CN112115239A - 一种人机对话的方法、装置和存储介质 - Google Patents
一种人机对话的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112115239A CN112115239A CN201910537677.1A CN201910537677A CN112115239A CN 112115239 A CN112115239 A CN 112115239A CN 201910537677 A CN201910537677 A CN 201910537677A CN 112115239 A CN112115239 A CN 112115239A
- Authority
- CN
- China
- Prior art keywords
- dialog
- conversation
- current
- intention
- state 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003993 interaction Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种人机对话的方法、装置和存储介质，具体为首先获取当前对话中的对话状态信息，其中，对话状态信息包括对话特征和商品信息，其次，根据当前对话的对话状态信息，生成与对话状态信息对应的对话意图，并评估当前的对话意图的准确性，然后，在对话意图的准确性不满足预设阈值时，在对话状态信息中提取对话特征，并根据对话特征优化所述对话意图，最后，评估优化后的对话意图的准确性是否满足预设阈值，并当准确性满足预设阈值时，基于优化后的对话意图生成当前对话的最优答案。本申请实施例通过不断优化对话状态信息中的对话意图，并根据对话意图生成最优答案，以使答案的准确性明显提高，并更加贴合人性用语。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种人机对话的方法、装置和存储介质。
背景技术
人机对话是人与智能语伴对话的一种方式。近年来，人机对话系统被广泛应用于涉及计算机的各个行业，尤其是在电子商务的应用场景中。而人机对话是人机对话系统中的关键核心。在传统的人机对话系统中，人机对话通常采用检索匹配的方法，通常只能针对限定的问题范围做出指定的固定回答。现有技术中，通常会首先利用自然语言的分析处理后，再进行意图的分类。然后根据意图分类对应的答案分类，检索匹配后直接进行答案的生成。
而对于像商品信息快速变化的电子商务领域，固定的答案已经不能满足客户多样化的要求。人机对话系统一直充当着“后台客服”的角色，所要服务的对象却是更多不同知识背景的普通人。固定答案不能满足用户的真实意图，可能会出现答非所问的情况。
发明内容
本申请实施例提供了一种人机对话的方法，该方法通过分析当前对话的对话状态信息，并不断的对对话状态信息的对话意图进行优化，使得最终生成的答案更准确，克服了现有技术中只能生成固定答案，不能对答案进行优化的问题。
该方法包括：
获取用户输入在客户端上的当前对话中的对话状态信息，其中，所述对话状态信息包括对话特征和商品信息，所述对话特征为表示用户的对话意图的关键词汇，所述商品信息为与所述当前对话相关的商品的商品链接；
根据所述当前对话的对话状态信息，生成与所述当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性；
在所述当前的对话意图的准确性不满足所述预设阈值时，在当前对话的所述对话状态信息中提取所述对话特征，并根据所述对话特征优化所述对话意图；
评估优化后的所述对话意图的准确性是否满足所述预设阈值，并在满足所述预设阈值时，基于优化后的所述对话意图生成所述当前对话的最优答案，并将所述最优答案输出并显示在所述客户端上。
可选地，在接收到的所述当前对话的对话状态信息中筛选出所述对话特征；
判断所述对话特征与所述商品信息是否存在关联性，并获取存在关联性的所述对话特征和所述商品信息组成的所述对话状态信息。
可选地，在所述当前对话的对话状态信息中，重新确定所述对话特征的特征类别，并细化所述对话特征，以生成规范后的对话特征；
根据所述规范后的对话特征，生成对应于所述当前对话中包含的每个对话状态的最优反馈行为，所述最优反馈行为为人机对话系统针对所述每个对话状态生成的当前答案；
重复执行生成所述最优反馈行为的步骤，并根据所述最优反馈行为对所述当前的对话意图进行优化。
可选地，为所述对话意图生成所述当前对话的最优答案。
可选地，根据所述优化后的对话意图，检索与所述规范后的对话特征匹配的候选答案，所述候选答案由第一类词素构成，所述第一类词素包含组成语句的基本语句成分；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
