CN111475614B - 知识推理对话方法、装置、电子设备和存储介质 - Google Patents
知识推理对话方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111475614B CN111475614B CN202010159906.3A CN202010159906A CN111475614B CN 111475614 B CN111475614 B CN 111475614B CN 202010159906 A CN202010159906 A CN 202010159906A CN 111475614 B CN111475614 B CN 111475614B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- information
- scene
- scene element
- element information
- 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
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Abstract
本申请公开了一种知识推理对话方法、装置、电子设备和存储介质。具体实现方案为:获取用户话语;将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息;根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。由此通过自主地选择对应的场景要素以及对应的语义内容,可生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种知识推理对话方法、装置、电子设备和存储有计算机指令的非瞬时计算机可读存储介质。
背景技术
相关技术中,主要有两种方法可实现人机对话交互,其中,一种是利用KG(Knowledge Graph,知识图谱)和自由文本等作为背景知识的对话方法;另一种是利用API(Application Programming Interface,应用程序接口)获取并使用环境信息的对话方法。其中,上述第一种方法的基本流程都是基于上文信息从背景知识中选取相关内容,然后基于上文信息和相关内容生成可用回复;上述第二种方法一般都只会在用户主动询问或满足预设触发条件的情况下,调用相应的API,获取环境信息并反馈给用户。
但是目前存在的问题是,上述第一种方法会使得回复内容仅有语义相关性,而欠缺整体语境合理性,并且对于选用数条背景知识并整合使用的装置,经常出现背景知识之间缺乏逻辑关联甚至逻辑矛盾的情况;在上述第二种方法中,环境信息的获取及使用是完全被动的,或者仅在少量预设的场景下,才会使用部分环境信息来指导回复生成,所以在绝大部分情况下,不具备利用丰富环境信息的能力,从而导致所给出回复仅与上下文语义相关,而与环境信息无关。
发明内容
本申请的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本申请的第一个目的在于提出一种知识推理对话方法,该方法通过自主地选择对应的场景要素以及对应的语义内容,可获取生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性。
本申请的第二个目的在于提出一种知识推理对话装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
为达到上述目的,本申请第一方面实施例提出的知识推理对话方法,包括:
获取用户话语;
将所述用户话语导入至知识标注模型,得到对应的知识标注信息,其中,所述知识标注模型用于生成所述用户话语的知识标注信息;
根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;
根据所述用户话语、所述知识标注信息、所述对应的目标场景要素信息和所述各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。
根据本申请的一个实施例,根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,包括:根据所述用户话语和所述知识标注信息,确定待回复语句的目标场景名称;根据所述用户话语、所述知识标注信息和所述待回复语句的目标场景名称,确定对应的目标场景要素信息;根据所述用户话语、所述知识标注信息、所述待回复语句的目标场景名称和所述对应的目标场景要素信息,确定各目标场景要素信息对应的目标语义内容。
根据本申请的一个实施例,所述知识标注信息包括场景名称信息;根据所述用户话语和所述知识标注信息,确定待回复语句的目标场景名称,包括:将所述用户话语和所述知识标注信息中的场景名称信息输入至知识推理模型;其中,所述知识推理模型已学习得到场景与场景之间的关联关系;基于所述知识推理模型中已学习到的场景与场景之间的关联关系,根据所述用户话语和所述知识标注信息中的场景名称信息,确定待回复语句的目标场景名称。
根据本申请的一个实施例,所述知识标注信息包括场景要素信息;根据所述用户话语、所述知识标注信息和所述待回复语句的目标场景名称,确定对应的目标场景要素信息,包括:将所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称输入至知识推理模型;其中,所述知识推理模型已学习得到场景下所包含的各场景要素信息间的相关性;基于所述知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,根据所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称,确定当前语境的关联场景要素信息,其中,所述关联场景要素信息为所述当前语境中与所述知识标注信息中的场景要素信息最相关的关联场景要素;根据所述知识标注信息中的场景要素信息和所述关联场景要素信息,确定所述目标场景要素信息。
