CN111324712A - 对话回复方法及服务端 - Google Patents
对话回复方法及服务端 Download PDFInfo
- Publication number
- CN111324712A CN111324712A CN202010098305.6A CN202010098305A CN111324712A CN 111324712 A CN111324712 A CN 111324712A CN 202010098305 A CN202010098305 A CN 202010098305A CN 111324712 A CN111324712 A CN 111324712A
- Authority
- CN
- China
- Prior art keywords
- target
- text information
- request
- structured text
- word
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 133
- 238000012545 processing Methods 0.000 claims description 80
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005429 filling process Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了对话回复方法及服务端,该方法包括:A1:接收来自一个客户端的一个目标对话请求;A2:将目标对话请求转换为结构化文本信息,其中,结构化文本信息为服务端可以识别的文本信息;A3:根据结构化文本信息判断是否需要至少两轮对话对目标对话请求进行回复,如果是,执行A4,否则执行A6;A4:从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则;A5:根据目标多轮对话规则,通过至少两轮对话对目标对话请求进行回复,并结束当前流程;A6:从预先创建的至少一个样本问题中匹配与结构化文本信息相匹配的目标样本问题,并将与目标样本问题相对应的样本答案回复给客户端。本方案可以对复杂业务进行处理。
Description
技术领域
本发明涉及计算机技术领域,特别涉及对话回复方法及服务端。
背景技术
随着人工智能时代的到来,自动回复方法在人们的工作和生活中扮演着越来越重要的角色。目前,自动回复方法在一定程度上已经能够理解来自用户的自然语言问题所表达的真实语义,这也使得对话机器人背后的自然语言处理技术成为科研界、企业界持续关注的重点方向。
在常见的人机交互系统中,多是基于单轮对话进行自动回复,这种单轮对话与传统的问答系统相类似,是智能对话系统的初级应用。一般表现为一问一答的形式,用户提出问题或发出请求,系统识别用户意图,做出回答或执行特定操作。单轮对话一般不涉及上下文信息,主要应用在目标明确且会话行程短的浅服务类项目中。
通过上述描述可见,现有技术基于单轮对话对用户输入的问题进行自动回复,只能解决一些简单的一问一答就可以解决的一般性问题,无法对复杂的对话进行处理。
发明内容
本发明实施例提供了对话回复方法及服务端,可以对复杂的对话进行处理。
第一方面,本发明提供了对话回复方法,应用于服务端,包括:
A1:接收来自一个客户端的一个目标对话请求;
A2:将所述目标对话请求转换为结构化文本信息,其中,所述结构化文本信息为所述服务端可以识别的文本信息;
A3:根据所述结构化文本信息判断是否需要至少两轮对话对所述目标对话请求进行回复,如果是,执行A4,否则执行A6;
A4:从预先创建的至少一个多轮对话规则中确定与所述结构化文本信息相匹配的目标多轮对话规则;
A5:根据所述目标多轮对话规则,通过至少两轮对话对所述目标对话请求进行回复,并结束当前流程;
A6:从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,并将与所述目标样本问题相对应的样本答案回复给所述客户端。
优选地,
在所述A1之前,进一步包括:
通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将所述目标对话请求转换为所述结构化文本信息;
优选地,
所述A2,包括:
判断所述目标对话请求是否为语音信息;
如果所述目标对话请求为语音信息,则依次对所述目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得所述结构化文本信息,其中,所述语音转文字处理用于将所述语音信息转换为文字信息,所述分词处理用于对所述语音信息进行关键词断句,所述词向量转换处理用于将所述语音信息转换为词向量;
如果所述目标对话请求不是语音信息,则依次对所述目标对话请求执行所述分词处理和所述词向量转换处理,获得所述结构化文本信息。
优选地,
所述A3,包括:
判断所述至少一个样本问题中是否存在与所述结构化文本信息相匹配的目标样本问题;
如果所述至少一个样本问题中存在与所述结构化文本信息相匹配的所述目标样本问题,则执行A6;
如果所述至少一个样本问题中不存在与所述结构化文本信息相匹配的所述目标样本问题,则执行A4。
优选地,所述A5,包括:
对所述结构化文本信息进行实体识别,获取实体信息,其中,所述实体信息为与所述目标多轮对话规则相对应的至少一个关键词;
根据所述目标多轮对话规则,获取插槽实体,其中,所述插槽实体为生成所述多轮对话规则相对应的所述至少一个关键词所包括的至少一个字段名;
通过所述插槽实体对插槽进行填槽,其中,所述插槽至少包括一个槽位,所述槽位与所述填槽相对应;
检测所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
根据所述填槽结果生成所述目标对话请求的回复。
优选地,
所述从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,包括:
获取所述结构化文本信息包括的至少一个单词的词向量,其中,所述词向量为将所述目标对话请求映射为向量;
根据每一个所述单词的所述词向量,通过如下第一公式计算句子向量;
其中,所述第一公式包括:
根据所述句子向量,通过如下第二公式计算所述目标对话请求与所述预先创建的至少一个样本问题的相似度;
其中,所述第二公式包括:
