成模型,从而得到输出的第四回复,假设为“你听说过张**没”。生成模型可为利用从大量对话数据中抽取出来的问答对进行微调(Fine-Tuning)后的知识增强的语义表示模型(ERNIE,Enhanced Representation from kNowledgeIntEgration),利用ERNIE的表征能力得到最终的激发引导的输出结果。
在生成第二回复、第三回复和第四回复时,当需要进行语义抽取、确定系统意图及确定相似度评分等时,具体方式可参照第一回复中的相关说明。
可将生成的第一回复、第二回复、第三回复和第四回复依次进行拼接,将拼接结果“第一回复+第二回复+第三回复+第四回复”作为生成的回复,反馈给用户。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
总之,采用本申请方法实施例所述方案,可针对用户的输入分别确定出多条回复,每条回复分别对应于不同的反馈意图,并可将多条回复按预定顺序进行拼接后作为生成的回复反馈给用户,从而在生成的回复中包含了机器的多种反馈意图,实现了多种反馈意图的有机结合,丰富了回复内容,并使得表达更为流畅,进而提升了回复质量,另外,使得用户可以更好的感受到机器理解了自己,也可以使得用户更好的理解机器生成的回复,从而在多轮对话中实现沉浸式的人机交互;其中,不同的回复可分别对应于响应用户意图、对接下来要表达的第一内容进行解释说明、对第一内容进行表达及对下一轮要表达的第二内容进行引导等反馈意图,从而使得生成的回复同时包含承前、启后、知识表达以及激发引导等各种功能,进而进一步提升了回复质量;可分别结合抽取出的语义内容及系统意图等确定出各个回复,从而确保了确定出的各个回复的准确性,进而进一步提升了回复质量等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图6为本申请所述人机交互装置600实施例的组成结构示意图。如图6所示,包括:第一回复单元601以及第二回复单元602。
第一回复单元601,用于在对话过程中,当需要针对用户输入生成回复时,若确定用户输入中包含语义内容,则分别确定出N条回复,N为大于一的正整数,每条回复分别对应于不同的反馈意图。
第二回复单元602,用于将N条回复按预定顺序进行拼接,将拼接结果作为生成的回复反馈给用户。
N条回复可包括:第一回复、第二回复以及第三回复。其中,第一回复对应的反馈意图可包括:响应用户意图;第二回复对应的反馈意图可包括:对接下来要表达的第一内容进行解释说明;第三回复对应的反馈意图可包括:对第一内容进行表达。相应地,第二回复单元602可按照第一回复、第二回复以及第三回复的顺序将3条回复进行拼接。
N条回复中还可进一步包括:第四回复。第四回复对应的反馈意图可包括:对下一轮要表达的第二内容进行引导。相应地,第二回复单元602可按照第一回复、第二回复、第三回复以及第四回复的顺序将4条回复进行拼接。
另外,第一回复单元601可对用户输入进行语义抽取,若抽取结果不为空,则可确定用户输入中包含语义内容,否则,可确定用户输入中不包含语义内容。
若确定用户输入中包含语义内容,第一回复单元601可确定出用户输入对应的系统意图,获取系统意图对应的槽位话术,将抽取出的语义内容添加到槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与用户输入之间的相似度评分,将评分最高的候选回复作为第一回复。
若确定用户输入中不包含语义内容,第一回复单元601可确定出用户输入对应的系统意图,将系统意图对应的高频回复作为候选回复,分别确定出各候选回复与用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
第一回复单元601还可对第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取系统意图对应的槽位话术,将抽取出的语义内容添加到槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与第一内容之间的相似度评分,将评分最高的候选回复作为第二回复。
第一回复单元601还可在第一内容为文本型数据时,将第一内容转换为口语化表达形式,将转换结果作为第三回复,在第一内容为结构型数据时,根据结构型数据生成表达通顺流畅的第三回复。
第一回复单元601还可对第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、第二内容及系统意图输入预先训练得到的生成模型,得到输出的第四回复。
图6所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本申请装置实施例所述方案,可针对用户的输入分别确定出多条回复,每条回复分别对应于不同的反馈意图,并可将多条回复按预定顺序进行拼接后作为生成的回复反馈给用户,从而在生成的回复中包含了机器的多种反馈意图,实现了多种反馈意图的有机结合,丰富了回复内容,并使得表达更为流畅,进而提升了回复质量,另外,使得用户可以更好的感受到机器理解了自己,也可以使得用户更好的理解机器生成的回复,从而在多轮对话中实现沉浸式的人机交互;其中,不同的回复可分别对应于响应用户意图、对接下来要表达的第一内容进行解释说明、对第一内容进行表达及对下一轮要表达的第二内容进行引导等反馈意图,从而使得生成的回复同时包含承前、启后、知识表达以及激发引导等各种功能,进而进一步提升了回复质量;可分别结合抽取出的语义内容及系统意图等确定出各个回复,从而确保了确定出的各个回复的准确性,进而进一步提升了回复质量等。
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7所示,是根据本申请实施例所述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7所示,该电子设备包括:一个或多个处理器Y01、存储器Y02,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)上显示图形用户界面的图形信息的指令。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7中以一个处理器Y01为例。
存储器Y02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方法。
存储器Y02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方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02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方法。