可选地，根据所述当前的对话意图，检索与所述当前的对话意图中的所述对话特征匹配的候选答案，所述候选答案由所述第一类词素构成；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
可选地，根据提取的所述对话特征，检索与所述对话特征匹配的候选答案，所述候选答案由所述第一类词素构成；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
可选地，根据预设文字模板合成新的候选答案，对所述新的候选答案进行评分，并按照所述评分的数值的大小进行排序，在所述新的候选答案中筛选出所述最优答案。
可选地，根据所述对话状态信息，为所述对话状态信息对应的所述最优答案进行评分，并收集所述评分达到预设分数的所述对话状态信息中的所述对话特征和对应的所述最优答案。
在本发明的另一个实施例中，提供了一种人机对话的装置，该装置包括：
获取模块，用于获取用户输入在客户端上的当前对话中的对话状态信息，其中，所述对话状态信息包括对话特征和商品信息，所述对话特征为表示用户的对话意图的关键词汇，所述商品信息为与所述当前对话相关的商品的商品链接；
第一生成模块，用于根据所述当前对话的对话状态信息，生成与所述当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性是否满足预设阈值；
优化模块，用于在所述当前的对话意图的准确性不满足所述预设阈值时，在当前对话的所述对话状态信息中提取所述对话特征，并根据所述对话特征优化所述对话意图；
第二生成模块，用于评估优化后的所述对话意图的准确性是否满足所述预设阈值，并当所述准确性满足所述预设阈值时，基于优化后的所述对话意图生成所述当前对话的最优答案，并将所述最优答案输出并显示在所述客户端上。
在本发明的另一个实施例中，提供了一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行上述一种人机对话的方法中的各个步骤。
在本发明的另一个实施例中，提供了一种终端设备，包括处理器，所述处理器用于执行上述一种人机对话的方法中的各个步骤。
如上可见，基于上述实施例，首先获取用户输入在客户端上的当前对话中正确的对话状态信息，其中，对话状态信息包括对话特征和商品信息，其中，对话状态信息包括对话特征和商品信息，对话特征为表示用户的对话意图的关键词汇，商品信息为与当前对话相关的商品的商品链接，其次，根据当前对话的对话状态信息，生成与当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性，然后，在当前的对话意图的准确性不满足预设阈值时，在当前对话的对话状态信息中提取对话特征，并根据对话特征优化所述对话意图，最后，评估优化后的对话意图的准确性是否满足预设阈值，并当准确性满足预设阈值时，基于优化后的对话意图生成当前对话的最优答案，并将最优答案输出并显示在客户端上。本申请实施例通过不断的优化对话状态信息所属的对话意图，并最终根据优化后的对话意图生成最优答案，使得答案的准确性更高。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例10所提供的通过自然语言处理生成答案的流程的示意图；
图2示出了本申请实施例20提供的一种人机对话的方法的流程示意图；
图3示出了本申请提供的实施例30中一种人机对话的方法的具体流程的示意图；
图4示出了本申请实施例40还提供一种人机对话的装置的示意图；
图5示出了本申请实施例50所提供的一种终端设备的示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
在进行人机对话时的回答生成上，现有的技术方案通常会利用自然语言处理对意图进行分类，然后根据意图分类确定答案分类，并在检索匹配后直接进行人机对话。具体的，如图1所示，主要通过将输入问题输入到自然语言分析模块，并通过自然语言分析模块对输入问题进行分析、实体识别和商品数据检索后，传入答案处理模块，返回数据，并再次通过自然语言分析模块处理后输出答案。具体的，利用自然语言处理算法对输入问题进行分析处理，通过上下文数据检索分类得到意图分类，在答案处理模块中生成输出答案，并按照意图分类直接进行人机对话。而用户的提问表现形式多种多样，可能同一个问题有多种含义，或者不同的问题有同一个含义。传统的答案合成技术通常只是根据某个具体的意图分类的来进行答案的匹配，并不对答案本身的特征进行分析。同时，答案与问题的匹配度也未进行优化调整，只是线性的从问题出发，然后选择对应答案。此时可能会导致在用户的问题改变后，用户真实的意图不能通过多次的交互回答得到反馈积累，无法提高回答的准确性。当用户对某个答案提出异议时，此时系统的回答依然是固定的，无法进行动态调整，只能由工作人员手动修改或新增决策规则和答案。