其中,所述sim(S1,S2)用于表征所述目标对话请求与所述预先创建的至少一个样本问题的相似度,所述用于表征所述目标对话请求的所述句子向量,所述用于表征所述预先创建的至少一个样本问题的所述句子向量;用于表征所述的模,用于表征所述的模;
确定出与所述目标对话请求之间所述相似度最大的一个所述样本问题,并确定为所述目标样本问题。
第二方面,本发明提供了服务端,包括:
接收模块,用于接收来自一个客户端的一个目标对话请求;
转换模块,用于将所述接收模块接收的所述目标对话请求转换为结构化文本信息,其中,所述结构化文本信息为所述服务端可以识别的文本信息;
判断模块,用于根据所述转换模块得到的所述结构化文本信息判断是否需要至少两轮对话对所述目标对话请求进行回复,如果是,触发确定模块,否则触发匹配模块;
所述确定模块,用于从预先创建的至少一个多轮对话规则中确定与所述结构化文本信息相匹配的目标多轮对话规则;
处理模块,用于根据所述目标多轮对话规则,通过所述判断模块判断得到需要至少两轮对话对所述目标对话请求进行回复,并结束当前流程;
匹配模块,用于从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,并将与所述目标样本问题相对应的样本答案回复给所述客户端。
优选地,
进一步包括:
构建模块,用于通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将所述目标对话请求转换为所述结构化文本信息;
优选地,
所述转换模块,包括:
第一判断单元,用于判断所述目标对话请求是否为语音信息;
第一处理单元,用于如果所述第一判断单元判断出所述目标对话请求为语音信息,则依次对所述目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得所述结构化文本信息,其中,所述语音转文字处理用于将所述语音信息转换为文字信息,所述分词处理用于对所述语音信息进行关键词断句,所述词向量转换处理用于将所述语音信息转换为词向量;
第二处理单元,用于如果所述第一判断单元判断出所述目标对话请求不是语音信息,则依次对所述目标对话请求执行所述分词处理和所述词向量转换处理,获得所述结构化文本信息。
优选地,
所述判断模块,包括:
第二判断单元,用于判断所述至少一个样本问题中是否存在与所述结构化文本信息相匹配的目标样本问题;
第三处理单元,用于如果所述第二判断单元判断出所述至少一个样本问题中存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述匹配模块;
第四处理单元,用于如果所述第二判断单元判断出所述至少一个样本问题中不存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述确定模块。
优选地,
所述处理模块,包括:
第一获取单元,用于对所述结构化文本信息进行实体识别,获取实体信息,其中,所述实体信息为与所述目标多轮对话规则相对应的至少一个关键词;
第二获取单元,用于根据所述目标多轮对话规则,获取插槽实体,其中,所述插槽实体为生成所述多轮对话规则相对应的所述至少一个关键词所包括的至少一个字段名;
填槽单元,用于通过所述第二获取单元获取的所述插槽实体对插槽进行填槽,其中,所述插槽至少包括一个槽位,所述槽位与所述填槽相对应;
检测单元,用于检测所述填槽单元填充的所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
回复单元,用于根据所述检测单元检测到的所述填槽结果生成所述目标对话请求的回复。
优选地,
所述匹配模块,在执行所述从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题时,用于:
获取所述结构化文本信息包括的至少一个单词的词向量,其中,所述词向量为将所述目标对话请求映射为向量;
根据每一个所述单词的所述词向量,通过如下第一公式计算句子向量;
其中,所述第一公式包括:
根据所述句子向量,通过如下第二公式计算所述目标对话请求与所述预先创建的至少一个样本问题的相似度;
其中,所述第二公式包括:
其中,所述sim(S1,S2)用于表征所述目标对话请求与所述预先创建的至少一个样本问题的相似度,所述用于表征所述目标对话请求的所述句子向量,所述用于表征所述预先创建的至少一个样本问题的所述句子向量;用于表征所述的模,用于表征所述的模;
确定出与所述目标对话请求之间所述相似度最大的一个所述样本问题,并确定为所述目标样本问题。
在本发明实施例中,由于客服端发来的是自然语言,故服务端在接收到一个客户端发来的一个目标对话请求时,需要将自然语言转化为服务端可以识别的结构化文本信息,才能方便对目标对话请求进行处理并回复。针对转换后的结构化文本信息,进一步判断是否对一个目标对话请求需要至少两轮对话回复,以确定是否执行多轮对话的操作。如果对一个目标对话请求需要回复至少两轮则为多轮对话,需要从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则,并根据目标多轮对话规则对目标对话请求进行回复;否则,不是多轮对话,需要从预先创建的至少一个样本问题中确定与结构化文本信息相匹配的目标样本问题,并将目标样本问题对应的样本答案回复给客户端,通过上述方式,服务端不仅可以处理简单的一对一形式的问答,也可以对复杂的对话请求进行处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种对话回复方法的流程图;
图2是本发明一实施例提供的另一种对话回复方法的流程图;
图3是本发明一实施例提供的一种服务端的示意图;
图4是本发明一实施例提供的另一种服务端的示意图;
图5是本发明一实施例提供的还一种服务端的示意图;
图6是本发明一实施例提供的再一种服务端的示意图;
图7是本发明一实施例提供的爬虫的架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了对话回复方法,该方法可以包括以下步骤:
步骤101:接收来自一个客户端的一个目标对话请求;
步骤102:将目标对话请求转换为结构化文本信息,其中,结构化文本信息为服务端可以识别的文本信息;
步骤103:根据结构化文本信息判断是否需要至少两轮对话对目标对话请求进行回复,如果是,执行步骤104,否则执行步骤106;
步骤104:从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则;