根据本申请的一个实施例,通过以下方式预先建立所述知识推理模型:获取对话语料,并基于所述知识标注模型对所述对话语料进行知识标注,得到所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容;基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,构建知识图谱;基于已经过知识标注的对话语料和构建的知识图谱,进行模型训练,得到所述知识推理模型。
为达到上述目的,本申请第二方面实施例提出的知识推理对话装置,包括:
用户话语获取模块,用于获取用户话语;
标注模块,用于将所述用户话语导入至知识标注模型,得到对应的知识标注信息,其中,所述知识标注模型用于生成所述用户话语的知识标注信息;
场景信息确定模块,用于根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;
回复语句生成模块,用于根据所述用户话语、所述知识标注信息、所述对应的目标场景要素信息和所述各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。
为达到上述目的,本申请第三方面实施例提出的电子设备,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本申请第一方面所述的知识推理对话方法。
为达到上述目的,本申请第四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,所述计算机指令用于使所述计算机执行本申请第一方面所述的知识推理对话方法。
上述申请中的一个实施例具有如下优点或有益效果:可通过将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息,并根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,以及根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。由此,基于上文语境(包括显示的语义内容,隐含的背景知识和当前环境信息)自主地选择对应的场景要素信息,具有主动获取并使用环境信息的能力,并且通过自主选择的场景要素信息及其对应的语义内容来生成回复语句,以此可以确保在最终回复句中包含的知识内容之间具有更好的逻辑关联性,使在对话中更好地实现了人机交互,增加了用户体验。
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,不构成本申请的限定。其中:
图1是根据本申请一个实施例的知识推理对话方法的流程图。
图2是根据本申请一个实施例的训练知识标注模型的流程图。
图3是根据本申请一个实施例的建立知识推理模型的流程图。
图4是根据本申请一个实施例的构建知识图谱的示意图。
图5是根据本申请另一个实施例的知识推理模型的示意图。
图6是根据本申请一个具体实施例的知识推理对话方法的流程图。
图7是根据本申请一个实施例的生成符合当前语境的回复语句的示意图。
图8是根据本申请一个实施例的知识推理对话装置的结构示意图。
图9是根据本申请另一个实施例的知识推理对话装置的结构示意图。
图10是根据本申请一个实施例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。
本申请提出了一种知识推理对话方法、装置、电子设备和存储有计算机指令的非瞬时计算机可读存储介质,本申请解决了相关技术中经常出现背景知识之间缺乏逻辑关联甚至逻辑矛盾的问题以及所给出回复仅与上下文语义相关,而与环境信息无关等技术问题。具体地,下面参考附图描述本申请实施例的知识推理对话方法、装置、电子设备和存储有计算机指令的非瞬时计算机可读存储介质。
图1是根据本申请一个实施例的知识推理对话方法的流程图。需要说明的是,本申请实施例的知识推理对话方法可应用于本申请实施例的知识推理对话装置,该装置可被配置于电子设备上。其中,该电子设备可以是具有对话系统的各种电子设备,例如,智能手机、平板电脑、PAD、个人数字助理、智能音箱等具有各种操作系统的硬件设备。
如图1所示,该知识推理对话方法可以包括:
S110,获取用户话语。
在本申请的实施例中,可通过电子设备中的对话系统输入话语,以便电子设备中的对话系统获取用户输入的话语。
其中,电子设备中的对话系统支持文字、语音等输入方式。
举例而言,用户可通过电子设备中的对话系统输入“昨天去香山”话语,以便电子设备中的对话系统获取用户输入的“昨天去香山”话语。
S120,将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息。
也就是说,获取到用户话语,可将用户话语导入至知识标注模型,以得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息。
其中,知识标注信息可包括但不限于场景名称信息、场景要素信息、以及场景要素信息对应的语义内容等。
举例而言,获取到用户话语“昨天去香山”,可将用户话语“昨天去香山”导入至知识标注模型,可基于知识标注模型对用户话语“昨天去香山”进行分析,可得到该用户话语对应的知识标注信息,如场景名称信息、场景要素信息、以及场景要素信息对应的语义内容,其中,场景名称信息为“去香山”、场景要素信息为“时间”、以及场景要素信息“时间”对应的语义内容为“昨天”。
在本申请的实施例中,如图2所示,知识标注模型可通过以下方式预先训练得到:
S210,获取多个样本语句和多个样本语句中的每个样本语句所对应的样本知识标注信息。
其中,样本知识标注信息可通过以下方式获得:将样本语句划分为至少一个词条,对于至少一个词条中的词条,查询该词条的至少一个标签信息,获取至少一个标签信息中每个标签信息对应样本语句的流畅度信息,流畅度信息用于表征标签信息替换词条后句子的流畅性,将最小取值的流畅度信息对应的标签信息与词条对应设置,得到样本知识标注信息。
其中,获取至少一个标签信息中每个标签信息对应样本语句的流畅度信息,包括:通过标签信息替换样本语句中对应词条后,得到第一测试样本语句,将第一测试样本语句导入语言模型,得到对应第一测试样本语句的第一流畅度信息。
