CN111625636B - 一种人机对话的拒绝识别方法、装置、设备、介质 - Google Patents

一种人机对话的拒绝识别方法、装置、设备、介质 Download PDF

Info

Publication number
CN111625636B
CN111625636B CN202010469831.9A CN202010469831A CN111625636B CN 111625636 B CN111625636 B CN 111625636B CN 202010469831 A CN202010469831 A CN 202010469831A CN 111625636 B CN111625636 B CN 111625636B
Authority
CN
China
Prior art keywords
target information
rejection
similarity
training
classification model
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
Application number
CN202010469831.9A
Other languages
English (en)
Other versions
CN111625636A (zh
Inventor
刘玉
李松如
文博
刘云峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhuiyi Technology Co Ltd
Original Assignee
Shenzhen Zhuiyi Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhuiyi Technology Co Ltd filed Critical Shenzhen Zhuiyi Technology Co Ltd
Priority to CN202010469831.9A priority Critical patent/CN111625636B/zh
Publication of CN111625636A publication Critical patent/CN111625636A/zh
Application granted granted Critical
Publication of CN111625636B publication Critical patent/CN111625636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种人机对话的拒绝识别方法、装置、设备、介质，该方法包括：获取待识别的目标信息；利用至少一种相似度算法确定所述目标信息与预设FAQ知识库的相似度；将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；将所述相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；根据所述拒识类概率确定是否拒绝识别所述目标信息。这样能够解决新增知识点未被训练导致误拒问题以及分类模型拒识范围有限问题，提高拒绝识别的准确率。

