CN111400463B - 对话响应方法、装置、设备和介质 - Google Patents
对话响应方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111400463B CN111400463B CN201910004624.3A CN201910004624A CN111400463B CN 111400463 B CN111400463 B CN 111400463B CN 201910004624 A CN201910004624 A CN 201910004624A CN 111400463 B CN111400463 B CN 111400463B
- Authority
- CN
- China
- Prior art keywords
- dialogue
- user
- round
- request
- current
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
Abstract
本发明实施例公开了一种对话响应方法、装置、设备和介质,涉及智能对话领域。该方法包括:提取用户本轮对话请求的语义信息,作为用户的当前对话特征;获取用户的历史对话特征;根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。本发明实施例提供了一种对话响应方法、装置、设备和介质,提高了多轮对话的应答效果。
Description
技术领域
本发明实施例涉及智能对话领域,尤其涉及一种对话响应方法、装置、设备和介质。
背景技术
随着科技的快速发展,基于机器人的智能对话系统已经广泛应用于人们的日常生活,用于进行相关问题的解答。
目前智能对话系统是将客户输入的问题与预设的问答对中的问题进行匹配,将匹配成功问答对的答案输出给客户。
发明人在实现本发明的过程中发现,现有技术无法综合上下文来响应客户的意图,多轮对话的效果较差。
发明内容
本发明实施例提供一种对话响应方法、装置、设备和介质,以提高多轮对话的应答效果。
第一方面,本发明实施例提供了一种对话响应方法,该方法包括:
提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
获取用户的历史对话特征;
根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
第二方面,本发明实施例还提供了一种对话响应装置,该装置包括:
当前特征提取模块,用于提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
历史特征获取模块,用于获取用户的历史对话特征;
结果响应模块,用于根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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本发明实施例中任一所述的对话响应方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的对话响应方法。
本发明实施例通过结合所述当前对话特征和所述历史对话特征,确定所述用户本轮对话请求的响应结果。从而实现综合上下文来响应用户的对话意图,进而提高多轮对话的应答效果。
附图说明
图1为本发明实施例一提供的一种对话响应方法的流程图;
图2是本发明实施例二提供的一种对话响应方法的流程图;
图3是本发明实施例三提供的一种对话响应方法的流程图;
图4是本发明实施例四提供的一种对话响应装置的结构示意图;
图5为本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种对话响应方法的流程图。本实施例可适用于根据用户对话请求进行自动响应用户的情况。该方法可以由一种对话响应装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本发明实施例提供的对话响应方法包括:
S110、提取用户本轮对话请求的语义信息,作为用户的当前对话特征。
具体地,所述提取用户本轮对话请求的语义信息,包括:
识别用户本轮对话请求的意图和/或词槽信息,将识别的意图和/或词槽信息作为用户本轮对话请求的语义信息。
可选地,所述识别用户本轮对话请求的意图,包括:
基于用户本轮对话请求的文本数据、语音特征和语义成分特征中的至少一种,识别用户对话请求的意图。
具体地,语义成分特征包括实体特征和/或词性特征。
S120、获取用户的历史对话特征。
具体地,获取用户的历史对话特征,包括:
获取预先从用户其他轮对话请求中提取的语义信息,作为用户的历史对话特征。
历史对话特征用于描述其他轮对话的对话特征,该对话特征可以是对话意图和/或词槽信息。
历史对话特征可以包括至少一轮对话的对话特征。
典型地,可以基于状态追踪算法实现对当前对话特征和历史对话特征的记录和更新。
S130、根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
具体地,可以基于设定规则,利用所述当前对话特征和所述历史对话特征,确定所述用户本轮对话请求的响应结果。
可选地,所述根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果,包括:
根据当前对话特征和历史对话特征的发生时间顺序,对本轮对话请求的当前对话特征和至少一轮历史对话请求的历史对话特征进行排序;
根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果。
其中,预设多轮对话集包括至少一次多轮对话,该多轮对话可以从网络抓取,也可以人工录入。