基于现有技术中的问题，本申请实施例提供了一种人机对话的方法，通过在对话状态信息中的对话特征进行动态的特征学习，不断优化对话状态特征对应的对话意图，并自动评估选择最优答案，提升了答案的准确性，并更加贴合人性用语。另外，实时记录正确且满意的答案作为后续的话术素材。本申请的应用领域主要是在计算机技术领域中，一般适用于电子商务的应用技术中。如图2所示，为本申请实施例所提供的一种人机对话的方法中的实施例10的示意图。其中，详细步骤如下：
S21，获取用户输入在客户端上的当前对话中的对话状态信息。
本步骤中，用户在客户端登录电商平台，浏览商品信息时，会通过点击客服咨询与客服进行交谈。当在客户端的页面上进行对话时，人机对话系统获取当前对话，并在当前对话中筛选出预处理过的对话状态信息。可选的，对话状态信息包括对话特征和商品信息，其中，对话特征为表示用户的对话意图的关键词汇，商品信息为与当前对话相关的商品的商品链接。首先对获取的对话状态信息中的对话特征和商品信息进行预处理，即判断对话特征与商品信息是否符合映射关系。对话特征是当前对话中可以体现出用户的对话意图的关键词汇，商品信息一般是指与当前对话相关的商品的商品链接，包括与用户的当前对话相关的商品的图片信息和商品实体信息。进一步地，对对话特征的集合进行正确性判断，检查商品信息并剔除获取到的没有商品信息、乱码或错误链接等，保证传入的对话特征和商品信息的关联性是正确的。
S22，根据当前对话的对话状态信息，生成与当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性。
本步骤中，在获取了当前对话的对话状态信息后，根据对话状态信息中的对话特征，人机对话系统生成对话意图。具体的，人机对话系统根据大规模的对话数据集(Question-Answer Dataset，QA)，首先生成对话意图识别模型，然后利用对话意图识别模型对对话意图进行判断，一般将对话特征输入对话意图识别模型来预测对话意图。如此时将“我买的商品到哪儿了”输入对话意图识别模型，对话识别模型根据存储在其中的类似话术对输入的对话特征进行预测。对话预测模型中有海量的类似话术，如与“我买的商品到哪儿了”相似的类似话术有我的商品到哪儿了、我的货到哪儿了、我买的XXX运到哪儿了、我买的商品送到没、我下单的商品到没……
其中，对话意图为用户在当前对话中想要咨询的问题中的真实意图，如用户在当前对话中多次询问某件商品的价格可知用户的对话意图是此商品的价格。在获取了对话意图后，评估当前的对话意图的准确性是不是满足预设阈值。其中，预设阈值是考量对话意图是否正确的指标。在通过对话意图识别模型识别出对话意图后，会将生成的对话意图与预设设置的对话意图映射关系表进行匹配。如售前80％＝商品属性、售后90％＝配送周期、售中85％＝SPU属性和售前90％＝尺码推荐。当用户输入“我买的商品到哪儿了”，经过对话意图模型预测后，对话意图为：配送周期，对于售后90％。若此时人机对话系统设置的预设阈值为大于85％为正确，那就认为此意图是售后的意图，同时是正确的对话意图。
S23，在当前的对话意图的准确性不满足预设阈值时，在当前对话的对话状态信息中提取对话特征，并根据对话特征优化对话意图。
本步骤中，在当前的对话意图的准确性不满足预设阈值时，需要在当前对话的对话状态信息中提取对话特征，并为对话特征进行特征细化。可选地，为对话特征重新进行类别划分，将划分后的对话特征进行预处理，并细化对话特征。这里，为对话特征进行细化就是将自然语言翻译成结构化的数据特征。对于用户输入“我买的商品到哪儿了”，原有的的特征分类可能是(分类：配送周期)、(名词向量)、(动词向量)、(wareid)和(疑问向量)。而重新划分后可能为(分类：商品轨迹)、(wareid)或者(分类：订单轨迹)、(wareid)和(疑问向量)，又或者(分类：配送时间)和(名词向量)。
最后采用逻辑回归算法，得到当前对话的规范后的对话特征。进一步地，利用优化后的对话特征生成优化后的对话意图。
S24，评估优化后的对话意图的准确性是否满足预设阈值，并当准确性满足预设阈值时，基于优化后的对话意图生成当前对话的最优答案，并将最优答案输出并显示在客户端上。。
本步骤中，当优化后的对话意图的准确性满足预设阈值时，根据优化后的对话意图生成当前对话的最优答案。可选地，根据优化后的对话意图生成答案的标准特征。进一步地，基于商品信息和答案的标准特征，查找符合条件的候选答案，并对候选答案进行排序，最终生成当前对话的最优答案。当优化后的对话意图的准确性不满足预设阈值时，需要重复执行细化对话特征生成规范后的对话特征，并根据规范后的对话特征再次对对话意图进行优化，并再次评估优化后的对话意图的准确性是否满足预设阈值。上述不断根据规范后的对话特征优化对话意图的步骤是反复执行的，直到优化后的对话意图的准确性被评估满足预设阈值或优化的次数已经满足预设次数且此时对话意图的准确性依然不满足预设范围的要求时，停止重复执行优化步骤，并基于此时的对话意图生成最优答案。最终将生成的最优答案显示在用户的客户端上。
