CN112307188B - 对话生成方法、系统、电子设备和可读存储介质 - Google Patents
对话生成方法、系统、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112307188B CN112307188B CN202011598612.7A CN202011598612A CN112307188B CN 112307188 B CN112307188 B CN 112307188B CN 202011598612 A CN202011598612 A CN 202011598612A CN 112307188 B CN112307188 B CN 112307188B
- Authority
- CN
- China
- Prior art keywords
- conversation
- model
- statement
- state
- dialog
- 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
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种对话生成方法、系统、电子设备和可读存储介质,涉及自然语言处理、深度学习技术领域。本申请在进行对话生成时所采用的实现方案为:获取对话历史,并根据所述对话历史确定当前对话语句的对话状态;在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。本申请能够提升对话过程中所生成的回复语句的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及自然语言处理、深度学习技术领域中的一种对话生成方法、系统、电子设备和可读存储介质。
背景技术
目前的对话生成技术主要是基于预定义意图词槽的方式进行对话推荐或者基于对话语料的方式进行端对端对话推荐,而基于对话语句在对话过程中所处的对话状态来生成对话,还没有一种较好的对话生成方式。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种对话生成方法,包括:获取对话历史,并根据所述对话历史确定当前对话语句的对话状态;在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
本申请为解决技术问题所采用的技术方案是提供一种对话生成系统,包括:确定模块,用于获取对话历史,并根据所述对话历史确定当前对话语句的对话状态;第一生成模块,用于在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;第二生成模块,用于在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
一种电子设备,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上述方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述方法。
上述申请中的一个实施例具有如下优点或有益效果:本申请能够提升对话过程中所生成的回复语句的准确性。因为采用了确定当前对话语句的对话状态并使用不同的模型生成对应当前对话语句的回复语句的技术手段,实现了使用不同的模型来生成与处于不同的对话状态的当前对话语句所对应的回复语句,提升了所生成回复语句的准确性。
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,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的对话生成方法的电子设备的框图。
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。
图1是根据本申请第一实施例的示意图。如图1中所示,本实施例的对话生成方法,具体可以包括如下步骤:
S101、获取对话历史,并根据所述对话历史确定当前对话语句的对话状态;
S102、在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;
S103、在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