Description

一种人机对话的拒绝识别方法、装置、设备、介质
技术领域
本申请涉及人工智能技术领域，特别涉及一种人机对话的拒绝识别方法、装置、设备、介质。
背景技术
人机对话中，经常出现用户输入问句语义超出机器人知识库支持范围的情况。比如，用户与订餐机器人沟通，输入了随机字符“dsfdsa”等无语义问句，或输入与当前订餐业务无关的闲聊问句“今天会下雨吗”，或输入超出机器人业务范围的问句“可以帮我订张从沈阳去往北京的机票吗”，那么机器人对此类无把握的问题拒绝识别，能减少错误回答，增强用户体验。
现有的人机对话中的拒绝识别一般采用以下两种方式：一是采用文本分类模型或文本相似度模型，获取用户问句和知识库所有知识点的类别概率或相似度，从获取的多个相似度中选取最大的类别概率或相似度，若最大类别概率或最大相似度未超过预设阈值，则拒绝识别用户问句；若超过预设阈值，则从知识库获取最大类别概率或最大相似度对应类别的知识点信息。二是在分类器新增“拒绝识别类”，如果用户问句被分为拒绝识别类，则拒绝识别，否则，从知识库获取分类类别对应知识点回答。第一种方式中的分类模型方法和第二种方式，知识库新增知识点是分类模型从未见过的类别，即该类别未在训练集中出现，那么新增知识点相关的用户问句容易被错分到已知类别，且概率偏低，造成错误拒绝识别。且第一种方式中的文本相似度模型方法，对特征工程具有较强的依赖性，容易产生拒识准确率低问题。第二种方式，“拒绝识别类”的训练语料有限，因而拒绝识别范围有限。面对真实世界中成千上万的业务无关问句，造成拒识率太低。
发明内容
有鉴于此，本申请的目的在于提供一种人机对话的拒绝识别方法、装置、设备、介质，能够解决新增知识点未被训练导致误拒问题以及分类模型拒识范围有限问题，提高拒绝识别的准确率。其具体方案如下：
第一方面，本申请公开了一种人机对话的拒绝识别方法，包括：
获取待识别的目标信息；
利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度；
将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；
将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；
根据所述拒识类概率确定是否拒绝识别所述目标信息。
可选地，所述获取待识别的目标信息，包括：
获取待识别的语音信息；
和/或，获取待识别的文本信息。
可选地，所述根据所述拒识类概率确定是否拒绝识别所述目标信息，包括：
判断所述拒识类概率是否小于预设拒识阈值；
如果所述拒识类概率大于或等于预设拒识阈值，则拒绝识别所述目标信息；
如果所述拒识类概率小于预设拒识阈值，则将输出所述最大类别概率对应的目标知识点，其中，所述目标知识点为最大类别概率在所述预设FAQ知识库中对应的知识点。
可选地，所述获取待识别的目标信息之前，还包括：
利用预先获取到的样本训练所述FAQ分类模型和所述拒识分类模型。
可选地，所述利用预先获取到的样本训练所述拒识分类模型，包括：
利用机器学习方法以及预先获取到的样本训练所述拒识分类模型；
或，利用深度学习方法以及预先获取到的样本训练所述拒识分类模型。
可选地，所述利用预先获取到的样本训练所述拒识分类模型，包括：
利用决策树方法以及预先获取到的样本训练所述拒识分类模型；
或，利用支持向量机方法以及预先获取到的样本训练所述拒识分类模型；
或，利用预先获取到的样本训练对卷积神经网络分类器进行训练，得到所述拒识分类模型；
或，利用预先获取到的样本训练对循环神经网络分类器进行训练，得到所述拒识分类模型。
可选地，所述利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，包括：
利用最长公共子序列算法确定所述目标信息与预设FAQ知识库的最长公共子序列相似度；
和/或，利用Jaccard相似度算法确定所述目标信息与预设FAQ知识库的Jaccard相似度；
和/或，利用编辑距离相似度算法确定所述目标信息与预设FAQ知识库的编辑距离相似度；
和/或，利用n_gram算法确定所述目标信息与预设FAQ知识库的n_gram相似度；
和/或，利用主题相似度算法确定所述目标信息与预设FAQ知识库的主题相似度；
和/或，利用BM25算法确定所述目标信息与预设FAQ知识库的BM25相似度；
和/或，利用基于预训练语言模型的词向量相似度算法确定所述目标信息与预设FAQ知识库的基于预训练语言模型的词向量相似度。
第二方面，本申请公开了一种人机对话的拒绝识别装置，包括：
信息获取模块，用于获取待识别的目标信息；
相似度确定模块，用于利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度；
第一概率确定模块，用于将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；
第二概率确定模块，用于将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；
拒识判断模块，用于根据所述拒识类概率确定是否拒绝识别所述目标信息。
第三方面，本申请公开了一种人机对话的拒绝识别设备，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现前述公开的人机对话的拒绝识别方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的人机对话的拒绝识别方法。