基于本申请的上述实施例，首先获取用户输入在客户端上的当前对话中正确的对话状态信息，其中，对话状态信息包括对话特征和商品信息，其中，对话状态信息包括对话特征和商品信息，对话特征为表示用户的对话意图的关键词汇，商品信息为与当前对话相关的商品的商品链接，其次，根据当前对话的对话状态信息，生成与当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性，然后，在当前的对话意图的准确性不满足预设阈值时，在当前对话的对话状态信息中提取对话特征，并根据对话特征优化所述对话意图，最后，评估优化后的对话意图的准确性是否满足预设阈值，并当准确性满足预设阈值时，基于优化后的对话意图生成当前对话的最优答案，并将最优答案输出并显示在客户端上。本申请实施例通过不断优化对话状态信息中的对话意图，并根据对话意图生成最优答案，使答案的准确性明显提高，并更加贴合人性用语。
如图3所示，为本申请实施例30提供的一种人机对话的方法的具体流程的示意图。其中，该具体流程的详细过程如下：
S31，获取当前对话中的对话状态信息。
这里，对接收到的当前对话的对话状态信息中的对话特征进行预处理，判断对话特征与商品信息是否存在关联性，并对存在关联性的对话特征和商品信息组成的对话状态信息进行进一步处理。可选地，对话特征主要是指在对话状态信息中用户反馈的标志性词汇，如用户在咨询某商品的发货时间时可能询问的“商品A今天可以发货么，希望尽快发货”中，对话特征可能为“今天”、“发货”、“希望”和“尽快”，其中必要的对话特征一般为“发货”。其它对话状态信息中的对话特征以此类推，确定出相应的必要的对话特征。在确定了必要的对话特征后，检查各个必要的对话特征与商品信息是否与关联性，以剔除与该对话状态信息无关或错误的商品信息，保证商品信息和对话特征的映射关系的正确性。如用户输入“你好”(此为问候语)，机器回复“你好”(回答问候语)，用户点击http：//item.jd.com/xxxx.html该商品链接，并输入“我下单的这个歌商品到哪儿了”。此时，用户可能发送商品链接，或者是点击商品页面上的咨询按钮直接进入咨询会话，这时系统会自动发现是否有商品关联，并由系统检查商品信息与对话特征是否具有关联性。
S32，生成与当前对话的对话状态信息对应的对话意图。
S33，评估当前的对话意图的准确性是否满足预设阈值。
这里，在当前的对话意图的准确性满足预设阈值时，为对话意图生成当前对话的候选答案。可选地，根据当前的对话意图，检索可以与当前的对话意图中的对话特征匹配的候选答案，候选答案由第一类词素构成。其中，第一类词素包含组成语句的基本语句成分。通过第一类词素可以表达出基本的语句含义。基本语句成分主要是指包含主谓宾的结构。此时在生成的候选答案中仅明确表示出句子的意思，并未添加如形容词或副词等其它句子成分。
S34，在当前的对话意图的准确性不满足预设阈值时，根据对话特征优化对话意图。
这里，当对话意图的准确性不满足预设阈值时，则在当前对话的对话状态信息中，重新确定对话特征的特征类别，并细化对话特征，以生成规范后的对话特征。根据规范后的对话特征，生成对应于当前对话中包含的每个对话状态的最优反馈行为。其中，最优反馈行为为人机对话系统针对每个对话状态生成的当前答案。最后，重复执行生成最优反馈行为的步骤，并根据最优反馈行为对当前的对话意图进行优化。可选地，首先利用人工配置的决策树规则算法为当前对话的对话状态信息中的对话特征重新划分特征类别。其次，与现有的对话特征进行对比，规范化为统一的对话特征，并在对话特征库中找到对应的对话特征对应表，将所有相关的对话特征都抽取出来。这里，比如针对“我的订单到哪儿了”，规范化后为“我的orderid到哪儿了”，其中的对话特征为(名词向量)、(orderid)和(动词向量)。现有对话特征可能有：(名词向量)、(orderid)和(动词向量)或(名词向量)、(orderid)和(介词向量)，或(名词向量)、(wareid)和(动词向量)，或(名词向量)、(shopid)和(动词向量)，按照类似规范统一。最后，细化对话特征，生成规范后的规划特征，采用逻辑回归的算法，得到答案的标准特征。根据规范后的对话特征和答案的标准特征，生成与当前对话中包含的每个对话状态对应的最优反馈。其中，当前对话中可能包含多轮对话状态，如用户提出的问题与当前系统针对该问题的回答，此时，系统的回答即为最优反馈。
可选地，系统根据当前对话和历史对话信息，决定此刻应对用户的反应。其中，一般通过任务驱动的多轮对话来生成对用户的最优反馈。用户带着明确的目的如订餐、订票等，或用户需求比较复杂，有很多限制条件，此时需要分多轮进行陈述。一方面，用户在对话过程中可以不断修改或完善自己的需求。另一方面，当用户的陈述的需求不够具体或明确的时候，系统也可以通过询问、澄清或确认来帮助用户找到满意的结果。