步骤105:根据目标多轮对话规则,通过至少两轮对话对目标对话请求进行回复,并结束当前流程;
步骤106:从预先创建的至少一个样本问题中匹配与结构化文本信息相匹配的目标样本问题,并将与目标样本问题相对应的样本答案回复给客户端。
在本发明实施例中,由于客服端发来的是自然语言,故服务端在接收到一个客户端发来的一个目标对话请求时,需要将自然语言转化为服务端可以识别的结构化文本信息,才能方便对目标对话请求进行处理并回复。针对转换后的结构化文本信息,进一步判断是否对一个目标对话请求需要至少两轮对话回复,以确定是否执行多轮对话的操作。如果对一个目标对话请求需要回复至少两轮,则为多轮对话,需要从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则,并根据目标多轮对话规则对目标对话请求进行回复;否则,不是多轮对话,需要从预先创建的至少一个样本问题中确定与结构化文本信息相匹配的目标样本问题,并将目标样本问题对应的样本答案回复给客户端,通过上述方式,服务端不仅可以处理简单的一对一形式的问答,也可以对复杂的对话请求进行处理。
为了将目标对话请求转换为结构化文本信息,在本发明一实施例中,上述实施例在步骤101之前,进一步包括:
通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将目标对话请求转换为结构化文本信息;
在本发明实施例中,需要将目标对话请求转化为服务端可识别的结构化文本信息,故可以通过获取大量的中文语料数据、中文分词以及词向量的计算,构建数据转换的词向量字典,以根据构建的词向量字典将目标对话请求转换为结构化文本信息。
为了获得结构化文本信息,在本发明一实施例中,上述实施例中的步骤102,具体可以通过如下方式实现:
判断目标对话请求是否为语音信息;
如果目标对话请求为语音信息,则依次对目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得结构化文本信息,其中,语音转文字处理用于将语音信息转换为文字信息,分词处理用于对语音信息进行关键词断句,词向量转换处理用于将语音信息转换为词向量;
如果目标对话请求不是语音信息,则依次对目标对话请求执行分词处理和词向量转换处理,获得结构化文本信息。
在本发明实施例中,客户端发来的目标对话请求可能存在两种形式:语音信息或者文字信息,当目标对话请求为语音信息时,需要将语音信息转换为文字信息,并进行分词处理以便断句,运用词向量转换将语音信息转换为服务端可识别的词向量,当目标对话请求不是语音信息时,需要进行分词处理和词向量转换,以便获得服务端可识别的结构化文本信息。
为了判断是否需要进行多轮对话,在本发明一实施例中,上述实施例中的步骤103,具体可以通过如下方式实现:
判断至少一个样本问题中是否存在与结构化文本信息相匹配的目标样本问题;
如果至少一个样本问题中存在与结构化文本信息相匹配的目标样本问题,则执行步骤106;
如果至少一个样本问题中不存在与结构化文本信息相匹配的目标样本问题,则执行步骤104。
在本发明实施例中,当至少一个样本问题中存在与结构化文本信息相匹配的目标样本问题时,可以直接将目标样本问题对应的回复发送给客户端,只需一轮对话即可,当至少一个样本问题中不存在与结构化文本信息相匹配的目标样本问题,则无法通过一轮对话对目标对话请求进行回复,故需要至少两轮对话,因此可以通过判断至少一个样本问题中是否存在与结构化文本信息相匹配的目标样本问题进而确定是否需要至少两轮对话对目标对话请求进行回复,即是否需要进行多轮对话。
为了根据目标多轮对话规则,通过多轮对话对目标对话请求进行回复,在本发明一实施例中,上述实施例中的步骤105,具体可以通过如下方式实现:
对结构化文本信息进行实体识别,获取实体信息,其中,实体信息为与目标多轮对话规则相对应的至少一个关键词;
根据目标多轮对话规则,获取插槽实体,其中,插槽实体为生成多轮对话规则相对应的至少一个关键词所包括的至少一个字段名;
通过插槽实体对插槽进行填槽,其中,插槽至少包括一个槽位,槽位与所述填槽相对应;
检测所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
根据所述填槽结果生成所述目标对话请求的回复。
在本发明实施例中,由于多轮对话规则是多个实体信息构成的关键词生成的匹配规则,故针对将目标对话请求转换而成的结构化文本信息进行实体识别获取实体信息,并根据多轮对话规则,可以确定对应的插槽,通过引导客户端通过插槽实体对相应的插槽进行填充,进而可以通过多轮对话获取目标对话请求的回复。
为了匹配预先创建的至少一个样本问题与结构化文本信息,在本发明一实施例中,上述实施例中从预先创建的至少一个样本问题中匹配与结构化文本信息相匹配的目标样本问题,具体可以通过如下方式实现:
获取结构化文本信息包括的至少一个单词的词向量,其中,词向量为将目标对话请求映射为向量;
根据每一个单词的词向量,通过如下第一公式计算句子向量;
其中,第一公式包括:
根据句子向量,通过如下第二公式计算目标对话请求与预先创建的至少一个样本问题的相似度;
其中,第二公式包括:
确定出与目标对话请求之间相似度最大的一个样本问题,并确定为目标样本问题。
在本发明实施例中,通过第一公式可以计算目标对话请求与预先创建的至少一个样本问题的句子向量,并通过计算目标对话请求与预先创建的至少一个样本问题的相似度的第二公式计算相似度,从而确定出与目标对话请求之间相似度最大的一个样本问题,并确定为目标样本问题,以便根据目标样本问题进行目标对话请求的回复。
本发明同时具备单轮对话和多轮对话的能力,单轮对话可以解决一些常见问题的问答,通常通过单轮对话解决问题,所涉及的业务通常非常简单,而多轮对话则可以解决一些复杂的业务场景,这种业务场景通过单轮对话通常无法解决,通过多轮对话可以获取解决该业务场景的有效信息,从而解决问题。
在常见的人机交互系统中,多是基于单轮对话进行自动回复,没有根据客户端的对话信息进行建模,导致对话回复的模式比较单一。而且没有存储用户的上下文信息,回复完全是无状态的。这种单轮对话的方式,无法完成一些复杂多样的业务,从而会使得用户体验差。还有一些人机交互系统结合了多轮对话,但是在多轮对话与单轮对话转换的过程中会丢失用户上下文信息,导致用户建模不清晰,在处理一些相似问题的时候,导致系统会再次收集用户信息进行建模。