多轮对话的轮数可以根据需求设定,典型地多轮对话的轮数大于历史对话特征所属历史对话请求轮数与本轮对话请求轮数之和。
结果响应模型可以是基于时序性的任意模型,例如神经网络模型。典型地,可以是长短期记忆模型。
具体地,根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果,包括:
将预设多轮对话集中的至少一次多轮对话作为训练样本对结果响应模型进行训练;
将排序结果输入训练完成的结果响应模型,输出所述用户本轮对话请求的响应结果。
可选地,根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果,包括:
将排序结果与预设多轮对话集中的各多轮对话进行匹配;
根据匹配结果,确定所述用户本轮对话请求的响应结果。
当用户不固定时,其他用户发生的其他次对话对本次用户对话响应没有影响。因此此时仅考虑单次对话内容,上述对话响应方法可以描述为:
提取用户本次对话中本轮对话请求的语义信息,作为用户的当前对话特征;
获取用户的历史对话特征;
根据所述当前对话特征和根据所述历史对话特征,确定所述用户本轮对话请求的响应结果。
进一步地,获取用户的历史对话特征,包括:
获取预先从用户本次对话中其他轮对话请求中提取的语义信息,作为用户的历史对话特征。
需要说明的是,本实施例对步骤的执行顺序不做限定,可选地,S120可以先于S110执行。
本发明实施例的技术方案,通过结合所述当前对话特征和所述历史对话特征,确定所述用户本轮对话请求的响应结果。从而实现综合上下文来响应用户的对话意图,进而提高多轮对话的应答效果。
实施例二
图2是本发明实施例二提供的一种对话响应方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2,本实施例提供的对话响应方法包括:
S210、基于词与词之间的语义相似度,对识别的用户本轮对话请求的文本数据进行向量转化。
该步骤可以实现如下效果:语义相似的两轮对话请求的向量表示间的距离较小。从而实现对相似对话请求的响应。
S220、基于转化后的向量确定用户对话请求的意图,并将确定的意图作为用户本轮对话请求的当前对话特征。
S230、获取用户的历史对话特征。
S240、根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
需要说明的是,本实施例对步骤的执行顺序不做限定,可选地,S230可以先于S210执行。
本发明实施例的技术方案,通过基于词与词之间的语义相似度,对识别的用户本轮对话请求的文本数据进行向量转化。语义相似度的应用可以实现对语义相似的用户对话请求的识别,从而实现对口语化的用户对话请求的识别,进而实现对口语化用户对话请求的响应。
实施例三
图3是本发明实施例三提供的一种对话响应方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3,本发明实施例提供的对话响应方法包括:
获取本轮用户对话请求的语音数据,通过自动语音识别技术将获取的语音数据转成文本数据,并将文本数据通过word2vec算法转化成向量。
提取用户本轮对话请求语音数据的语音特征,并对语音特征进行归一化。
其中,所述语音特征包括音波、音强、音频和音调等特征。
对用户对话请求的文本数据进行命名实体识别和词性识别,并将识别的实体和词性作为语义成分特征,采用独热算法进行标准化。
拼接上述向量、语音特征和语义成分特征作为意图识别模型的输入,输出用户本轮对话请求的意图。
具体地,意图识别模型为深度神经网络模型。该模型可以通过采集的用户对话请求样本的文本数据、语音特征、实体特征和词性特征训练得到。
根据识别的意图,基于与该意图关联的词槽信息,对用户本轮对话请求进行词槽信息识别。
将用户本轮对话请求的意图和词槽信息,以及用户其他轮对话请求的意图和词槽信息,按照对话发生顺序,输入结果响应模型,输出针对用户本轮对话请求的响应结果。
其中,用户其他轮对话请求的意图和词槽信息可以基于状态追踪算法实现记录和更新。
具体地,记录方式可以是:设置记录历史对话轮数,如果设置为3,则记录本轮对话请求的意图和词槽信息,以及用前两轮对话请求的意图和词槽信息。通过这种方式记录用户的历史对话信息。
具体地,将用户本轮对话请求的意图和词槽信息,以及用户其他轮对话请求的意图和词槽信息通过独热算法转化成向量,输入结果响应模型,输出针对用户本轮对话请求的响应结果。
可选地,结果响应模型可以是长短期记忆模型,可以通过收集的对话集作为样本训练得到。
为提高模型的预测准确率,可以积累预测的对话请求的文本数据、语音特征、实体特征、词性特征以及意图作为样本,对意图识别模型进行训练;积累预测对话请求的意图、词槽信息和响应结果作为样本,对结果响应模型进行训练。
此外,还可以收集训练过程中的失败样本(bad case),在对失败样本进行修正后,再次利用修正后的样本进行模型训练。
本发明实施例的技术方案,提供了一套智能的对话系统,支持用户口语化对话请求的识别,并支持根据历史对话响应用户。此外,模型的应用,免去了规则配置的繁琐与局限,使得多轮对话更加智能,适应场景更加广泛。
需要说明的是,经过本实施例的技术教导,本领域技术人员有动机将上述实施例中描述的任一种实施方式进行方案的组合,以实现结合历史对话对用户对话请求的响应。
实施例四
图4是本发明实施例四提供的一种对话响应装置的结构示意图。参见图4,本实施例提供的对话响应装置包括:当前特征提取模块10、历史特征获取模块20和结果响应模块30。
其中,当前特征提取模块10,用于提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
历史特征获取模块20,用于获取用户的历史对话特征;