其中,获取至少一个标签信息中每个标签信息对应样本语句的流畅度信息,包括:获取词条的同位词,同位词为与词条类型相同的词条;通过同位词替换样本语句中对应词条后,得到第二测试样本语句;将第二测试样本语句导入语言模型,得到对应第二测试样本语句的第二流畅度信息。
其中,获取至少一个标签信息中每个标签信息对应样本语句的流畅度信息,包括:对第一流畅度信息和第二流畅度信息进行加权求和,得到标签信息对应样本语句的最终流畅度信息。
S220,将多个样本语句中的每个样本语句作为输入,将多个样本语句中的每个样本语句所对应的样本知识标注信息作为输出,训练得到知识标注模型。
可选地,可执行以下训练步骤:将多个样本语句中的每个样本语句依次输入至初始化知识标注模型,得到多个样本语句中的每个样本语句所对应的预测知识标注信息,将多个样本语句中的每个样本语句所对应的样本知识标注信息与该样本语句所对应的预测知识标注信息进行比较,得到初始化知识标注模型的预测准确率,确定预测准确率是否大于预设准确率阈值,若大于预设准确率阈值,则将初始化知识标注模型作为训练完成的知识标注模型。
其中,响应于不大于预设准确率阈值,调整初始化知识标注模型的参数,并继续执行训练步骤。
需要说明的是,对用户话语进行知识标注,以得到该用户话语的场景名称信息、场景要素信息、以及场景要素信息对应的语义内容的目的是为了:利用用户话语的场景名称、场景要素、以及对应的语义内容,从知识推理模型中获取与当前语境最相关的场景、以及该场景下的各相关场景要素及各场景要素对应的语义内容,进而达到丰富场景要素的目的,更能够获得最符合当前语境的语境相关信息。
S130,根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容。
在本申请的实施例中,获取到用户话语及其知识标注信息,可根据用户话语及其知识标注信息,确定待回复语句的目标场景名称,之后根据用户话语、及其知识标注信息和待回复语句的目标场景名称,确定对应的目标场景要素信息,然后根据用户话语、及其知识标注信息、待回复语句的目标场景名称和对应的目标场景要素信息,确定各目标场景要素信息对应的目标语义内容。
也就是说,可根据用户话语及其知识标注信息确定待回复语句的目标场景名称,进而根据用户话语、及其知识标注信息和待回复语句的目标场景名称,从该目标场景名称下的众多场景要素中选择并组合一系列的目标场景要素,然后,基于上文信息(即用户话语及其知识标注信息)、目标场景名称和所有目标场景要素,确定各目标场景要素信息对应的目标语义内容。
S140,根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。
举例而言,可将用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容输入至知识推理模型,知识推理模型可自主选择对应的目标场景要素信息,并基于上文信息(即用户话语及其知识标注信息)和目标场景要素信息及其语义内容生成一句契合当前语境的回复语句。
需要说明的是,知识推理模型是预选训练得到的。其中,在本申请的实施例中,如图3所示,可通过以下方式预先建立知识推理模型:
S310,获取对话语料,并基于知识标注模型对对话语料进行知识标注,得到对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容。
其中,对话语料可预先收集,以便后续获取对话语料。
S320,基于对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,构建知识图谱。
可选地,基于对话语料中上下句之间包含的场景名称构建场景与场景之间的关联关系,并基于对话语料中每一句话所包含的场景名称、场景要素,收集各场景下的场景要素信息,并基于场景要素和对应的语义内容,收集各场景要素对应的具体语义内容,进而基于场景与场景之间的关联关系、各场景下的场景要素信息以及各场景要素对应的具体语义内容,构建所述知识图谱。
举例而言,基于对话语料中“爬香山”所包含的场景名称、场景要素和对应的语义内容,可构建知识图谱,其中,构建的知识图谱可如图4所示。
需要说明的是,利用知识标注模型从大规模语料中显示地构建图谱,以此来为场景要素提供足够的语义内容,并且能为知识组合步骤提供足够的约束信息,以保证所选用的知识具有较好的语义相关性。
S330,基于已经过知识标注的对话语料和构建的知识图谱,进行模型训练,得到知识推理模型。
可选地,基于知识标注模型已标注的语料和从语料中构建的知识图谱,直接训练模型直至收敛,将训练收敛后的模型确定为所述知识推理模型。作为一种示例,可采用RL(Reinforcement Learning,强化学习)的框架进行模型训练,或采用其他成熟的方案进行训练,在此不做具体限定。
为了方便本领域技术人员了解知识推理模型的训练过程,下面进行详细说明。首先,本申请的知识推理模型的模型设计可如下,其中模型框架图可如图5所示,其中,图谱即为从对话语料中构建的知识图谱,可作为模型训练的约束信息。
其次,将知识推理模型设计成如下5个步骤,即如下Step1-Step5:
Step1:【知识标注信息分析】对用户话语的知识标注信息的分析
输入:用户话语
输出:知识标注信息的分析结果(即用户话语对应的知识标注信息)。
Step2:【确定回复的场景】基于历史上文(即用户话语)和知识标注信息的分析结果,按照p(S=s|U)(这里的U及后续所有公式里的U都包含了用户话语的语义内容和知识标注信息的分析结果)确定回复句的场景名称S(Scene)
输入:U
输出:S(回复内容的场景名称)。
Step3:【选取场景要素信息】基于历史上文、Step1中的知识标注信息的分析结果和Step2中选取的回复场景名称,按照公式p(R=r1|U,S),p(R=rt|U,S,r1:t-1),依次选择对应于场景要素信息,这里的R即Role;
输入:U,S
输出:r1,r2,…,rn。