可见，本申请先获取待识别的目标信息，然后利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，再将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率，接着将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率，并根据所述拒识类概率确定是否拒绝识别所述目标信息。这样通过多种相似度算法确定获取到的目标信息与预设FAQ知识库之间多个不同维度的相似度，能够解决新增知识点未被训练导致误拒问题以及分类模型拒识范围有限问题，再将目标信息输入到预先训练得到的FAQ分类模型，得到目标信息对应的最大类别概率，并将多个不同维度的相似度和最大类别概率输入到预先训练得到的拒识分类模型，得到目标信息对应的拒识类概率，根据拒识类概率确定是否拒识目标信息，提高了拒绝识别的准确率。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种人机对话的拒绝识别方法应用环境示意图
图2为本申请公开的一种人机对话的拒绝识别方法流程图；
图3为本申请公开的一种具体的人机对话的拒绝识别方法流程图；
图4为本申请公开的一种具体的人机对话的拒绝识别方法流程图；
图5为本申请公开的一种人机对话的拒绝识别装置结构示意图；
图6为本申请公开的一种人机对话的拒绝识别设备结构图；
图7为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1所示，图1示出了一种适用于本申请实施例的应用环境示意图。本申请实施例提供的人机对话的拒绝识别方法可以应该用于如图1所示的交互系统100。交互系统100包括终端设备101以及服务器102，服务器102与终端设备101通信连接。其中，服务器102可以是传统服务器，也可以是云端服务器，在此不做具体限定。
其中，终端设备101可以是具有显示屏、具有数据处理模块、具有拍摄相机、具有音频输入/输出等功能，且支持数据输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、自助服务终端和可穿戴式电子设备等。具体的，数据输入可以是基于电子设备上具有的语音模块输入语音、字符输入模块输入字符等。
此外，终端设备101上可以安装有客户端应用程序，用户可以基于客户端应用程序(例如APP(Application，应用程序)，微信小程序等)进行信息的输入和获取，其中，本实施例的人机对话中的对话机器人也可以是配置于终端设备101中的一个客户端应用程序。用户可以基于客户端应用程序在服务器102注册一个用户账号，并基于该用户账号与服务器102进行通信，例如用户在客户端应用程序登录用户账号，并基于该用户账号通过客户端应用程序进行信息输入，可以输入文字信息或语音信息等，客户端应用程序接收到用户输入的信息后，可以将该信息发送至服务器102，使得服务器102可以接收该信息并进行处理及存储，服务器102还可以接收该信息，对接收到的信息进行处理，并根据处理结果确定是否需要对接收到的信息进行拒识，如果需要拒识，则可以返回相应的信息至终端设备101，例如，提示未检测到信息输入等，如果需要识别，则可以返回本地预设FAQ(Frequently AskedQuestions，经常访问到的问题)知识库中与接收到的信息对应的知识点返回至终端设备101。
在一些实施方式中，对待识别信息进行处理的装置也可以设置于终端设备101上，使得终端设备101无需依赖于与服务器102建立通信即可实现与用户的交互，此时交互系统100可以只包括终端设备101。
参见图2所示，本申请实施例公开了一种人机对话的拒绝识别方法，该方法包括：
步骤S11：获取待识别的目标信息。
在具体的实施过程中，需要先获取待识别的目标信息，其中，所述目标信息为需要判断是否拒绝识别的信息。所述获取待识别的目标信息，包括：获取待识别的语音信息；和/或，获取待识别的文本信息。也即，所述目标信息可以是通过人机交互界面手动输入的信息，也可以是用户通过语音输入的信息。
步骤S12：利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度。
可以理解的是，在获取到所述目标信息之后，还需要利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度。具体的，所述相似度算法的种类大于或等于1，也即，可以从多个不同的角度，得到确定所述目标信息与预设FAQ知识库的相似度。这样可以得到多个不同维度的相似度值，可以提高拒绝识别确定过程中的拒识准确率。
步骤S13：将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率。
具体的，在确定所述目标信息与预设FAQ知识库的多个不同维度的相似度之后，还需要将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率。在得到所述多个不同维度的相似度的基础上，再利用预先训练得到的FAQ分类模型得到所述目标信息对应的最大类别概率，可以利用所述最大类别概率和所述多个不同维度的相似度共同确定拒识类概率，以便提高拒绝识别的准确率。
步骤S14：将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率。
在得到所述多个不同维度的相似度和所述最大类别概率之后，还需要将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率。
步骤S15：根据所述拒识类概率确定是否拒绝识别所述目标信息。
在得到所述拒识类概率之后，便可以根据所述拒识类概率确定是否拒绝识别所述目标信息。具体的，可以判断所述拒识类概率是否大于或等于一定的阈值，如果是，则拒绝识别。