因此，人机对话实际就是一个决策过程，系统在对话过程中不断根据当前状态决定下一步应该采取的最优反馈(如：提供结果，询问特定限制条件，澄清或确认需求…)从而最有效的辅助用户完成信息或服务获取的任务。可选地，利用时间差分算法对用户在当前对话中的对话状态信息进行学习，并决定系统的最优反馈。时间差分学习算法是强化学习的一种，它能够直接从经验中学习而不需要环境的完整知识。类似动态规划方法，它能够在现有的估计结果上进行提升而不需要等待整个事件结束。强化学习是一种试错方法，其目标是让软件智能体在特定环境中能够采取回报最大化的行为。
S35，评估优化后的对话意图的准确性是否满足预设阈值。
本步骤中，根据优化后的对话意图，检索可以与规范后的对话特征匹配的候选答案，所述候选答案由第一类词素构成组成。可选地，在对优化后的对话意图的准确性的评估不满足预设阈值时，需要重复执行细化对话特征生成规范后的对话特征，并根据规范后的对话特征再次对对话意图进行优化，并再次评估优化后的对话意图的准确性是否满足预设阈值。
进一步地，当优化的次数满足预设次数且优化后的对话意图的准确性不满足预设阈值时，根据提取的对话特征，检索可以与对话特征匹配的候选答案，候选答案由基本的句子成分组成。其中，预设次数由人为事先设置。为防止优化多次后的对话意图仍然达不到预设范围的情况，则直接使用最后一次生成的规范后的对话特征查找候选答案。
S36，是否检索到候选答案。
S37，检索到候选答案时对候选答案进行排序。
本步骤中，对各个候选答案进行评分，并按照评分的数值的大小进行排序。可选地，按照匹配准确性的判断指标选择出最优的多个候选答案，如最优的三个候选答案，并进行排序。
S38，未检索到时，直接合成答案。
这里，如果没有满足要求的答案，则直接根据文字模板合成新的候选答案，对新的候选答案进行排序，并在新的候选答案中筛选出最优答案。比如预设文字模板为“亲，你的(wareid)商品到(verderlocal)了，我没有会尽快安排(name)配送员给你送货，电话(phonenum)。”然后按照匹配准确性的判断指标选择出最优的多个候选答案，并进行排序。
S39，生成最优答案。
本步骤中，在排序的多个候选答案中筛选出最优答案并输出显示在客户端。进一步地，为最优答案进行评分，并对评分达到预设分数的最优答案进行收集。这里，根据对话状态信息，为对话状态信息对应的最优答案进行评分，并收集评分达到预设分数的对话状态信息中的对话特征和对应的最优答案。其中，预设分数可以事先设置。根据记录的分数，决定要收集的最优答案。如检索到候选答案A、候选答案B、候选答案C和候选答案D。其中，候选答案A的评分为90，候选答案B的评分为95，候选答案C的评分为89，候选答案D的评分为90，此时评分规则：答案评分需要答案评分大于89，且排序序号靠前。选出的最优答案就是答案A。在获取到最优答案后，为最优答案进行语言配置，加上形容词或副词等句子成分，以使句子表达更为人性化。在保存了满足要求的最优答案后，将通过人工审核的最优答案配置为答案话术。实时记录正确满意的答案话术素材，以供下次使用。
本申请实施例基于上述步骤实现一种人机对话的方法。
本申请实施例通过获取的当前对话的对话状态信息中的数据进行计算，并剔除输入没有商品、乱码、错误链接等错误输入的影响，得到在正常情况下的对话特征数据。并对根据对话状态信息生成的对话意图进行评估，如果准确性满足预设阈值，则直接进行答案匹配。否则通过重新对已有对话特征重新进行划分，并规范化一次对话特征和连续细化对话特征(需要迭代多次，直到满足停止条件)，使用时间差分算法进行强化学习，对对话意图重新进行预判，直到满足后，按照匹配准确性的判断指标选择出最优的多个候选答案，并进行排序，最后选出最优答案。进一步地，将最优答案输出给前台系统显示并同步更新。如果匹配的错误次数较多，则不收集，反之则收集这个答案素材。本申请的实施例中，根据试错学习方法生成答案错误特征并自动评估选择最优答案是实现动态答案合成与匹配的关键点。对传统的自然语义问答系统中的答案合成技术进行了改进和突破，使答案的合成与匹配效率得到了明显提高。同时，自动积累答案素材也大大节省人力收集整理的成本。每次优化学习都能选择更优的答案，以使答案的准确性明显提高，并更加贴合人性用语。
基于同一发明构思，本申请实施例40还提供一种人机对话的装置，其中，如图4所示，该装置包括：
获取模块41，用于获取当前对话中正确的对话状态信息，其中，对话状态信息包括对话特征和商品信息；
第一生成模块42，用于获取用户输入在客户端上的当前对话中的对话状态信息，其中，对话状态信息包括对话特征和商品信息，对话特征为表示用户的对话意图的关键词汇，商品信息为与当前对话相关的商品的商品链接；
优化模块43，用于在当前的对话意图的准确性不满足预设阈值时，在当前对话的对话状态信息中提取对话特征，并根据对话特征优化对话意图；