Step4:【确定各场景要素信息对应的语义内容】基于历史上文、Step1中的知识标注信息的分析结果、Step中选取的回复场景名称、Step3中选取的场景要素信息,确定各场景要素信息对应的语义内容,按照公式p(C=c1|U,S,r1),逐步选取各场景要素信息对应的具体语义内容;
输入:U,S,r1,r2,…,rn
输出:c1,c2,…,cn。
Step5:【生成回复】基于前述所有信息,生成一句流畅的回复语句
输入:U,S,r1,r2,…,rn,c1,c2,…,cn
输出:Reply(回复语句)
在本申请的实施例中,可基于知识标注模型已标注的对话语料和从对话语料中构建的知识图谱,对上述模型设计进行模型训练直至收敛,从而可得到训练好的知识推理模型。
需要说明的是,在语料层面上,本申请利用了专门的工具来提取语料中粒度适中的知识角色信息,相当于将语料与现实环境进行了映射,为后续模型提供了语料保障;并基于标注过的语料构建了图谱来为后续的选择场景要素信息提供相应的语义内容,并对选取的场景要素信息的组合方式做了一定的范围约束,能一定程度上降低模型学习的难度,并提升最终效果。在模型层面上,本申请中的知识推理模型中涉及到的场景要素是一个相对封闭的几何,只要前期语料准备足够充分,那场景要素集合就是一个相对完备的集合,保证场景要素的完备性;语义内容的可获取性:对于场景要素所对应语义内容的获取,绝大部分情况下都是通过预先构建的图谱直接获取;对于有限的部分与环境进行交互或者依赖环境信息的语义内容(如当前地理位置、现在的时间、季节、用户的年龄等),在模型训练过程中同样是从预先构建的图谱中直接获取,从而所有的场景要素所对应的语义内容都是可以获取的;模型训练的可行性:模型中各个步骤的输入输出的物理含义和依赖关系明确,并且有大量成熟的方案可以建模这类依赖关系,因此模型是可训练且预期是能够收敛的。
根据本申请实施例的知识推理对话方法,可获取用户话语,之后将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息,然后根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,最后根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。该方法可基于上文语境(包括用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容)自主地选择对应的场景要素以及对应的语义内容,且具有主动获取并使用环境信息的能力,进而可获取生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性,使在对话中更好地实现了人机交互,增加了用户体验。
图6是根据本申请一个具体实施例的知识推理对话方法的流程图。图7是根据本申请一个实施例的知识推理对话方法的示例图。如6和图7所示,该知识推理对话方法可以包括:
S610,获取用户话语。
举例而言,用户可通过电子设备中的对话系统输入“昨天去香山”话语,以便电子设备中的对话系统获取用户输入的“昨天去香山”话语。
S620,将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息。
举例而言,获取到用户话语“昨天去香山”,可将用户话语“昨天去香山”导入至知识标注模型,知识标注模型可对用户话语“昨天去香山”进行分析,可得到该用户话语对应的知识标注信息,如场景名称信息、场景要素信息、以及场景要素信息对应的语义内容,其中,场景名称信息为“去香山”、场景要素信息为“时间”、以及场景要素信息“时间”对应的语义内容为“昨天”。
S630,根据用户话语和知识标注信息,确定待回复语句的目标场景名称。
在本申请的实施例中,可将用户话语和知识标注信息中的场景名称信息输入至知识推理模型,其中,知识推理模型已学习得到场景与场景之间的关联关系,然后基于知识推理模型中已学习到的场景与场景之间的关联关系,根据用户话语和知识标注信息中的场景名称信息,确定待回复语句的目标场景名称。
举例而言,将用户话语“昨天去香山”和知识标注信息中的场景名称信息“去香山”输入至知识推理模型,知识推理模型可基于公式p(S=s|U),即可确定待回复语句的目标场景名称为“去香山”。
S640,根据用户话语、知识标注信息和待回复语句的目标场景名称,确定对应的目标场景要素信息。
在本申请的实施例中,可将用户话语、知识标注信息中的场景要素信息和待回复语句的目标场景名称输入至知识推理模型,其中,知识推理模型已学习得到场景下所包含的各场景要素信息间的相关性,基于知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,根据用户话语、知识标注信息中的场景要素信息和待回复语句的目标场景名称,确定当前语境的关联场景要素信息,其中,关联场景要素信息为当前语境中与知识标注信息中的场景要素信息最相关的关联场景要素,根据知识标注信息中的场景要素信息和关联场景要素信息,确定目标场景要素信息。
举例而言,将用户话语“昨天去香山”、知识标注信息中的场景要素信息“时间”和待回复语句的目标场景名称“去香山”输入至知识推理模型,知识推理模型可基于“昨天去香山”话语、知识标注信息中的场景要素信息“时间”和待回复语句的目标场景名称“去香山”,可从预先构建的知识图谱中的众多场景要素信息中选择与该“时间”场景要素最相关的相关场景要素“天气”、“季节”和“地点”,进而将知识标注信息中的场景要素信息“时间”、相关场景要素“天气”、“季节”和“地点”,确定为所述目标场景要素信息。
S650,根据用户话语、知识标注信息、待回复语句的目标场景名称和对应的目标场景要素信息,确定各目标场景要素信息对应的目标语义内容。
可选地,根据用户话语、知识标注信息、待回复语句的目标场景名称和对应的目标场景要素信息,从预先构建的知识图谱中,找出各目标场景要素信息对应的目标语义内容。
S660,根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。