可见，本申请先获取待识别的目标信息，然后利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，再将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率，接着将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率，并根据所述拒识类概率确定是否拒绝识别所述目标信息。这样通过多种相似度算法确定获取到的目标信息与预设FAQ知识库之间多个不同维度的相似度，能够解决新增知识点未被训练导致误拒问题以及分类模型拒识范围有限问题，再将目标信息输入到预先训练得到的FAQ分类模型，得到目标信息对应的最大类别概率，并将多个不同维度的相似度和最大类别概率输入到预先训练得到的拒识分类模型，得到目标信息对应的拒识类概率，根据拒识类概率确定是否拒识目标信息，提高了拒绝识别的准确率。
参见图3所示，本申请实施例公开了一种具体的人机对话的拒绝识别方法，该方法包括：
步骤S21：利用预先获取到的样本训练FAQ分类模型和拒识分类模型。
在实际应用中，需要先利用预先获取到的样本训练FAQ分类模型和拒识分类模型。其中，所述利用预先获取到的样本训练所述拒识分类模型，包括：利用机器学习方法以及预先获取到的样本训练所述拒识分类模型；或，利用深度学习方法以及预先获取到的样本训练所述拒识分类模型。具体的，所述利用预先获取到的样本训练所述拒识分类模型，包括：利用决策树方法以及预先获取到的样本训练所述拒识分类模型；或，利用支持向量机方法以及预先获取到的样本训练所述拒识分类模型；或，利用预先获取到的样本训练对卷积神经网络分类器进行训练，得到所述拒识分类模型；或，利用预先获取到的样本训练对循环神经网络分类器进行训练，得到所述拒识分类模型。同样的，训练FAQ分类模型的方法可以和所述训练所述拒识分类模型的方法相同。
步骤S22：获取待识别的目标信息。
步骤S23：利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度。
在获取到所述目标信息之后，还需要利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度。在实际应用中，所述利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，包括：利用最长公共子序列算法确定所述目标信息与预设FAQ知识库的最长公共子序列相似度；和/或，利用Jaccard相似度算法(杰卡德相似度算法)确定所述目标信息与预设FAQ知识库的Jaccard相似度；和/或，利用编辑距离相似度算法确定所述目标信息与预设FAQ知识库的编辑距离相似度；和/或，利用n_gram算法(n阶马尔科夫链算法)确定所述目标信息与预设FAQ知识库的n_gram相似度；和/或，利用主题相似度算法确定所述目标信息与预设FAQ知识库的主题相似度；和/或，利用BM25算法确定所述目标信息与预设FAQ知识库的BM25相似度；和/或，利用基于预训练语言模型的词向量相似度算法确定所述目标信息与预设FAQ知识库的基于预训练语言模型的词向量相似度。
步骤S24：将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率。
步骤S25：将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率。
步骤S26：判断所述拒识类概率是否小于预设拒识阈值。
步骤S27：如果所述拒识类概率小于预设拒识阈值，则将输出所述最大类别概率对应的目标知识点，其中，所述目标知识点为最大类别概率在所述预设FAQ知识库中对应的知识点。
在得到所述拒识类概率之后，便可以根据所述拒识类概率确定是否拒绝识别所述目标信息。具体的，就是先判断所述拒识类概率是否小于预设拒识阈值；如果所述拒识类概率大于或等于预设拒识阈值，则拒绝识别所述目标信息；如果所述拒识类概率小于预设拒识阈值，则将输出所述最大类别概率对应的目标知识点，其中，所述目标知识点为最大类别概率在所述预设FAQ知识库中对应的知识点。
在实际应用中，拒识分类模型的选择以及相似度算法的选择，不仅可以采用机器学习算法，还可以采用深度学习模型。如采用预训练语言模型BERT(BidirectionalEncoder Representation from Transformers，Transformers的双向编码表示)、T5(Text-To-Text Transfer Transformer，T5模型)，将用户问句(目标信息)和知识库语料问句转换为句子向量，计算句子向量的余弦相似度。除了相似度作为拒识分类模型输入特征，还可采用其他统计语言特征，或其他分类模型特征。
参见图4所示，为一种人机对话的拒识流程图。获取到用户问句之后，利用多种相似度算法确定所述用户问句与FAQ知识库的多个不同维度的相似度，包括相似度A、相似度B、相似度C等等，利用预先训练得到的FAQ分类模型，得到所述用户问句对应的最大类别概率以及所述最大类别概率对应的知识点，再将各个维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述用户问句对应的拒识类概率，判断所述拒识类概率是否高于阈值，如果是，则拒绝回答，如果否，则反馈最大类别概率所属知识点。
参见图5所示，本申请实施例公开了一种人机对话的拒绝识别装置，包括：
信息获取模块11，用于获取待识别的目标信息；
相似度确定模块12，用于利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度；