本实施例的对话生成方法,将对话生成过程拆分为对话引导和深入聊天两个过程,根据当前对话语句的对话状态选取对话引导模型或者深入聊天模型,进而根据所选取的模型生成对应当前对话语句的回复语句,从而实现使用不同的模型来生成与处于不同的对话状态的当前对话语句所对应的回复语句,提升了对话过程中所生成的回复语句的准确性。
本实施例的对话生成方法的执行主体可以为具有语音交互功能的终端设备,例如智能家电、智能手机、智能音箱等。
本实施例执行S101所获取的对话历史,具体为本次对话过程中位于当前对话语句之前的一个或者多个对话语句。其中,本实施例可以预先设置所获取的对话历史中所包含的对话语句的个数,从而确保对话历史中包含的对话语句与当前对话语句之间具有较强的相关性。
本实施例执行S101确定的当前对话语句的对话状态为对话引导状态或者深入聊天状态,即本实施例会预先设置两种不同的对话状态,从而根据对话历史来确定对话过程中的当前对话语句处于哪一种对话状态。
可以理解的是,若本实施例在执行S101时未能够获取对话历史,为了避免由于未能够确定当前对话语句的对话状态所导致的无法生成回复语句的问题,本实施例可以将当前对话语句的对话状态设置为默认对话状态。优选地,本实施例中的默认对话状态为深入聊天状态。
本实施例在执行S101根据对话历史确定当前对话语句的对话状态时,可以采用的可选实现方式为:将对话历史输入预先训练得到的状态识别模型,将状态识别模型的输出结果作为当前对话语句的对话状态,即该状态识别模型能够根据所输入的对话历史,输出当前对话语句的对话状态。
另外,本实施例在执行S101根据对话历史确定当前对话语句的对话状态时,可以采用的可选实现方式为:提取对话历史包含的对话语句中的关键词;确定所提取的关键词满足的预设状态条件;将与所确定的预设状态条件对应的对话状态,作为当前对话语句的对话状态。
可以理解的是,本实施例会针对不同的对话状态预先设置不同的预设状态条件,不同的预设状态条件对应于对话引导状态或者深入聊天状态,例如与预设状态条件“提取的关键词中含有否定词语”对应的对话状态为对话引导状态、与预设状态条件“提取的关键词中含有所推荐的实体”对应的对话状态为深入聊天状态。
本实施例在执行S101确定了当前对话语句的对话状态之后,通过选取与所确定的对话状态对应的模型,来生成当前对话语句对应的回复语句。
若本实施例执行S101所确定的对话状态为对话引导状态,则本实施例会执行S102将当前对话语句作为对话引导模型的输入,将对话引导模型的输出结果作为回复语句;若本实施例执行S101所确定的对话状态为深入聊天状态,则本实施例会执行S103将当前对话语句作为深入聊天模型的输入,将深入聊天模型的输出结果作为回复语句。
可以理解的是,本实施例中所涉及到的对话引导模型与深入聊天模型是预先训练得到的,两个模型能够根据所输入的当前对话语句来生成不同类型的回复语句,具体的训练过程在下文进行描述。
根据本实施例所提供的上述方法,通过将对话生成过程拆分为对话引导和深入聊天两个过程的方式,首先确定当前对话语句的对话状态,然后再选取与所确定的对话状态对应的对话引导模型或者深入聊天模型,最后使用所选取的模型来生成回复语句,实现了在对话过程的不同阶段灵活地选取不同的模型来生成回复语句的目的,提升了对话过程中所生成的回复语句的准确性。
图2是根据本申请第二实施例的示意图。如图2中所示,本实施例在执行S102“将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句”时,具体可以包括如下步骤:
S201、将所述当前对话语句输入所述对话引导模型中的对话检索模型,从所述对话检索模型的输出结果中选取预设个数的候选回复语句;
S202、提取所述候选回复语句中的短语作为第一候选短语;
S203、根据统一图谱中从所述第一候选短语中选取一个作为目标短语;
S204、将所述目标短语输入所述对话引导模型中的回复生成模型,将所述回复生成模型的输出结果作为回复语句。
本实施例所使用的对话引导模型包含对话检索模型与回复生成模型,其中的对话检索模型用于根据输入语句来输出回复语句及其对应的得分,回复生成模型用于根据输入短语输出回复语句,两个模型均是根据所获取的开放域对话语料预先训练得到。
本实施例在获取开放域对话语料时,可以爬取互联网中的对话语料作为开放域对话语料,所爬取的互联网中的对话语料可以为贴吧、论坛等信息交流平台中不同用户的回复或者留言。
本实施例在执行S201从对话检索模型的输出结果中选取预设个数的候选回复语句时,可以采用的可选实现方式为:根据对话检索模型的输出结果确定各回复语句的得分;选取排在前N位的回复语句作为候选回复语句,其中N为大于等于1的正整数。