本发明可以根据用户输入的问题,灵活地进行对话模式的识别,既可以通过单轮对话解决一些简单的一问一答就可以解决的一般性问题,并能通过多轮对话的形式解决复杂的业务。也可以保存历史对话信息,而且不会随着对话模式的改变而失去历史对话信息。因为保存了历史对话信息,还可以在一定程度上减少对话轮数。
如图2所示,为了更加清楚地说明本发明的技术方案及优点,下面对本发明实施例提供了对话回复方法进行详细说明,具体可以包括以下步骤:
步骤201:通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将目标对话请求转换为结构化文本信息。
具体地,通过收集中文语料数据、中文分词、词向量计算等过程获取词向量字典。要预先训练词向量,首先需要有中文语料进行训练。
举例来说,可以采取爬虫的方式,使用Scrapy工具对人民日报中的新闻内容进行爬取来获取中文语料。爬虫架构图如图5所示,其中种子URL就是人民日报电子版的网址,将种子网址加入到待抓取队列中,接着爬虫要读取待抓取队列中的URL,经过DNS解析后从互联网上读取网页,按照定制的规则抓取需要的数据并保存在数据库中,并从网页中提取下一个待抓取的URL,并加入到待抓取URL队列中,该URL抓取完成以后将其加入到已抓取URL队列中。
中文分词工具本文可以选择Jieba分词软件,Jieba分词是在Github开源的一款分词工具主要用到的算法如下:
a、基于词典实现高效的单词构图扫描,生成句子中汉字成词情况所构成的DAG。
b、利用动态规划算法查询到最大概率路径,并寻找出基于频率的最大切分组合。
c、对于未出现的单词,采用了基于隐马尔可夫模型,并且使用了Viterbi算法。
词向量计算可以使用FastText工具训练得出。FastText工具是基于Google推出的Word2vec的变种,它的特点就是将单词转换为向量的模式。使得单词和单词之间可以定量的去度量它们之间的关系,挖掘深层次的联系。FastText利用了深度学习思想,将文本数据处理成N维向量空间的向量。
步骤202:接收来自一个客户端的一个目标对话请求。
步骤203:判断目标对话请求是否为语音信息,若是,执行步骤204,若否,执行步骤205。
步骤204:依次对目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得结构化文本信息,其中,语音转文字处理用于将语音信息转换为文字信息,分词处理用于对语音信息进行关键词断句,词向量转换处理用于将语音信息转换为词向量,获得结构化文本信息。
步骤205:依次对目标对话请求执行分词处理和词向量转换处理,获得结构化文本信息。
举例来说,语音信息转换为文字信息的实现可以使用讯飞开放平台的语音识别。分词处理模块可以使用Jieba分词软件。词向量转换可以使用已经训练好的词向量词典。
步骤206:判断至少一个样本问题中是否存在与结构化文本信息相匹配的目标样本问题,若是,执行步骤213;若否,执行步骤207。
步骤207:从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则;
步骤208:对结构化文本信息进行实体识别,获取实体信息,其中,实体信息为与目标多轮对话规则相对应的至少一个关键词;
举例来说,实体识别可以使用BiLSTM-CRF方法训练模型实现实体识别。BiLSTM-CRF模型和大多数实体识别任务的方法一样,将其转换为一系列序列的标注问题。可以规定实体开头的单元标注为B,实体内的单元标注为I,其他的标注为O,为了更规范的对命名实体,避免不规范的分词效果对实体判别的不良影响,可以以字粒度为基础进行命名实体识别。
步骤209:根据目标多轮对话规则,获取插槽实体,其中,插槽实体为生成多轮对话规则相对应的至少一个关键词所包括的至少一个字段名;
步骤210:通过插槽实体对插槽进行填槽,其中,插槽至少包括一个槽位,槽位与填槽相对应;
步骤211:检测插槽是否填满,如果是,则继续当前流程,否则,返回通过插槽实体对插槽进行填槽;
步骤212:根据填槽结果生成目标对话请求的回复。
举例来说,目标对话请求为今天天气怎么样?需要设计插槽为地点,并引导用户回复有效的信息填满插槽。如设置问题,您询问的是那个城市?这里目标多轮对话规则其实就是设置插槽,以及引导用户填满插槽的问题。
步骤213:获取结构化文本信息包括的至少一个单词的词向量,其中,词向量为将目标对话请求映射为向量;
步骤214:根据每一个单词的词向量,通过如下第一公式计算句子向量;
其中,第一公式包括:
步骤215:根据句子向量,通过如下第二公式计算目标对话请求与预先创建的至少一个样本问题的相似度;
其中,第二公式包括:
步骤216:确定出与目标对话请求之间相似度最大的一个样本问题,并确定为目标样本问题,并将与目标样本问题相对应的样本答案回复给客户端。
具体地,单轮对话为一问一答的方式,其中问答是已经存在预先创建的至少一个样本问题中,如果激活了单轮对话的模式,首先进行相似度检测,选择预先创建的至少一个样本问题与目标对话请求最为相似进行回复,其中相似度算法为余弦相似度算法。
如图3所示,本发明实施例还提供了服务端,包括:
接收模块301,用于接收来自一个客户端的一个目标对话请求;
转换模块302,用于将接收模块301接收的目标对话请求转换为结构化文本信息,其中,结构化文本信息为服务端可以识别的文本信息;
判断模块303,用于根据所述转换模块302得到的所述结构化文本信息判断是否需要至少两轮对话对所述目标对话请求进行回复,如果是,触发确定模块304,否则触发匹配模块306;
所述确定模块304,用于从预先创建的至少一个多轮对话规则中确定与所述结构化文本信息相匹配的目标多轮对话规则;
处理模块305,用于根据所述目标多轮对话规则,通过所述判断模块303判断得到需要至少两轮对话对所述目标对话请求进行回复,并结束当前流程;
匹配模块306,用于从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,并将与所述目标样本问题相对应的样本答案回复给所述客户端。