第一概率确定模块13，用于将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；
第二概率确定模块14，用于将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；
拒识判断模块15，用于根据所述拒识类概率确定是否拒绝识别所述目标信息。
可见，本申请先获取待识别的目标信息，然后利用多种相似度算法确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，再将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率，接着将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率，并根据所述拒识类概率确定是否拒绝识别所述目标信息。这样通过多种相似度算法确定获取到的目标信息与预设FAQ知识库之间多种不同维度的相似度，能够解决新增知识点未被训练导致误拒问题以及分类模型拒识范围有限问题，再将目标信息输入到预先训练得到的FAQ分类模型，得到目标信息对应的最大类别概率，并将多个不同维度的相似度和最大类别概率输入到预先训练得到的拒识分类模型，得到目标信息对应的拒识类概率，根据拒识类概率确定是否拒识目标信息，提高了拒绝识别的准确率。
具体的，所述信息获取模块11，用于：获取待识别的语音信息；和/或，获取待识别的文本信息。
具体的，所述拒识判断模块15，包括：
判断单元，用于判断所述拒识类概率是否小于预设拒识阈值；
拒识单元，用于所述拒识类概率大于或等于预设拒识阈值时，则拒绝识别所述目标信息；
识别单元，用于所述拒识类概率小于预设拒识阈值，则将输出所述最大类别概率对应的目标知识点，其中，所述目标知识点为最大类别概率在所述预设FAQ知识库中对应的知识点。
进一步的，所述人机对话的拒绝识别装置，包括：
模型训练单元，用于利用预先获取到的样本训练所述FAQ分类模型和所述拒识分类模型。
其中，所述模型训练单元，具体用于：利用机器学习方法以及预先获取到的样本训练所述拒识分类模型；或，利用深度学习方法以及预先获取到的样本训练所述拒识分类模型。
进一步的，所述模型训练单元，具体用于：利用决策树方法以及预先获取到的样本训练所述拒识分类模型；或，利用支持向量机方法以及预先获取到的样本训练所述拒识分类模型；或，利用预先获取到的样本训练对卷积神经网络分类器进行训练，得到所述拒识分类模型；或，利用预先获取到的样本训练对循环神经网络分类器进行训练，得到所述拒识分类模型。
实际应用中，所述相似度确定模块12，具体用于：利用最长公共子序列算法确定所述目标信息与预设FAQ知识库的最长公共子序列相似度；和/或，利用Jaccard相似度算法确定所述目标信息与预设FAQ知识库的Jaccard相似度；和/或，利用编辑距离相似度算法确定所述目标信息与预设FAQ知识库的编辑距离相似度；和/或，利用n_gram算法确定所述目标信息与预设FAQ知识库的n_gram相似度；和/或，利用主题相似度算法确定所述目标信息与预设FAQ知识库的主题相似度；和/或，利用BM25算法确定所述目标信息与预设FAQ知识库的BM25相似度；和/或，利用基于预训练语言模型的词向量相似度算法确定所述目标信息与预设FAQ知识库的基于预训练语言模型的词向量相似度。
进一步的，参见图6所示，本申请实施例还公开了一种人机对话的拒绝识别设备，包括：处理器21和存储器22。
其中，所述存储器22，用于存储计算机程序；所述处理器21，用于执行所述计算机程序，以实现前述实施例中公开的人机对话的拒绝识别方法。
其中，关于上述人机对话的拒绝识别方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
参见图7所示，为本申请实施例提供的一种电子设备20的结构示意图，该电子设备20具体可以实现前述实施例中公开的人机对话的拒绝识别方法。
通常，本实施例中的电子设备20包括前述实施例中公开的处理器21和存储器22。
其中，处理器21可以包括一个或多个处理核心，比如四核心处理器、八核心处理器等。处理器21可以采用DSP(digital signal processing,数字信号处理)、FPGA(field-programmable gate array,现场可编程们阵列)、PLA(programmable logic array,可编程逻辑阵列)中的至少一种硬件来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(central processing unit,中应处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有GPU(graphics processing unit,图像处理器)，GPU用于负责显示屏所需要显示的图像的渲染和绘制。一些实施例中，处理器21可以包括AI(artificialintelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器22可以包括一个或多个计算机可读存储介质，计算机可读存储介质可以是非暂态的。存储器22还可以包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器22至少用于存储以下计算机程序221，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例中公开的人机对话的拒绝识别方法步骤。另外，存储器22所存储的资源还可以包括操作系统222和数据223等，存储方式可以是短暂存储也可以是永久存储。其中，操作系统222可以是Windows、Unix、Linux等。数据223可以包括各种各样的数据。