存储器Y02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电子设备的使用所创建的数据等。此外,存储器Y02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Y02可选包括相对于处理器Y01远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息,以及产生与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Y04可以包括显示设备、辅助照明装置和触觉反馈装置(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、发光二极管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),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,阴极射线管或者液晶显示器监视器);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、广域网、区块链网络和互联网。
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。
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 (10)
1.一种人机对话方法,其特征在于,包括:
在对话过程中,当需要针对用户输入生成回复时,若确定所述用户输入中包含语义内容,则针对预先设定的四种反馈意图,分别按照各反馈意图对应的回复生成方式,生成各反馈意图对应的回复,包括:第一回复、第二回复、第三回复以及第四回复,所述第一回复对应的反馈意图为响应用户意图,所述第二回复对应的反馈意图为对接下来要表达的第一内容进行解释说明,所述第三回复对应的反馈意图为对所述第一内容进行表达,所述第四回复对应的反馈意图为对下一轮要表达的第二内容进行引导;其中,生成所述第二回复包括:对所述第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述第一内容之间的相似度评分,将评分最高的候选回复作为所述第二回复;生成所述第三回复包括:若所述第一内容为文本型数据,则将所述第一内容转换为口语化表达形式,将转换结果作为所述第三回复;若所述第一内容为结构型数据,则根据所述结构型数据生成所述第三回复;生成所述第四回复包括:对所述第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、所述第二内容及所述系统意图输入预先训练得到的生成模型,得到输出的所述第四回复;
将四条回复按预定顺序进行拼接,包括:按照第一回复、第二回复、第三回复以及第四回复的顺序将四条回复进行拼接,将拼接结果作为生成的回复反馈给用户。
2.根据权利要求1所述的方法,其特征在于,
所述确定所述用户输入中包含语义内容包括:对所述用户输入进行语义抽取,若抽取结果不为空,则确定所述用户输入中包含语义内容,否则,确定所述用户输入中不包含语义内容。
3.根据权利要求2所述的方法,其特征在于,
生成所述第一回复包括:确定出所述用户输入对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为所述第一回复。
4.根据权利要求2所述的方法,其特征在于,
该方法进一步包括:若确定所述用户输入中不包含语义内容,则确定出所述用户输入对应的系统意图,将所述系统意图对应的高频回复作为候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
5.一种人机对话装置,其特征在于,包括:第一回复单元以及第二回复单元;
所述第一回复单元,用于在对话过程中,当需要针对用户输入生成回复时,若确定所述用户输入中包含语义内容,则针对预先设定的四种反馈意图,分别按照各反馈意图对应的回复生成方式,生成各反馈意图对应的回复,包括:第一回复、第二回复、第三回复以及第四回复,所述第一回复对应的反馈意图为响应用户意图,所述第二回复对应的反馈意图为对接下来要表达的第一内容进行解释说明,所述第三回复对应的反馈意图为对所述第一内容进行表达,所述第四回复对应的反馈意图为对下一轮要表达的第二内容进行引导;其中,生成所述第二回复包括:对所述第一内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述第一内容之间的相似度评分,将评分最高的候选回复作为所述第二回复;生成所述第三回复包括:若所述第一内容为文本型数据,则将所述第一内容转换为口语化表达形式,将转换结果作为所述第三回复;若所述第一内容为结构型数据,则根据所述结构型数据生成所述第三回复;生成所述第四回复包括:对所述第二内容进行语义抽取,确定出抽取出的语义内容对应的系统意图,将抽取出的语义内容、所述第二内容及所述系统意图输入预先训练得到的生成模型,得到输出的所述第四回复;
所述第二回复单元,用于将四条回复按预定顺序进行拼接,包括:按照第一回复、第二回复、第三回复以及第四回复的顺序将四条回复进行拼接,将拼接结果作为生成的回复反馈给用户。
6.根据权利要求5所述的装置,其特征在于,
所述第一回复单元对所述用户输入进行语义抽取,若抽取结果不为空,则确定所述用户输入中包含语义内容,否则,确定所述用户输入中不包含语义内容。
7.根据权利要求6所述的装置,其特征在于,
所述第一回复单元确定出所述用户输入对应的系统意图,获取所述系统意图对应的槽位话术,将抽取出的语义内容添加到所述槽位话术中的槽位中,得到候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为所述第一回复。
8.根据权利要求6所述的装置,其特征在于,
所述第一回复单元进一步用于,若确定所述用户输入中不包含语义内容,则确定出所述用户输入对应的系统意图,将所述系统意图对应的高频回复作为候选回复,分别确定出各候选回复与所述用户输入之间的相似度评分,将评分最高的候选回复作为生成的回复反馈给用户。
9.一种电子设备,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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116245.6A CN111309888B (zh) | 2020-02-25 | 2020-02-25 | 人机对话方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116245.6A CN111309888B (zh) | 2020-02-25 | 2020-02-25 | 人机对话方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309888A CN111309888A (zh) | 2020-06-19 |
CN111309888B true CN111309888B (zh) | 2023-10-24 |
Family