举例而言,可将用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容输入至知识推理模型,知识推理模型可自主选择对应的场景要素以及对应的语义内容,且具有主动获取并使用环境信息的能力,进而可获取生成符合当前语境的回复语句,如图7所示,最终可生成针对用户话语“昨天去香山”的回复语句“去香山应该很热”。
需要说明的是,在本申请的实施例中,在确定当前语境的关联场景要素信息时,若用户话语中代表环境信息(如时间或地点)的语义内容在知识图谱中不存在,则需要调用API接口进行环境信息的获取;若用户话语中代表感受等场景要素(即在语境中影响权重比较低的场景要素)的语义内容在知识图谱中不存在,则可以不调用API进行信息获取,可以采用其他手段生成回复语句。例如,假设用户话语为“我明天准备去香山”,而知识图谱中不存在语义内容场景要素“时间”的语义内容“明天”,则此时需要调用API接口来获知“明天”的具体日期。又如,假设用户话语为“去香山很热啊”,而该用户话语中不存在环境信息(如时间),其想表达的是去香山的感受,此时可不调用API进行环境信息的获取,而可采用其他手段直接生成该用户话语的回复语句。
根据本申请实施例的知识推理对话方法,可基于上文语境(包括用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容)自主地选择对应的场景要素以及对应的语义内容,且具有主动获取并使用环境信息的能力,进而可获取生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性,且利用知识标注模型从大规模语料中显示地构建图谱,以此为场景要素提供足够的语义内容,并能为知识组合步骤提供足够的约束信息,以保证所选用的知识具有较好的语义相关性,使在对话中更好地实现了人机交互,增加了用户体验。
与上述几种实施例提供的知识推理对话方法相对应,本申请的一种实施例还提供一种知识推理对话装置,由于本申请实施例提供的知识推理对话装置与上述几种实施例提供的知识推理对话方法相对应,因此在知识推理对话方法的实施方式也适用于本实施例提供的知识推理对话装置,在本实施例中不再详细描述。图8是根据本申请一个实施例的知识推理对话装置的结构示意图。
如图8所示,该知识推理对话装置800包括:用户话语获取模块810、标注模块820、场景信息确定模块830和回复语句生成模块840。其中:
用户话语获取模块810用于获取用户话语。
标注模块820用于将所述用户话语导入至知识标注模型,得到对应的知识标注信息,其中,所述知识标注模型用于生成所述用户话语的知识标注信息。
场景信息确定模块830用于根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;作为一种示例,所述场景信息确定模块包括:目标场景名称确定单元,用于根据所述用户话语和所述知识标注信息,确定待回复语句的目标场景名称;目标场景要素确定单元,用于根据所述用户话语、所述知识标注信息和所述待回复语句的目标场景名称,确定对应的目标场景要素信息;目标语义内容确定单元,用于根据所述用户话语、所述知识标注信息、所述待回复语句的目标场景名称和所述对应的目标场景要素信息,确定各目标场景要素信息对应的目标语义内容。
在本申请的实施例中,所述知识标注信息包括场景名称信息;所述目标场景名称确定单元具体用于:将所述用户话语和所述知识标注信息中的场景名称信息输入至知识推理模型;其中,所述知识推理模型已学习得到场景与场景之间的关联关系;基于所述知识推理模型中已学习到的场景与场景之间的关联关系,根据所述用户话语和所述知识标注信息中的场景名称信息,确定待回复语句的目标场景名称。
在本申请的实施例中,所述知识标注信息包括场景要素信息;所述目标场景要素确定单元具体用于:将所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称输入至知识推理模型;其中,所述知识推理模型已学习得到场景下所包含的各场景要素信息间的相关性;基于所述知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,根据所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称,确定当前语境的关联场景要素信息,其中,所述关联场景要素信息为所述当前语境中与所述知识标注信息中的场景要素信息最相关的关联场景要素;根据所述知识标注信息中的场景要素信息和所述关联场景要素信息,确定所述目标场景要素信息。
回复语句生成模块840用于根据所述用户话语、所述知识标注信息、所述对应的目标场景要素信息和所述各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。
在本申请的实施例中,如图9所示,所述知识推理对话装置还包括:模型训练模块850,模型训练模块850用于获取对话语料,并基于所述知识标注模型对所述对话语料进行知识标注,得到所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,构建知识图谱,并基于已经过知识标注的对话语料和构建的知识图谱,进行模型训练,得到所述知识推理模型。
根据本申请实施例的知识推理对话装置,可获取用户话语,之后将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息,然后根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,最后根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。由此可基于上文语境(包括用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容)自主地选择对应的场景要素以及对应的语义内容,且具有主动获取并使用环境信息的能力,进而可获取生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性,使在对话中更好地实现了人机交互,增加了用户体验。