在本发明实施例中,由于客服端发来的是自然语言,故服务端的接收模块在接收到一个客户端发来的一个目标对话请求时,需要通过转换模块将自然语言转化为服务端可以识别的结构化文本信息,才能方便对目标对话请求进行处理并回复。针对转换后的结构化文本信息,进一步通过判断模块判断是否对一个目标对话请求需要至少两轮对话回复,以确定是否执行多轮对话的操作。如果对一个目标对话请求需要回复至少两轮,则为多轮对话,需要从确定模块预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则,并通过处理模块根据目标多轮对话规则对目标对话请求进行回复;否则,不是多轮对话,需要通过匹配模块从预先创建的至少一个样本问题中确定与结构化文本信息相匹配的目标样本问题,并将目标样本问题对应的样本答案回复给客户端,通过上述方式,服务端不仅可以处理简单的一对一形式的问答,也可以对复杂的对话请求进行处理。
在本发明一实施例中,进一步包括:
构建模块307,用于通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将所述目标对话请求转换为所述结构化文本信息;
如图4所示,在本发明一实施例中,所述转换模块302,包括:
第一判断单元3021,用于判断所述目标对话请求是否为语音信息;
第一处理单元3022,用于如果所述第一判断单元3021判断出所述目标对话请求为语音信息,则依次对所述目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得所述结构化文本信息,其中,所述语音转文字处理用于将所述语音信息转换为文字信息,所述分词处理用于对所述语音信息进行关键词断句,所述词向量转换处理用于将所述语音信息转换为词向量;
第二处理单元3023,用于如果所述第一判断单元3021判断出所述目标对话请求不是语音信息,则依次对所述目标对话请求执行所述分词处理和所述词向量转换处理,获得所述结构化文本信息。
如图5所示,在本发明一实施例中,所述判断模块303,包括:
第二判断单元3031,用于判断所述至少一个样本问题中是否存在与所述结构化文本信息相匹配的目标样本问题;
第三处理单元3032,用于如果所述第二判断单元3031判断出所述至少一个样本问题中存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述匹配模块;
第四处理单元3033,用于如果所述第二判断单元3031判断出所述至少一个样本问题中不存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述确定模块。
如图6所示,在本发明一实施例中,所述处理模块305,包括:
第一获取单元3051,用于对所述结构化文本信息进行实体识别,获取实体信息,其中,所述实体信息为与所述目标多轮对话规则相对应的至少一个关键词;
第二获取单元3052,用于根据所述目标多轮对话规则,获取插槽实体,其中,所述插槽实体为生成所述多轮对话规则相对应的所述至少一个关键词所包括的至少一个字段名;
填槽单元3053,用于通过所述第二获取单元3052获取的所述插槽实体对插槽进行填槽,其中,所述插槽至少包括一个槽位,所述槽位与所述填槽相对应;
检测单元3054,用于检测所述填槽单元3053填充的所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
回复单元3055,用于根据所述检测单元3054检测到的所述填槽结果生成所述目标对话请求的回复。
在本发明一实施例中,所述匹配模块306,在执行所述从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题时,用于:
获取所述结构化文本信息包括的至少一个单词的词向量,其中,所述词向量为将所述目标对话请求映射为向量;
根据每一个所述单词的所述词向量,通过如下第一公式计算句子向量;
其中,所述第一公式包括:
根据所述句子向量,通过如下第二公式计算所述目标对话请求与所述预先创建的至少一个样本问题的相似度;
其中,所述第二公式包括:
其中,所述sim(A1,S2)用于表征所述目标对话请求与所述预先创建的至少一个样本问题的相似度,所述用于表征所述目标对话请求的所述句子向量,所述用于表征所述预先创建的至少一个样本问题的所述句子向量;用于表征所述的模,用于表征所述的模;
确定出与所述目标对话请求之间所述相似度最大的一个所述样本问题,并确定为所述目标样本问题。
可以理解的是,本发明实施例示意的结构并不构成对服务端的具体限定。在本发明的另一些实施例中,服务端可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了服务端,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行本发明任一实施例中的对话回复方法。
本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行本发明任一实施例中的对话回复方法。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
本发明各个实施例至少具有如下有益效果:
1、在本发明一实施例中,由于客服端发来的是自然语言,故服务端在接收到一个客户端发来的一个目标对话请求时,需要将自然语言转化为服务端可以识别的结构化文本信息,才能方便对目标对话请求进行处理并回复。针对转换后的结构化文本信息,进一步判断是否对一个目标对话请求需要至少两轮对话回复,以确定是否执行多轮对话的操作。如果对一个目标对话请求需要回复至少两轮,则为多轮对话,需要从预先创建的至少一个多轮对话规则中确定与结构化文本信息相匹配的目标多轮对话规则,并根据目标多轮对话规则对目标对话请求进行回复;否则,不是多轮对话,需要从预先创建的至少一个样本问题中确定与结构化文本信息相匹配的目标样本问题,并将目标样本问题对应的样本答案回复给客户端,通过上述方式,服务端不仅可以处理简单的一对一形式的问答,也可以对复杂的对话请求进行处理。
2、在本发明一实施例中,需要将目标对话请求转化为服务端可识别的结构化文本信息,故可以通过获取大量的中文语料数据、中文分词以及词向量的计算,构建数据转换的词向量字典,以根据构建的词向量字典将目标对话请求转换为结构化文本信息。