第二生成模块44，用于评估优化后的对话意图的准确性是否满足预设阈值，并当准确性满足预设阈值时，基于优化后的对话意图生成当前对话的最优答案，并将最优答案输出并显示在客户端上。
本实施例中，获取模块41、第一生成模块42、优化模块43和第二生成模块44的具体功能和交互方式，可参见图1对应的实施例的记载，在此不再赘述。
如图5所示，本申请的又一实施例50还提供一种终端设备，包括处理器50，其中，处理器50用于执行上述一种人机对话的方法中的各个步骤。
从图5中还可以看出，上述实施例提供的终端设备还包括非瞬时计算机可读存储介质51，该非瞬时计算机可读存储介质51上存储有计算机程序，该计算机程序被处理器50运行时执行上述一种人机对话的方法中的各个步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘和FLASH等，该存储介质上的计算机程序被运行时，能够执行上述的一种人机对话的方法中的各个步骤。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种人机对话的方法，其特征在于，包括：
获取用户输入在客户端上的当前对话中的对话状态信息，其中，所述对话状态信息包括对话特征和商品信息，所述对话特征为表示用户的对话意图的关键词汇，所述商品信息为与所述当前对话相关的商品的商品链接；
根据所述当前对话的对话状态信息，生成与所述当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性；
在所述当前的对话意图的准确性不满足预设阈值时，在当前对话的所述对话状态信息中提取所述对话特征，并根据所述对话特征优化所述对话意图；
评估优化后的所述对话意图的准确性是否满足所述预设阈值，并在满足所述预设阈值时，基于优化后的所述对话意图生成所述当前对话的最优答案，并将所述最优答案输出并显示在所述客户端上。
2.根据权利要求1所述的方法，其特征在于，所述获取用户输入在客户端上的当前对话中的对话状态信息的步骤包括：
在接收到的所述当前对话的对话状态信息中筛选出所述对话特征；
判断所述对话特征与所述商品信息是否存在关联性，并获取存在关联性的所述对话特征和所述商品信息组成的所述对话状态信息。
3.根据权利要求1所述的方法，其特征在于，所述根据对话特征优化所述对话意图的步骤，包括：
在所述当前对话的对话状态信息中，重新确定所述对话特征的特征类别，并细化所述对话特征，以生成规范后的对话特征；
根据所述规范后的对话特征，生成对应于所述当前对话中包含的每个对话状态的最优反馈行为，所述最优反馈行为为人机对话系统针对所述每个对话状态生成的当前答案；
重复执行生成所述最优反馈行为的步骤，并根据所述最优反馈行为对所述当前的对话意图进行优化。
4.根据权利要求1所述的方法，其特征在于，在所述当前的对话意图的准确性满足所述预设阈值时，所述方法进一步包括：
为所述对话意图生成所述当前对话的最优答案。
5.根据权利要求3所述的方法，其特征在于，所述基于优化后的对话意图生成所述当前对话的最优答案的步骤包括：
根据所述优化后的对话意图，检索与所述规范后的对话特征匹配的候选答案，所述候选答案由第一类词素构成，所述第一类词素包含组成语句的基本语句成分；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
6.根据权利要求4所述的方法，其特征在于，所述为对话意图生成所述当前对话的最优答案的步骤，包括：
根据所述当前的对话意图，检索与所述当前的对话意图中的所述对话特征匹配的候选答案，所述候选答案由所述第一类词素构成；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
7.根据权利要求5所述的方法，其特征在于，当优化的次数满足预设次数且所述优化后的对话意图的准确性不满足所述预设阈值时，所述方法进一步包括：
根据提取的所述对话特征，检索与所述对话特征匹配的候选答案，所述候选答案由所述第一类词素构成；
对各个所述候选答案进行评分，并按照所述评分的数值的大小进行排序，筛选出所述最优答案。
8.根据权利要求5至7任一项所述的方法，其特征在于，当未检索到与所述对话特征匹配的所述候选答案时，所述方法进一步包括：
根据预设文字模板合成新的候选答案，对所述新的候选答案进行评分，并按照所述评分的数值的大小进行排序，在所述新的候选答案中筛选出所述最优答案。
9.根据权利要求8所述的方法，其特征在于，所述在新的候选答案中筛选出所述最优答案的步骤之后，所述方法进一步包括：
根据所述对话状态信息，为所述对话状态信息对应的所述最优答案进行评分，并收集所述评分达到预设分数的所述对话状态信息中的所述对话特征和对应的所述最优答案。
10.一种人机对话的装置，其特征在于，包括：