结果响应模块30,用于根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
本发明实施例的技术方案,通过结合所述当前对话特征和所述历史对话特征,确定所述用户本轮对话请求的响应结果。从而实现综合上下文来响应用户的对话意图,进而提高多轮对话的应答效果。
进一步地,所述结果响应模块,包括:特征排序单元和结果响应单元。
特征排序单元,用于根据当前对话特征和历史对话特征的发生时间顺序,对本轮对话请求的当前对话特征和至少一轮历史对话请求的历史对话特征进行排序;
结果响应单元,用于根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果。
进一步地,所述结果响应单元,包括:样本训练子单元和结果响应子单元。
样本训练子单元,用于将预设多轮对话集中的至少一次多轮对话作为训练样本对结果响应模型进行训练;
结果响应子单元,用于将排序结果输入训练完成的结果响应模型,输出所述用户本轮对话请求的响应结果。
进一步地,所述历史特征获取模块,包括:历史特征获取单元。
历史特征获取单元,用于获取预先从用户其他轮对话请求中提取的语义信息,作为用户的历史对话特征。
进一步地,当前特征提取模块,包括:当前特征提取单元。
其中,当前特征提取单元,用于识别用户本轮对话请求的意图和/或词槽信息,将识别的意图和/或词槽信息作为用户本轮对话请求的语义信息。
进一步地,所述当前特征提取单元,具体用于:
基于用户本轮对话请求的文本数据、语音特征和语义成分特征中的至少一种,识别用户对话请求的意图。
进一步地,所述结果响应模块,包括:结果响应单元。
其中,结果响应单元,用于基于当前对话特征和历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,利用预先训练的结果响应模型,输出所述用户本轮对话请求的响应结果。
进一步地,所述当前特征提取模块,包括:向量转化单元和意图确定单元。
其中,向量转化单元,用于基于词与词之间的语义相似度,对识别的用户本轮对话请求的文本数据进行向量转化;
意图确定单元,用于基于转化后的向量确定用户对话请求的意图,并将确定的意图作为用户本轮对话请求的语义信息。
本发明实施例所提供的对话响应装置可执行本发明任意实施例所提供的对话响应方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备12的框图。图5显示的设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与设备12的其它模块通信。应当明白,尽管图中未示出,可以结合设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的对话响应方法。
实施例六
本发明实施例六还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的对话响应方法,该方法包括:
提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
获取用户的历史对话特征;
根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明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)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (14)
1.一种对话响应方法,其特征在于,包括:
提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
获取用户的历史对话特征;
根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果;
其中,所述当前对话特征包括本轮对话请求的意图和/或词槽信息;所述历史对话特征包含至少一轮历史对话的意图和/或词槽信息;
所述提取用户本轮对话请求的语义信息,作为用户的当前对话特征,包括:
获取用户本轮对话请求的语音数据,将所述语音数据转成文本数据,并将所述文本数据转化成向量;
提取用户本轮对话请求语音数据的语音特征;
对所述文本数据进行命名实体识别和词性识别,并将识别得到的实体和词性作为语义成分特征;
将所述向量、所述语音特征和所述语义成分特征进行拼接,并将拼接结果作为意图识别模型的输入,输出用户的当前对话请求的意图。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果,包括:
根据当前对话特征和历史对话特征的发生时间顺序,对本轮对话请求的当前对话特征和至少一轮历史对话请求的历史对话特征进行排序;
根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果。
3.根据权利要求2所述的方法,其特征在于,所述根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果,包括:
将预设多轮对话集中的至少一次多轮对话作为训练样本对结果响应模型进行训练;
将排序结果输入训练完成的结果响应模型,输出所述用户本轮对话请求的响应结果。
4.根据权利要求1所述的方法,其特征在于,获取用户的历史对话特征,包括:
获取预先从用户其他轮对话请求中提取的语义信息,作为用户的历史对话特征。
5.根据权利要求1所述的方法,其特征在于,所述提取用户本轮对话请求的语义信息,包括:
识别用户本轮对话请求的意图和/或词槽信息,将识别的意图和/或词槽信息作为用户本轮对话请求的语义信息。
6.根据权利要求5所述的方法,其特征在于,所述识别用户本轮对话请求的意图,包括:
基于用户本轮对话请求的文本数据、语音特征和语义成分特征中的至少一种,识别用户对话请求的意图。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述提取用户本轮对话请求的语义信息,包括:
基于词与词之间的语义相似度,对识别的用户本轮对话请求的文本数据进行向量转化;
基于转化后的向量确定用户对话请求的意图,并将确定的意图作为用户本轮对话请求的语义信息。
8.一种对话响应装置,其特征在于,包括:
当前特征提取模块,用于提取用户本轮对话请求的语义信息,作为用户的当前对话特征;
历史特征获取模块,用于获取用户的历史对话特征;
结果响应模块,用于根据所述当前对话特征、所述历史对话特征,以及当前对话特征和历史对话特征的发生时间顺序,确定所述用户本轮对话请求的响应结果;
其中,所述当前对话特征包括本轮对话请求的意图和/或词槽信息;所述历史对话特征包含至少一轮历史对话的意图和/或词槽信息;
所述当前特征提取模块,具体用于获取用户本轮对话请求的语音数据,将所述语音数据转成文本数据,并将所述文本数据转化成向量;
提取用户本轮对话请求语音数据的语音特征;
对所述文本数据进行命名实体识别和词性识别,并将识别得到的实体和词性作为语义成分特征;
将所述向量、所述语音特征和所述语义成分特征进行拼接,并将拼接结果作为意图识别模型的输入,输出用户的当前对话请求的意图。
9.根据权利要求8所述的装置,其特征在于,所述结果响应模块,包括:
特征排序单元,用于根据当前对话特征和历史对话特征的发生时间顺序,对本轮对话请求的当前对话特征和至少一轮历史对话请求的历史对话特征进行排序;
结果响应单元,用于根据排序结果和预设多轮对话集,确定所述用户本轮对话请求的响应结果。
10.根据权利要求9所述的装置,其特征在于,所述结果响应单元,包括:
样本训练子单元,用于将预设多轮对话集中的至少一次多轮对话作为训练样本对结果响应模型进行训练;
结果响应子单元,用于将排序结果输入训练完成的结果响应模型,输出所述用户本轮对话请求的响应结果。
11.根据权利要求8所述的装置,其特征在于,所述历史特征获取模块,包括:
历史特征获取单元,用于获取预先从用户其他轮对话请求中提取的语义信息,作为用户的历史对话特征。
12.根据权利要求8-11中任一所述的装置,其特征在于,所述当前特征提取模块,包括:
向量转化单元,用于基于词与词之间的语义相似度,对识别的用户本轮对话请求的文本数据进行向量转化;
意图确定单元,用于基于转化后的向量确定用户对话请求的意图,并将确定的意图作为用户本轮对话请求的语义信息。
13.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-7中任一所述的对话响应方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的对话响应方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004624.3A CN111400463B (zh) | 2019-01-03 | 2019-01-03 | 对话响应方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910004624.3A CN111400463B (zh) | 2019-01-03 | 2019-01-03 | 对话响应方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400463A CN111400463A (zh) | 2020-07-10 |
CN111400463B true CN111400463B (zh) | 2023-06-06 |
Family
ID=71428310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910004624.3A Active CN111400463B (zh) | 2019-01-03 | 2019-01-03 | 对话响应方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400463B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017663B (zh) * | 2020-08-14 | 2024-04-30 | 博泰车联网(南京)有限公司 | 一种语音泛化方法、装置及计算机存储介质 |
CN112215118B (zh) * | 2020-09-30 | 2022-12-27 | 华人运通(上海)云计算科技有限公司 | 车辆传感器数据特征自动提取方法、装置及计算机可读存储介质 |
CN113821620B (zh) * | 2021-09-18 | 2023-12-12 | 亿咖通(湖北)技术有限公司 | 多轮对话任务处理方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107195303A (zh) * | 2017-06-16 | 2017-09-22 | 北京云知声信息技术有限公司 | 语音处理方法及装置 |
CN107665706A (zh) * | 2016-07-29 | 2018-02-06 | 科大讯飞股份有限公司 | 快速语音交互方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198714A1 (en) * | 2001-06-26 | 2002-12-26 | Guojun Zhou | Statistical spoken dialog system |