本实施例执行S203所涉及到的预设的目标内容是人为设置的,预设的目标内容在每次对话过程中通常是固定的,即在完成本次对话之前,并不会改变预设的目标内容,本实施例中的预设的目标内容可以为向用户推荐的产品、服务等。
本实施例执行S203所涉及到的统一图谱,可以采用以下方式预先构建:获取开放域对话语料;根据所获取的开放域对话语料构建开放域对话图谱,将从开放域对话语料中提取的短语或者实体作为开放域对话图谱中的节点,根据开放域对话语料中各语句的上下文关系构建节点之间的边;将知识图谱中的实体链接添加到开放域对话图谱中的相应节点,得到统一图谱,所得到的该统一图谱中除了包含节点以及节点之间的边之外,还能够通过实体链接来得到各节点更为详细的信息,例如通过统一图谱中的人物姓名,可以获取该人物的年龄、配偶、演唱歌曲、拍摄电影等信息。
也就是说,本实施例所构建的统一图谱将对话知识与领域知识进行了融合,因此通过该统一图谱来调度对话引导模型,能够使得对话引导模型具备针对复杂多样的当前对话语句来生成合适的回复语句的能力。
本实施例在执行S203根据统一图谱从第一候选短语中选取一个作为目标短语时,可以将第一候选短语中与统一图谱中的预设的目标内容之间具有最近距离的短语作为目标短语,还可以将第一候选短语中与统一图谱中的预设的目标内容之间具有最近的距离且所在候选回复句的得分排名靠前的短语作为目标短语。也就是说,本实施例还可以结合短语所在候选回复句的得分来选取目标短语,进一步提升了所选取的目标短语的准确性。
另外,本实施例在执行S203根据统一图谱中从第一候选短语中选取一个作为目标短语时,可以采用的可选实现方式为:提取当前对话语句中的短语作为第二候选短语;根据统一图谱,从第一候选短语和第二候选短语中选取一个作为目标短语。
也就是说,本实施例中的对话引导模型在选取目标短语时,除了根据由对话检索模型输出的回复语句中的短语之外,还可以根据当前对话语句中的短语,实现了根据当前对话语句中的短语也能够生成回复语句的目的。
本实施例在执行S203根据统一图谱从第一候选短语和第二候选短语中选取一个作为目标短语时,可以在分别确定第一候选短语和第二候选短语中与统一图谱中的预设的目标内容之间具有最近距离的短语之后,将其中具有更短距离的短语作为目标短语。
根据上述实施例所提供的方法,结合统一图谱,利用对话引导模型中的对话检索模型与回复生成模型依次对当前对话语句进行处理,能够在当前对话语句处于对话引导状态时,提升所生成的回复语句的准确性。
图3是根据本申请第三实施例的示意图。如图3中所示,本实施例在执行S103“将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句”时,具体可以包括如下步骤:
S301、提取所述当前对话语句中的知识实体;
S302、将所述当前对话语句与所提取的知识实体作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
也就是说,本实施例在使用深入聊天模型来生成回复语句时,除了仅使用当前对话语句之外,还可以结合从当前对话语句中所提取的知识实体来回复语句,从而确保了所生成的回复语句能够围绕当前对话语句中的知识。其中,本实施例中的知识实体可以为人物、电影、歌曲等实体内容。
而为了使得深入聊天模型既能够根据当前对话语句生成回复语句,也能够根据当前对话语句及其对应的知识实体来生成回复语句,本实施例可以采用以下方式预先训练得到深入聊天模型:获取开放域对话语料,并使用所获取的开放域对话语料训练得到初始对话生成模型;获取知识对话语料,并在知识对话语料中添加闲聊语料之后,得到训练语料,本实施例中的知识对话语料为围绕某个知识实体的对话语料,闲聊语料即为与当前知识实体无关的语料;使用所得到的训练语料对初始对话模型进行训练,得到深入聊天模型。
由于本实施例在训练得到深入聊天模型时,所使用的训练语料中会包含与知识实体无关的闲聊语料,因此本实施例在初始对话模型的训练过程中,可以将训练语料中的当前句与知识实体作为输入,将与当前句对应的回复句作为输出;还可以将训练语料中的当前句作为输入,将当前句对应的回复句作为输出。
因此,本实施例通过采用将闲聊语料添加到所获取的知识对话语料中的方式,使得训练得到的深入聊天模型能够根据当前对话语句或者当前对话语句及其对应的知识实体来生成回复语句,提升了深入聊天模型所生成的回复语句的知识性与趣味性。
图4是根据本申请第四实施例的示意图。如图4中所示,本实施例的对话生成系统,包括:
获取模块401、用于获取对话历史,并根据所述对话历史确定当前对话语句的对话状态;
第一生成模块402、用于在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;
第二生成模块403、用于在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
获取模块401所获取的对话历史,具体为本次对话过程中位于当前对话语句之前的一个或者多个对话语句。其中,获取模块401可以预先设置所获取的对话历史中所包含的对话语句的个数,从而确保对话历史中包含的对话语句与当前对话语句之间具有较强的相关性。
获取模块401确定的当前对话语句的对话状态为对话引导状态或者深入聊天状态,即本实施例会预先设置两种不同的对话状态,从而根据对话历史来确定对话过程中的当前对话语句处于哪一种对话状态。
可以理解的是,若获取模块401未能够获取对话历史,为了避免由于未能够确定当前对话语句的对话状态所导致的无法生成回复语句的问题,获取模块401可以将当前对话语句的对话状态设置为默认对话状态。优选地,获取模块401中的默认对话状态为深入聊天状态。
获取模块401在根据对话历史确定当前对话语句的对话状态时,可以采用的可选实现方式为:将对话历史输入预先训练得到的状态识别模型,将状态识别模型的输出结果作为当前对话语句的对话状态,即该状态识别模型能够根据所输入的对话历史,输出当前对话语句的对话状态。
另外,获取模块401在根据对话历史确定当前对话语句的对话状态时,可以采用的可选实现方式为:提取对话历史包含的对话语句中的关键词;确定所提取的关键词满足的预设状态条件;将与所确定的预设状态条件对应的对话状态,作为当前对话语句的对话状态。
获取模块401会针对不同的对话状态预先设置不同的预设状态条件,不同的预设状态条件对应于对话引导状态或者深入聊天状态。
本实施例在由获取模块401确定了当前对话语句的对话状态之后,通过选取与所确定的对话状态对应的模型,来生成当前对话语句对应的回复语句。
若获取模块401所确定的对话状态为对话引导状态,则本实施例由第一生成模块将当前对话语句作为对话引导模型的输入,将对话引导模型的输出结果作为回复语句;若获取模块401所确定的对话状态为深入聊天状态,则本实施例由第二生成模块将当前对话语句作为深入聊天模型的输入,将深入聊天模型的输出结果作为回复语句。
第一生成模块402在将当前对话语句作为对话引导模型的输入,将对话引导模型的输出结果作为回复语句时,可以采用的可选实现方式为:将当前对话语句输入对话引导模型中的对话检索模型,从对话检索模型的输出结果中选取预设个数的候选回复语句;提取候选回复语句中的短语作为第一候选短语;根据统一图谱中从第一候选短语中选取一个作为目标短语;将目标短语输入对话引导模型中的回复生成模型,将回复生成模型的输出结果作为回复语句。
第一生成模块402所使用的对话引导模型包含对话检索模型与回复生成模型,其中的对话检索模型用于根据输入语句来输出回复语句及其对应的得分,回复生成模型用于根据输入短语输出回复语句,两个模型均是根据所获取的开放域对话语料预先训练得到。
第一生成模块402在获取开放域对话语料时,可以爬取互联网中的对话语料作为开放域对话语料,所爬取的互联网中的对话语料可以为贴吧、论坛等信息交流平台中不同用户的回复或者留言。
第一生成模块402在从对话检索模型的输出结果中选取预设个数的候选回复语句时,可以采用的可选实现方式为:根据对话检索模型的输出结果确定各回复语句的得分;选取排在前N位的回复语句作为候选回复语句,其中N为大于等于1的正整数。
第一生成模块402所涉及到的预设的目标内容是人为设置的,预设的目标内容在每次对话过程中通常是固定的,即在完成本次对话之前,并不会改变预设的目标内容。
第一生成模块402所涉及到的统一图谱,可以采用以下方式预先构建:获取开放域对话语料;根据所获取的开放域对话语料构建开放域对话图谱,将从开放域对话语料中提取的短语或者实体作为开放域对话图谱中的节点,根据开放域对话语料中各语句的上下文关系构建节点之间的边;将知识图谱中的实体链接添加到开放域对话图谱中的相应节点,得到统一图谱,所得到的该统一图谱中除了包含节点以及节点之间的边之外,还能够通过实体链接来得到各节点更为详细的信息。
也就是说,第一生成模块402所构建的统一图谱将对话知识与领域知识进行了融合,因此通过该统一图谱来调度对话引导模型,能够使得对话引导模型具备针对复杂多样的当前对话语句来生成合适的回复语句的能力。