获取模块，用于获取用户输入在客户端上的当前对话中的对话状态信息，其中，所述对话状态信息包括对话特征和商品信息，所述对话特征为表示用户的对话意图的关键词汇，所述商品信息为与所述当前对话相关的商品的商品链接；
第一生成模块，用于根据所述当前对话的对话状态信息，生成与所述当前对话的对话状态信息对应的对话意图，并评估当前的对话意图的准确性；
优化模块，用于在所述当前的对话意图的准确性不满足所述预设阈值时，在当前对话的所述对话状态信息中提取所述对话特征，并根据所述对话特征优化所述对话意图；
第二生成模块，用于评估优化后的所述对话意图的准确性是否满足所述预设阈值，并在满足所述预设阈值时，基于优化后的所述对话意图生成所述当前对话的最优答案，并将所述最优答案输出并显示在所述客户端上。
11.一种非瞬时计算机可读存储介质，其特征在于，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如权利要求1至9任一项所述的一种人机对话的方法中的各个步骤。
12.一种终端设备，其特征在于，包括处理器，所述处理器用于执行如权利要求1至9中任一项所述的一种人机对话的方法中的各步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537677.1A CN112115239A (zh) | 2019-06-20 | 2019-06-20 | 一种人机对话的方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910537677.1A CN112115239A (zh) | 2019-06-20 | 2019-06-20 | 一种人机对话的方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112115239A true CN112115239A (zh) | 2020-12-22 |
Family
ID=73795909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910537677.1A Pending CN112115239A (zh) | 2019-06-20 | 2019-06-20 | 一种人机对话的方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115239A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050256A (zh) * | 2014-06-13 | 2014-09-17 | 西安蒜泥电子科技有限责任公司 | 基于主动学习的问答方法及采用该方法的问答系统 |
| US20150026163A1 (en) * | 2013-07-16 | 2015-01-22 | International Business Machines Corporation | Correlating Corpus/Corpora Value from Answered Questions |
| CN105159996A (zh) * | 2015-09-07 | 2015-12-16 | 百度在线网络技术（北京）有限公司 | 基于人工智能的深度问答服务提供方法和装置 |
| CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
| CN108121821A (zh) * | 2018-01-09 | 2018-06-05 | 惠龙易通国际物流股份有限公司 | 一种机器客服服务方法、设备及计算机存储介质 |
| CN108153780A (zh) * | 2016-12-05 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 一种人机对话装置及其实现人机对话的方法 |
-
2019
- 2019-06-20 CN CN201910537677.1A patent/CN112115239A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150026163A1 (en) * | 2013-07-16 | 2015-01-22 | International Business Machines Corporation | Correlating Corpus/Corpora Value from Answered Questions |
| CN104050256A (zh) * | 2014-06-13 | 2014-09-17 | 西安蒜泥电子科技有限责任公司 | 基于主动学习的问答方法及采用该方法的问答系统 |