3、在本发明实施例中,客户端发来的目标对话请求可能存在两种形式:语音信息或者文字信息,当目标对话请求为语音信息时,需要将语音信息转换为文字信息,并进行分词处理以便断句,运用词向量转换将语音信息转换为服务端可识别的词向量,当目标对话请求不是语音信息时,需要进行分词处理和词向量转换,以便获得服务端可识别的结构化文本信息。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上各实施例中,硬件单元可以通过机械方式或电气方式实现。例如,一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器,FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器),可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (10)
1.对话回复方法,其特征在于,应用于服务端,包括:
A1:接收来自一个客户端的一个目标对话请求;
A2:将所述目标对话请求转换为结构化文本信息,其中,所述结构化文本信息为所述服务端可以识别的文本信息;
A3:根据所述结构化文本信息判断是否需要至少两轮对话对所述目标对话请求进行回复,如果是,执行A4,否则执行A6;
A4:从预先创建的至少一个多轮对话规则中确定与所述结构化文本信息相匹配的目标多轮对话规则;
A5:根据所述目标多轮对话规则,通过至少两轮对话对所述目标对话请求进行回复,并结束当前流程;
A6:从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,并将与所述目标样本问题相对应的样本答案回复给所述客户端。
2.根据权利要求1所述的方法,其特征在于,
在所述A1之前,进一步包括:
通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将所述目标对话请求转换为所述结构化文本信息;
和/或
所述A2,包括:
判断所述目标对话请求是否为语音信息;
如果所述目标对话请求为语音信息,则依次对所述目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得所述结构化文本信息,其中,所述语音转文字处理用于将所述语音信息转换为文字信息,所述分词处理用于对所述语音信息进行关键词断句,所述词向量转换处理用于将所述语音信息转换为词向量;
如果所述目标对话请求不是语音信息,则依次对所述目标对话请求执行所述分词处理和所述词向量转换处理,获得所述结构化文本信息。
3.根据权利要求1所述的方法,其特征在于,
所述A3,包括:
判断所述至少一个样本问题中是否存在与所述结构化文本信息相匹配的目标样本问题;
如果所述至少一个样本问题中存在与所述结构化文本信息相匹配的所述目标样本问题,则执行A6;
如果所述至少一个样本问题中不存在与所述结构化文本信息相匹配的所述目标样本问题,则执行A4。
4.根据权利要求1所述的方法,其特征在于,所述A5,包括:
对所述结构化文本信息进行实体识别,获取实体信息,其中,所述实体信息为与所述目标多轮对话规则相对应的至少一个关键词;
根据所述目标多轮对话规则,获取插槽实体,其中,所述插槽实体为生成所述多轮对话规则相对应的所述至少一个关键词所包括的至少一个字段名;
通过所述插槽实体对插槽进行填槽,其中,所述插槽至少包括一个槽位,所述槽位与所述填槽相对应;
检测所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
根据所述填槽结果生成所述目标对话请求的回复。
5.根据权利要求1所述的方法,其特征在于,
所述从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,包括:
获取所述结构化文本信息包括的至少一个单词的词向量,其中,所述词向量为将所述目标对话请求映射为向量;
根据每一个所述单词的所述词向量,通过如下第一公式计算句子向量;
其中,所述第一公式包括:
根据所述句子向量,通过如下第二公式计算所述目标对话请求与所述预先创建的至少一个样本问题的相似度;
其中,所述第二公式包括:
其中,所述sim(S1,S2)用于表征所述目标对话请求与所述预先创建的至少一个样本问题的相似度,所述用于表征所述目标对话请求的所述句子向量,所述用于表征所述预先创建的至少一个样本问题的所述句子向量;用于表征所述的模,用于表征所述的模;
确定出与所述目标对话请求之间所述相似度最大的一个所述样本问题,并确定为所述目标样本问题。
6.服务端,其特征在于,包括:
接收模块,用于接收来自一个客户端的一个目标对话请求;
转换模块,用于将所述接收模块接收的所述目标对话请求转换为结构化文本信息,其中,所述结构化文本信息为所述服务端可以识别的文本信息;
判断模块,用于根据所述转换模块得到的所述结构化文本信息判断是否需要至少两轮对话对所述目标对话请求进行回复,如果是,触发确定模块,否则触发匹配模块;
所述确定模块,用于从预先创建的至少一个多轮对话规则中确定与所述结构化文本信息相匹配的目标多轮对话规则;
处理模块,用于根据所述目标多轮对话规则,通过所述判断模块判断得到需要至少两轮对话对所述目标对话请求进行回复,并结束当前流程;
匹配模块,用于从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题,并将与所述目标样本问题相对应的样本答案回复给所述客户端。
7.根据权利要求1所述的服务端,其特征在于,
进一步包括:
构建模块,用于通过获取中文语料数据、中文分词和词向量计算构建词向量字典,以将所述目标对话请求转换为所述结构化文本信息;
和/或
所述转换模块,包括:
第一判断单元,用于判断所述目标对话请求是否为语音信息;
第一处理单元,用于如果所述第一判断单元判断出所述目标对话请求为语音信息,则依次对所述目标对话请求执行语音转文字处理、分词处理和词向量转换处理,获得所述结构化文本信息,其中,所述语音转文字处理用于将所述语音信息转换为文字信息,所述分词处理用于对所述语音信息进行关键词断句,所述词向量转换处理用于将所述语音信息转换为词向量;
第二处理单元,用于如果所述第一判断单元判断出所述目标对话请求不是语音信息,则依次对所述目标对话请求执行所述分词处理和所述词向量转换处理,获得所述结构化文本信息。
8.根据权利要求1所述的服务端,其特征在于,
所述判断模块,包括:
第二判断单元,用于判断所述至少一个样本问题中是否存在与所述结构化文本信息相匹配的目标样本问题;
第三处理单元,用于如果所述第二判断单元判断出所述至少一个样本问题中存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述匹配模块;
第四处理单元,用于如果所述第二判断单元判断出所述至少一个样本问题中不存在与所述结构化文本信息相匹配的所述目标样本问题,则触发所述确定模块。