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10所示,是根据本申请实施例的用以实现知识推理对话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10所示,该电子设备包括:一个或多个处理器1001、存储器1002,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10中以一个处理器1001为例。
存储器1002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知识推理对话方法。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知识推理对话方法。
存储器1002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知识推理对话方法对应的程序指令/模块(例如,附图8所示的用户话语获取模块810、标注模块820、场景信息确定模块830和回复语句生成模块840)。处理器1001通过运行存储在存储器1002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知识推理对话方法。
存储器1002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知识推理对话的电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至知识推理对话的电子设备。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。
用以实现知识推理对话方法的电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与知识推理对话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1004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,可获取用户话语,之后将用户话语导入至知识标注模型,得到对应的知识标注信息,其中,知识标注模型用于生成用户话语的知识标注信息,然后根据用户话语和知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,最后根据用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句。该方法可基于上文语境(包括用户话语、知识标注信息、对应的目标场景要素信息和各目标场景要素信息对应的目标语义内容)自主地选择对应的场景要素以及对应的语义内容,且具有主动获取并使用环境信息的能力,进而可获取生成符合当前语境的回复语句,且通过组合所选择的场景要素及其对应语义内容,使在生成的回复语句中,包含的知识内容之间具有更好的逻辑关联性,使在对话中更好地实现了人机交互,增加了用户体验。
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 (10)
1.一种知识推理对话方法,其特征在于,包括:
获取用户话语;
将所述用户话语导入至知识标注模型,得到对应的知识标注信息,其中,所述知识标注模型用于生成所述用户话语的知识标注信息,所述知识标注信息包括场景名称信息、场景要素信息、以及场景要素信息对应的语义内容;
根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;
根据所述用户话语、所述知识标注信息、所述对应的目标场景要素信息和所述各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句;
根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容,包括:
基于知识推理模型中已学习到的场景与场景之间的关联关系,根据所述场景名称信息,确定待回复语句的目标场景名称;
基于知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,确定当前语境中与场景要素信息最相关的关联场景要素,从而确定目标场景要素;
从预先构建的知识图谱中,确定各目标场景要素信息对应的目标语义内容;
其中,基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容、场景与场景之间的关联关系、各场景下的场景要素信息以及各场景要素对应的具体语义内容,构建知识图谱;基于已构建的知识图谱,进行模型训练,得到知识推理模型。
2.根据权利要求1所述的方法,其特征在于,所述知识标注信息包括场景名称信息;根据所述用户话语和所述知识标注信息,确定待回复语句的目标场景名称,包括:
将所述用户话语和所述知识标注信息中的场景名称信息输入至知识推理模型;其中,所述知识推理模型已学习得到场景与场景之间的关联关系;
基于所述知识推理模型中已学习到的场景与场景之间的关联关系,根据所述用户话语和所述知识标注信息中的场景名称信息,确定待回复语句的目标场景名称。
3.根据权利要求1所述的方法,其特征在于,所述知识标注信息包括场景要素信息;根据所述用户话语、所述知识标注信息和所述待回复语句的目标场景名称,确定对应的目标场景要素信息,包括:
将所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称输入至知识推理模型;其中,所述知识推理模型已学习得到场景下所包含的各场景要素信息间的相关性;
基于所述知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,根据所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称,确定当前语境的关联场景要素信息,其中,所述关联场景要素信息为所述当前语境中与所述知识标注信息中的场景要素信息最相关的关联场景要素;
根据所述知识标注信息中的场景要素信息和所述关联场景要素信息,确定所述目标场景要素信息。