CN108021572B (zh) * | 2016-11-02 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 回复信息推荐方法和装置 |
CN106776578B (zh) * | 2017-01-03 | 2020-03-17 | 竹间智能科技(上海)有限公司 | 用于提升对话系统对话性能的方法及装置 |
CN106844627B (zh) * | 2017-01-20 | 2020-06-19 | 竹间智能科技(上海)有限公司 | 基于对话系统的在线学习方法及装置 |
CN108388638B (zh) * | 2018-02-26 | 2020-09-18 | 出门问问信息科技有限公司 | 语义解析方法、装置、设备及存储介质 |
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 |
CN108877795B (zh) * | 2018-06-08 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 用于呈现信息的方法和装置 |
-
2019
- 2019-01-03 CN CN201910004624.3A patent/CN111400463B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665706A (zh) * | 2016-07-29 | 2018-02-06 | 科大讯飞股份有限公司 | 快速语音交互方法及系统 |
CN107195303A (zh) * | 2017-06-16 | 2017-09-22 | 北京云知声信息技术有限公司 | 语音处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
过冰."智能语音对话系统中基于规则和统计的语义识别".《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2015,(第4期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111400463A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10593333B2 (en) | Method and device for processing voice message, terminal and storage medium | |
US11074416B2 (en) | Transformation of chat logs for chat flow prediction | |
US20240021202A1 (en) | Method and apparatus for recognizing voice, electronic device and medium | |
CN107481720B (zh) | 一种显式声纹识别方法及装置 | |
CN113327609B (zh) | 用于语音识别的方法和装置 | |
US10529340B2 (en) | Voiceprint registration method, server and storage medium | |
CN109686383B (zh) | 一种语音分析方法、装置及存储介质 | |
CN111402861B (zh) | 一种语音识别方法、装置、设备及存储介质 | |
US20130144618A1 (en) | Methods and electronic devices for speech recognition | |
CN107886944B (zh) | 一种语音识别方法、装置、设备及存储介质 | |
CN111400463B (zh) | 对话响应方法、装置、设备和介质 | |
CN109947971B (zh) | 图像检索方法、装置、电子设备及存储介质 | |
CN110998719A (zh) | 信息处理设备和信息处理方法 | |
US20230127787A1 (en) | Method and apparatus for converting voice timbre, method and apparatus for training model, device and medium | |
CN110647613A (zh) | 一种课件构建方法、装置、服务器和存储介质 | |
CN113782029B (zh) | 语音识别模型的训练方法、装置、设备以及存储介质 | |
CN113393841B (zh) | 语音识别模型的训练方法、装置、设备及存储介质 | |
CN113889091A (zh) | 语音识别方法、装置、计算机可读存储介质及电子设备 | |
CN113611316A (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN106980640B (zh) | 针对照片的交互方法、设备和计算机可读存储介质 | |
CN112837674B (zh) | 语音识别方法、装置及相关系统和设备 | |
CN108920715B (zh) | 客服的智能化辅助方法、装置、服务器和存储介质 | |
CN110809796B (zh) | 具有解耦唤醒短语的语音识别系统和方法 | |
CN111883133B (zh) | 客服语音识别方法、装置、服务器及存储介质 | |
CN113782005B (zh) | 语音识别方法及装置、存储介质及电子设备 |
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 |