在一些实施例中，电子设备20还可包括有显示屏23、输入输出接口24、通信接口25、传感器26、电源27以及通信总线28。
本技术领域人员可以理解，图7中示出的结构并不构成对电子设备20的限定，可以包括比图示更多或更少的组件。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述任一实施例中公开的人机对话的拒绝识别方法。
其中，关于上述人机对话的拒绝识别方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种人机对话的拒绝识别方法、装置、设备、介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种人机对话的拒绝识别方法，其特征在于，包括：
获取待识别的目标信息；
利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度；
将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；
将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；
根据所述拒识类概率确定是否拒绝识别所述目标信息。
2.根据权利要求1所述的人机对话的拒绝识别方法，其特征在于，所述获取待识别的目标信息，包括：
获取待识别的语音信息；
和/或，获取待识别的文本信息。
3.根据权利要求1所述的人机对话的拒绝识别方法，其特征在于，所述根据所述拒识类概率确定是否拒绝识别所述目标信息，包括：
判断所述拒识类概率是否小于预设拒识阈值；
如果所述拒识类概率大于或等于预设拒识阈值，则拒绝识别所述目标信息；
如果所述拒识类概率小于预设拒识阈值，则将输出所述最大类别概率对应的目标知识点，其中，所述目标知识点为最大类别概率在所述预设FAQ知识库中对应的知识点。
4.根据权利要求1所述的人机对话的拒绝识别方法，其特征在于，所述获取待识别的目标信息之前，还包括：
利用预先获取到的样本训练所述FAQ分类模型和所述拒识分类模型。
5.根据权利要求4所述的人机对话的拒绝识别方法，其特征在于，所述利用预先获取到的样本训练所述拒识分类模型，包括：
利用机器学习方法以及预先获取到的样本训练所述拒识分类模型；
或，利用深度学习方法以及预先获取到的样本训练所述拒识分类模型。
6.根据权利要求4所述的人机对话的拒绝识别方法，其特征在于，所述利用预先获取到的样本训练所述拒识分类模型，包括：
利用决策树方法以及预先获取到的样本训练所述拒识分类模型；
或，利用支持向量机方法以及预先获取到的样本训练所述拒识分类模型；
或，利用预先获取到的样本训练对卷积神经网络分类器进行训练，得到所述拒识分类模型；
或，利用预先获取到的样本训练对循环神经网络分类器进行训练，得到所述拒识分类模型。
7.根据权利要求1至6任一项所述的人机对话的拒绝识别方法，其特征在于，所述利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度，包括：
利用最长公共子序列算法确定所述目标信息与预设FAQ知识库的最长公共子序列相似度；
和/或，利用Jaccard相似度算法确定所述目标信息与预设FAQ知识库的Jaccard相似度；
和/或，利用编辑距离相似度算法确定所述目标信息与预设FAQ知识库的编辑距离相似度；
和/或，利用n_gram算法确定所述目标信息与预设FAQ知识库的n_gram相似度；
和/或，利用主题相似度算法确定所述目标信息与预设FAQ知识库的主题相似度；
和/或，利用BM25算法确定所述目标信息与预设FAQ知识库的BM25相似度；
和/或，利用基于预训练语言模型的词向量相似度算法确定所述目标信息与预设FAQ知识库的基于预训练语言模型的词向量相似度。
8.一种人机对话的拒绝识别装置，其特征在于，包括：
信息获取模块，用于获取待识别的目标信息；
相似度确定模块，用于利用多种相似度算法分别确定所述目标信息与预设FAQ知识库的多个不同维度的相似度；
第一概率确定模块，用于将所述目标信息输入到预先训练得到的FAQ分类模型，得到所述目标信息对应的最大类别概率；
第二概率确定模块，用于将所述多个不同维度的相似度和所述最大类别概率输入到预先训练得到的拒识分类模型，得到所述目标信息对应的拒识类概率；
拒识判断模块，用于根据所述拒识类概率确定是否拒绝识别所述目标信息。
9.一种人机对话的拒绝识别设备，其特征在于，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现权利要求1至7任一项所述的人机对话的拒绝识别方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的人机对话的拒绝识别方法。
CN202010469831.9A 2020-05-28 2020-05-28 一种人机对话的拒绝识别方法、装置、设备、介质 Active CN111625636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010469831.9A CN111625636B (zh) 2020-05-28 2020-05-28 一种人机对话的拒绝识别方法、装置、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010469831.9A CN111625636B (zh) 2020-05-28 2020-05-28 一种人机对话的拒绝识别方法、装置、设备、介质