4.根据权利要求2或3所述的方法,其特征在于,通过以下方式预先建立所述知识推理模型:
获取对话语料,并基于所述知识标注模型对所述对话语料进行知识标注,得到所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容;
基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,构建知识图谱;
基于已经过知识标注的对话语料和构建的知识图谱,进行模型训练,得到所述知识推理模型。
5.一种知识推理对话装置,其特征在于,包括:
用户话语获取模块,用于获取用户话语;
标注模块,用于将所述用户话语导入至知识标注模型,得到对应的知识标注信息,其中,所述知识标注模型用于生成所述用户话语的知识标注信息,所述知识标注信息包括场景名称信息、场景要素信息、以及场景要素信息对应的语义内容;
场景信息确定模块,用于根据所述用户话语和所述知识标注信息,确定对应的目标场景要素信息以及各目标场景要素信息对应的目标语义内容;
回复语句生成模块,用于根据所述用户话语、所述知识标注信息、所述对应的目标场景要素信息和所述各目标场景要素信息对应的目标语义内容,生成符合当前语境的回复语句;
所述场景信息确定模块包括:
目标场景名称确定单元,用于基于知识推理模型中已学习到的场景与场景之间的关联关系,根据所述场景名称信息,确定待回复语句的目标场景名称;
目标场景要素确定单元,用于根据基于知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,确定当前语境中与所述场景要素信息最相关的关联场景要素,从而确定目标场景要素;
目标语义内容确定单元,用于从预先构建的知识图谱中,确定各目标场景要素信息对应的目标语义内容;
其中,基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容、场景与场景之间的关联关系、各场景下的场景要素信息以及各场景要素对应的具体语义内容,构建知识图谱;基于已构建的知识图谱,进行模型训练,得到知识推理模型。
6.根据权利要求5所述的装置,其特征在于,所述知识标注信息包括场景名称信息;所述目标场景名称确定单元具体用于:
将所述用户话语和所述知识标注信息中的场景名称信息输入至知识推理模型;其中,所述知识推理模型已学习得到场景与场景之间的关联关系;
基于所述知识推理模型中已学习到的场景与场景之间的关联关系,根据所述用户话语和所述知识标注信息中的场景名称信息,确定待回复语句的目标场景名称。
7.根据权利要求5所述的装置,其特征在于,所述知识标注信息包括场景要素信息;所述目标场景要素确定单元具体用于:
将所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称输入至知识推理模型;其中,所述知识推理模型已学习得到场景下所包含的各场景要素信息间的相关性;
基于所述知识推理模型中已学习到的场景下所包含的各场景要素信息间的相关性,根据所述用户话语、所述知识标注信息中的场景要素信息和所述待回复语句的目标场景名称,确定当前语境的关联场景要素信息,其中,所述关联场景要素信息为所述当前语境中与所述知识标注信息中的场景要素信息最相关的关联场景要素;
根据所述知识标注信息中的场景要素信息和所述关联场景要素信息,确定所述目标场景要素信息。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于获取对话语料,并基于所述知识标注模型对所述对话语料进行知识标注,得到所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,基于所述对话语料中每一句话所包含的场景名称、场景要素和对应的语义内容,构建知识图谱,并基于已经过知识标注的对话语料和构建的知识图谱,进行模型训练,得到所述知识推理模型。
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至4中任一项所述的知识推理对话方法。
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至4中任一项所述的知识推理对话方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159906.3A CN111475614B (zh) | 2020-03-09 | 2020-03-09 | 知识推理对话方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010159906.3A CN111475614B (zh) | 2020-03-09 | 2020-03-09 | 知识推理对话方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475614A CN111475614A (zh) | 2020-07-31 |
CN111475614B true CN111475614B (zh) | 2023-08-25 |
Family
ID=71748110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010159906.3A Active CN111475614B (zh) | 2020-03-09 | 2020-03-09 | 知识推理对话方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475614B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930910B (zh) * | 2020-08-12 | 2023-11-28 | 安徽淘云科技股份有限公司 | 标准回复确定方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390047A (zh) * | 2013-07-18 | 2013-11-13 | 天格科技(杭州)有限公司 | 聊天机器人知识库及其构建方法 |