| CN105159996A (zh) * | 2015-09-07 | 2015-12-16 | 百度在线网络技术（北京）有限公司 | 基于人工智能的深度问答服务提供方法和装置 |
| CN108073600A (zh) * | 2016-11-11 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 一种智能问答交互方法、装置以及电子设备 |
| CN108153780A (zh) * | 2016-12-05 | 2018-06-12 | 阿里巴巴集团控股有限公司 | 一种人机对话装置及其实现人机对话的方法 |
| CN108121821A (zh) * | 2018-01-09 | 2018-06-05 | 惠龙易通国际物流股份有限公司 | 一种机器客服服务方法、设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210232763A1 (en) | Graphical systems and methods for human-in-the-loop machine intelligence | |
| US11295071B2 (en) | Graphical systems and methods for human-in-the-loop machine intelligence | |
| US9489625B2 (en) | Rapid development of virtual personal assistant applications | |
| US9081411B2 (en) | Rapid development of virtual personal assistant applications | |
| JP5043735B2 (ja) | 情報分類システム、情報処理装置、情報分類方法およびプログラム | |
| CN109299245B (zh) | 知识点召回的方法和装置 | |
| CN109829052A (zh) | 一种基于人机交互的开放式对话方法和系统 | |
| CA2823835C (en) | Voice search and response based on relevancy | |
| US20160140389A1 (en) | Information extraction supporting apparatus and method | |
| JP2020135135A (ja) | 対話コンテンツ作成支援方法およびシステム | |
| CA3147634A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
| CN107967302A (zh) | 基于深度神经网络的游戏客服对话系统 | |
| CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
| CN117633193A (zh) | 一种查询问题的回复方法、装置、设备及存储介质 | |
| KR20240111294A (ko) | 미리 학습된 평가모델을 이용한 사용자의 피드백 반영 제품계획 결정 장치 | |
| CN116009827A (zh) | Rpa流程及引导教程的智能生成与推荐方法及系统 | |
| US20230351170A1 (en) | Automated processing of feedback data to identify real-time changes | |
| CN112148939A (zh) | 数据处理方法、装置及电子设备 | |
| CN112115239A (zh) | 一种人机对话的方法、装置和存储介质 | |
| CN113449165A (zh) | 搜索引擎优化方法、装置、设备及存储介质 | |
| US11914844B2 (en) | Automated processing and dynamic filtering of content for display | |
| US20240303437A1 (en) | Systems and methods for implementing an advanced content intelligence platform | |
| CN118503395B (zh) | 一种多轮业务数据查询方法、设备及介质 | |
| US20230086653A1 (en) | Systems and methods for automated response to online reviews | |
| WO2016189594A1 (ja) | 不満情報処理装置及びシステム |
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 |