Publications (2)

Publication Number Publication Date
CN111625636A CN111625636A (zh) 2020-09-04
CN111625636B true CN111625636B (zh) 2023-08-04

Family

ID=72260116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010469831.9A Active CN111625636B (zh) 2020-05-28 2020-05-28 一种人机对话的拒绝识别方法、装置、设备、介质

Country Status (1)

Country Link
CN (1) CN111625636B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146653B (zh) * 2022-07-21 2023-05-02 平安科技（深圳）有限公司 对话剧本构建方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595695A (zh) * 2018-05-08 2018-09-28 和美（深圳）信息技术股份有限公司 数据处理方法、装置、计算机设备和存储介质
CN110659357A (zh) * 2019-09-12 2020-01-07 北京四海心通科技有限公司 一种基于本体语义相似度的地理知识问答系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5546819B2 (ja) * 2009-09-16 2014-07-09 株式会社東芝 パターン認識方法、文字認識方法、パターン認識プログラム、文字認識プログラム、パターン認識装置および文字認識装置
CN113407694B (zh) * 2018-07-19 2023-06-02 深圳追一科技有限公司 客服机器人知识库歧义检测方法、装置及相关设备
CN109871446B (zh) * 2019-01-31 2023-06-06 平安科技（深圳）有限公司 意图识别中的拒识方法、电子装置及存储介质
CN111079841A (zh) * 2019-12-17 2020-04-28 深圳奇迹智慧网络有限公司 目标识别的训练方法、装置、计算机设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595695A (zh) * 2018-05-08 2018-09-28 和美（深圳）信息技术股份有限公司 数据处理方法、装置、计算机设备和存储介质
CN110659357A (zh) * 2019-09-12 2020-01-07 北京四海心通科技有限公司 一种基于本体语义相似度的地理知识问答系统

Also Published As

Publication number Publication date
CN111625636A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN110377911B (zh) 对话框架下的意图识别方法和装置
CN109918673B (zh) 语义仲裁方法、装置、电子设备和计算机可读存储介质
CN111428010B (zh) 人机智能问答的方法和装置
CN112100349A (zh) 一种多轮对话方法、装置、电子设备及存储介质
CN112699686B (zh) 基于任务型对话系统的语义理解方法、装置、设备及介质
CN112507706B (zh) 知识预训练模型的训练方法、装置和电子设备
CN108447471A (zh) 语音识别方法及语音识别装置
US11526663B2 (en) Methods, apparatuses, devices, and computer-readable storage media for determining category of entity
CN108038208B (zh) 上下文信息识别模型的训练方法、装置和存储介质
CN110853626A (zh) 基于双向注意力神经网络的对话理解方法、装置及设备
CN109635080A (zh) 应答策略生成方法及装置
CN112347760A (zh) 意图识别模型的训练方法及装置、意图识别方法及装置
EP4057283A2 (en) Method for detecting voice, method for training, apparatuses and smart speaker
CN112669842A (zh) 人机对话控制方法、装置、计算机设备及存储介质
CN112632248A (zh) 问答方法、装置、计算机设备和存储介质
CN111625636B (zh) 一种人机对话的拒绝识别方法、装置、设备、介质
CN114090792A (zh) 基于对比学习的文档关系抽取方法及其相关设备
CN114330359A (zh) 语义识别方法、装置及电子设备
CN113051384A (zh) 基于对话的用户画像抽取方法及相关装置
CN114444514B (zh) 语义匹配模型训练、语义匹配方法及相关装置
CN115687934A (zh) 意图识别方法、装置、计算机设备及存储介质
CN116186259A (zh) 一种会话线索评分方法、装置、设备及存储介质
CN114860910A (zh) 智能对话方法及系统
CN114297380A (zh) 一种数据处理方法、装置、设备及存储介质
CN114398482A (zh) 一种词典构造方法、装置、电子设备及存储介质

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