CN103413549A (zh) * | 2013-07-31 | 2013-11-27 | 深圳创维-Rgb电子有限公司 | 语音交互的方法、系统以及交互终端 |
CN106656732A (zh) * | 2015-11-04 | 2017-05-10 | 陈包容 | 一种基于场景信息获取聊天回复内容的方法及装置 |
CN106874452A (zh) * | 2017-02-13 | 2017-06-20 | 长沙军鸽软件有限公司 | 一种获取会话回复内容的方法 |
CN109859747A (zh) * | 2018-12-29 | 2019-06-07 | 北京百度网讯科技有限公司 | 语音交互方法、设备以及存储介质 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169423B2 (en) * | 2016-01-06 | 2019-01-01 | International Business Machines Corporation | Ranking answers in ground truth of a question-answering system |
-
2020
- 2020-03-09 CN CN202010159906.3A patent/CN111475614B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390047A (zh) * | 2013-07-18 | 2013-11-13 | 天格科技(杭州)有限公司 | 聊天机器人知识库及其构建方法 |
CN103413549A (zh) * | 2013-07-31 | 2013-11-27 | 深圳创维-Rgb电子有限公司 | 语音交互的方法、系统以及交互终端 |
CN106656732A (zh) * | 2015-11-04 | 2017-05-10 | 陈包容 | 一种基于场景信息获取聊天回复内容的方法及装置 |
CN106874452A (zh) * | 2017-02-13 | 2017-06-20 | 长沙军鸽软件有限公司 | 一种获取会话回复内容的方法 |
CN109859747A (zh) * | 2018-12-29 | 2019-06-07 | 北京百度网讯科技有限公司 | 语音交互方法、设备以及存储介质 |
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 |
Non-Patent Citations (1)
Title |
---|
许丽萍 ; .AI成就智能客服.上海信息化.2018,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111475614A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560912B (zh) | 分类模型的训练方法、装置、电子设备和存储介质 | |
KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN111709248B (zh) | 文本生成模型的训练方法、装置及电子设备 | |
CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
KR102565673B1 (ko) | 시멘틱 표현 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 | |
CN112001169B (zh) | 文本纠错的方法、装置、电子设备和可读存储介质 | |
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 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
US20220067439A1 (en) | Entity linking method, electronic device and storage medium | |
CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
JP2021108115A (ja) | 機械読解モデルのトレーニング方法、装置、電子機器及び記憶媒体 | |
JP7133002B2 (ja) | 句読点予測方法および装置 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN112287698B (zh) | 篇章翻译方法、装置、电子设备和存储介质 | |
KR20210122204A (ko) | 대화 감정 스타일의 예측 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
CN111090991A (zh) | 场景纠错方法、装置、电子设备和存储介质 | |
CN111177339A (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN111143564B (zh) | 无监督的多目标篇章级情感分类模型训练方法和装置 | |
CN114547244A (zh) | 用于确定信息的方法和装置 | |
CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
CN112597288B (zh) | 人机交互方法、装置、设备及存储介质 | |
CN111475614B (zh) | 知识推理对话方法、装置、电子设备和存储介质 | |
CN110990569B (zh) | 文本聚类方法、装置及相关设备 | |
CN112650844A (zh) | 对话状态的追踪方法、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 |