9.根据权利要求1所述的服务端,其特征在于,所述处理模块,包括:
第一获取单元,用于对所述结构化文本信息进行实体识别,获取实体信息,其中,所述实体信息为与所述目标多轮对话规则相对应的至少一个关键词;
第二获取单元,用于根据所述目标多轮对话规则,获取插槽实体,其中,所述插槽实体为生成所述多轮对话规则相对应的所述至少一个关键词所包括的至少一个字段名;
填槽单元,用于通过所述第二获取单元获取的所述插槽实体对插槽进行填槽,其中,所述插槽至少包括一个槽位,所述槽位与所述填槽相对应;
检测单元,用于检测所述填槽单元填充的所述插槽是否填满,如果是,则继续当前流程,否则,返回通过所述插槽实体对插槽进行填槽;
回复单元,用于根据所述检测单元检测到的所述填槽结果生成所述目标对话请求的回复。
10.根据权利要求1所述的服务端,其特征在于,
所述匹配模块,在执行所述从预先创建的至少一个样本问题中匹配与所述结构化文本信息相匹配的目标样本问题时,用于:
获取所述结构化文本信息包括的至少一个单词的词向量,其中,所述词向量为将所述目标对话请求映射为向量;
根据每一个所述单词的所述词向量,通过如下第一公式计算句子向量;
其中,所述第一公式包括:
根据所述句子向量,通过如下第二公式计算所述目标对话请求与所述预先创建的至少一个样本问题的相似度;
其中,所述第二公式包括:
其中,所述sim(S1,S2)用于表征所述目标对话请求与所述预先创建的至少一个样本问题的相似度,所述用于表征所述目标对话请求的所述句子向量,所述用于表征所述预先创建的至少一个样本问题的所述句子向量;用于表征所述的模,用于表征所述的模;
确定出与所述目标对话请求之间所述相似度最大的一个所述样本问题,并确定为所述目标样本问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098305.6A CN111324712A (zh) | 2020-02-18 | 2020-02-18 | 对话回复方法及服务端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098305.6A CN111324712A (zh) | 2020-02-18 | 2020-02-18 | 对话回复方法及服务端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111324712A true CN111324712A (zh) | 2020-06-23 |
Family
ID=71165258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098305.6A Pending CN111324712A (zh) | 2020-02-18 | 2020-02-18 | 对话回复方法及服务端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324712A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528002A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 对话识别方法、装置、电子设备和存储介质 |
CN112766990A (zh) * | 2021-02-01 | 2021-05-07 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统系统和方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和系统 |
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
CN108170792A (zh) * | 2017-12-27 | 2018-06-15 | 北京百度网讯科技有限公司 | 基于人工智能的问答引导方法、装置和计算机设备 |
CN108228764A (zh) * | 2017-12-27 | 2018-06-29 | 神思电子技术股份有限公司 | 一种单轮对话和多轮对话的融合方法 |
WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
US20190005948A1 (en) * | 2017-06-29 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for managing dialogue based on artificial intelligence |
CN109241250A (zh) * | 2018-07-25 | 2019-01-18 | 南京瓦尔基里网络科技有限公司 | 一种策略规则对话推进以及意向判别方法及系统 |
CN109446306A (zh) * | 2018-10-16 | 2019-03-08 | 浪潮软件股份有限公司 | 一种基于任务驱动的多轮对话的智能问答方法 |
CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
CN110096567A (zh) * | 2019-03-14 | 2019-08-06 | 中国科学院自动化研究所 | 基于qa知识库推理的多轮对话回复选择方法、系统 |
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
CN110413760A (zh) * | 2019-07-31 | 2019-11-05 | 北京百度网讯科技有限公司 | 人机对话方法、装置、存储介质及计算机程序产品 |
CN110457447A (zh) * | 2019-05-15 | 2019-11-15 | 国网浙江省电力有限公司电力科学研究院 | 一种电网任务型对话系统 |
-
2020
- 2020-02-18 CN CN202010098305.6A patent/CN111324712A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068661A (zh) * | 2015-09-07 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和系统 |
WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
US20190005948A1 (en) * | 2017-06-29 | 2019-01-03 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for managing dialogue based on artificial intelligence |
CN108228764A (zh) * | 2017-12-27 | 2018-06-29 | 神思电子技术股份有限公司 | 一种单轮对话和多轮对话的融合方法 |
CN108170792A (zh) * | 2017-12-27 | 2018-06-15 | 北京百度网讯科技有限公司 | 基于人工智能的问答引导方法、装置和计算机设备 |
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
CN109241250A (zh) * | 2018-07-25 | 2019-01-18 | 南京瓦尔基里网络科技有限公司 | 一种策略规则对话推进以及意向判别方法及系统 |
CN109446306A (zh) * | 2018-10-16 | 2019-03-08 | 浪潮软件股份有限公司 | 一种基于任务驱动的多轮对话的智能问答方法 |
CN109688281A (zh) * | 2018-12-03 | 2019-04-26 | 复旦大学 | 一种智能语音交互方法及系统 |
CN110096567A (zh) * | 2019-03-14 | 2019-08-06 | 中国科学院自动化研究所 | 基于qa知识库推理的多轮对话回复选择方法、系统 |
CN110457447A (zh) * | 2019-05-15 | 2019-11-15 | 国网浙江省电力有限公司电力科学研究院 | 一种电网任务型对话系统 |
CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
CN110413760A (zh) * | 2019-07-31 | 2019-11-05 | 北京百度网讯科技有限公司 | 人机对话方法、装置、存储介质及计算机程序产品 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528002A (zh) * | 2020-12-23 | 2021-03-19 | 北京百度网讯科技有限公司 | 对话识别方法、装置、电子设备和存储介质 |
CN112528002B (zh) * | 2020-12-23 | 2023-07-18 | 北京百度网讯科技有限公司 | 对话识别方法、装置、电子设备和存储介质 |
CN112766990A (zh) * | 2021-02-01 | 2021-05-07 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统系统和方法 |
CN112766990B (zh) * | 2021-02-01 | 2023-07-28 | 北京邮电大学 | 基于多轮对话改进的智能客服辅助系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10438586B2 (en) | Voice dialog device and voice dialog method | |
CN111914568B (zh) | 文本修辞句的生成方法、装置、设备及可读存储介质 | |
WO2019200923A1 (zh) | 基于拼音的语义识别方法、装置以及人机对话系统 | |
KR101259558B1 (ko) | 문장경계 인식 장치 및 방법 | |
CN111177359A (zh) | 多轮对话方法和装置 | |
CN109331470B (zh) | 基于语音识别的抢答游戏处理方法、装置、设备及介质 | |
CN111159364B (zh) | 对话系统、对话装置、对话方法以及存储介质 | |
CN112818086A (zh) | 一种机器人催收获取客户意向标签的多标签分类方法 | |
CN112700769A (zh) | 一种语义理解方法、装置、设备以及计算机可读存储介质 | |
CN111324712A (zh) | 对话回复方法及服务端 | |
CN110717027B (zh) | 多轮智能问答方法、系统以及控制器和介质 | |
CN117251547A (zh) | 用户提问应答方法及其装置、设备、介质 | |
CN111368066B (zh) | 获取对话摘要的方法、装置和计算机可读存储介质 | |
CN113948090B (zh) | 语音检测方法、会话记录产品及计算机存储介质 | |
US11615787B2 (en) | Dialogue system and method of controlling the same | |
CN111414732A (zh) | 文本风格转换方法、装置、电子设备及存储介质 | |
CN114020886A (zh) | 语音意图识别方法、装置、设备及存储介质 | |
CN113051384A (zh) | 基于对话的用户画像抽取方法及相关装置 | |
CN113901838A (zh) | 对话检测方法和装置、电子设备、存储介质 | |
CN116821290A (zh) | 面向多任务对话的大语言模型训练方法和交互方法 | |
CN112380861A (zh) | 模型训练方法、装置及意图识别方法、装置 | |
CN116304046A (zh) | 对话数据的处理方法、装置、存储介质及电子设备 | |
CN114519094A (zh) | 基于随机状态的话术推荐方法、装置及电子设备 | |
CN113468306A (zh) | 语音对话方法、装置、电子设备及存储介质 | |
CN114154517A (zh) | 一种基于深度学习的对话质量评估方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200623 |
|
RJ01 | Rejection of invention patent application after publication |