ID=71158408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116245.6A Active CN111309888B (zh) | 2020-02-25 | 2020-02-25 | 人机对话方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309888B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703883A (zh) * | 2021-03-31 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种交互方法和相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544219A (zh) * | 2013-09-24 | 2014-01-29 | 北京光年无限科技有限公司 | 一种带智能推荐的问答系统 |
CN106844603A (zh) * | 2017-01-16 | 2017-06-13 | 竹间智能科技(上海)有限公司 | 实体热门度的计算方法及装置、应用方法及装置 |
CN107357855A (zh) * | 2017-06-29 | 2017-11-17 | 北京神州泰岳软件股份有限公司 | 支持场景关联的智能问答方法及装置 |
CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
WO2019201098A1 (zh) * | 2018-04-16 | 2019-10-24 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
-
2020
- 2020-02-25 CN CN202010116245.6A patent/CN111309888B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544219A (zh) * | 2013-09-24 | 2014-01-29 | 北京光年无限科技有限公司 | 一种带智能推荐的问答系统 |
CN106844603A (zh) * | 2017-01-16 | 2017-06-13 | 竹间智能科技(上海)有限公司 | 实体热门度的计算方法及装置、应用方法及装置 |
CN107357855A (zh) * | 2017-06-29 | 2017-11-17 | 北京神州泰岳软件股份有限公司 | 支持场景关联的智能问答方法及装置 |
CN107958091A (zh) * | 2017-12-28 | 2018-04-24 | 北京贝塔智投科技有限公司 | 一种基于金融垂直知识图谱的nlp人工智能方法及交互系统 |
WO2019201098A1 (zh) * | 2018-04-16 | 2019-10-24 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
Proactive Human-machine Conversation with Explicit Conversation Goals;haifeng wu et al.;arxiv;全文 * |
Proactive Knowledge-Goals Dialogue System Based on Pointer Network;Han Zhou et al.;Springer Link;全文 * |
李德毅 等.中国科协新一代信息技术系列丛书 人工智能导论.2018,178-193. * |
梁子琳 ; 丁润伟 ; 刘宏 ; .基于句类模型的人机对话系统语句库设计.华中科技大学学报(自然科学版).2012,(S2),全文. * |
聊天系统自动回复技术研究;徐振;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111309888A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365880B (zh) | 语音合成方法、装置、电子设备及存储介质 | |
CN111859994B (zh) | 机器翻译模型获取及文本翻译方法、装置及存储介质 | |
KR20210037619A (ko) | 멀티 모달 콘텐츠 처리 방법, 장치, 기기 및 저장 매체 | |
US20210209164A1 (en) | Method, apparatus, and storage medium for recommending interactive information | |
JP7395445B2 (ja) | 検索データに基づくヒューマンコンピュータ対話型インタラクションの方法、装置及び電子機器 | |
US11556719B2 (en) | Dialogue interaction method and apparatus, device, and storage medium | |
CN111177339B (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
JP7139028B2 (ja) | 目標内容の確定方法、装置、機器及びコンピュータ可読記憶媒体 | |
CN111651578B (zh) | 人机对话方法、装置及设备 | |
CN112434139A (zh) | 信息交互方法、装置、电子设备和存储介质 | |
KR20210127613A (ko) | 대화 생성 방법, 장치, 전자 기기 및 기록 매체 | |
CN114444462B (zh) | 模型训练方法及人机交互方法、装置 | |
CN111984775A (zh) | 问答质量确定方法、装置、设备和存储介质 | |
CN111309888B (zh) | 人机对话方法、装置、电子设备及存储介质 | |
CN111291184B (zh) | 表情的推荐方法、装置、设备及存储介质 | |
CN111354334B (zh) | 语音输出方法、装置、设备和介质 | |
US20210098012A1 (en) | Voice Skill Recommendation Method, Apparatus, Device and Storage Medium | |
CN117539975A (zh) | 大语言模型的提示词信息的生成方法、装置、设备及介质 | |
CN113595770B (zh) | 群组点击率预估方法、装置、电子设备和存储介质 | |
CN111651988B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
US20230123581A1 (en) | Query rewriting method and apparatus, device and storage medium | |
CN112148133B (zh) | 确定推荐表情的方法、装置、设备和计算机存储介质 | |
CN111475614B (zh) | 知识推理对话方法、装置、电子设备和存储介质 |
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 |