第一生成模块402在根据统一图谱从第一候选短语中选取一个作为目标短语时,可以将第一候选短语中与统一图谱中的预设的目标内容之间具有最近距离的短语作为目标短语,还可以将第一候选短语中与统一图谱中的预设的目标内容之间具有最近的距离且所在候选回复句的得分排名靠前的短语作为目标短语。也就是说,第一生成模块402还可以结合短语所在候选回复句的得分来选取目标短语,进一步提升了所选取的目标短语的准确性。
另外,第一生成模块402在根据统一图谱中从第一候选短语中选取一个作为目标短语时,可以采用的可选实现方式为:提取当前对话语句中的短语作为第二候选短语;根据统一图谱,从第一候选短语和第二候选短语中选取一个作为目标短语。
也就是说,第一生成模块402中的对话引导模型在选取目标短语时,除了根据由对话检索模型输出的回复语句中的短语之外,还可以根据当前对话语句中的短语,实现了根据当前对话语句中的短语也能够生成回复语句的目的。
第一生成模块402在根据统一图谱从第一候选短语和第二候选短语中选取一个作为目标短语时,可以在分别确定第一候选短语和第二候选短语中与统一图谱中的预设的目标内容之间具有最近距离的短语之后,将其中具有更短距离的短语作为目标短语。
第二生成模块403在将当前对话语句作为深入聊天模型的输入,将深入聊天模型的输出结果作为回复语句时,可以采用的可选实现方式为:提取当前对话语句中的知识实体;将当前对话语句与所提取的知识实体作为深入聊天模型的输入,将深入聊天模型的输出结果作为回复语句。
也就是说,第二生成模块403在使用深入聊天模型来生成回复语句时,除了仅使用当前对话语句之外,还可以结合从当前对话语句中所提取的知识实体来回复语句,从而确保了所生成的回复语句能够围绕当前对话语句中的知识。
而为了使得深入聊天模型既能够根据当前对话语句生成回复语句,也能够根据当前对话语句及其对应的知识实体来生成回复语句,第二生成模块403可以采用以下方式预先训练得到深入聊天模型:获取开放域对话语料,并使用所获取的开放域对话语料训练得到初始对话生成模型;获取知识对话语料,并在知识对话语料中添加闲聊语料之后,得到训练语料;使用所得到的训练语料对初始对话模型进行训练,得到深入聊天模型。
由于第二生成模块403在训练得到深入聊天模型时,所使用的训练语料中会包含与知识实体无关的闲聊语料,因此第二生成模块403在初始对话模型的训练过程中,可以将训练语料中的当前句与知识实体作为输入,将与当前句对应的回复句作为输出;还可以将训练语料中的当前句作为输入,将当前句对应的回复句作为输出。
根据本申请的实施例,本申请还提供了一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。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、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,个人数字助理、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/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如对话生成方法。例如,在一些实施例中,对话生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的对话生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行对话生成方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网和区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称 “VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种对话生成方法,包括:
获取对话历史,并根据所述对话历史确定当前对话语句的对话状态,所确定的对话状态为对话引导状态与深入聊天状态中的一种,不同的对话状态对应于不同的模型;
在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;
在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
2.根据权利要求1所述的方法,其中,所述根据所述对话历史确定当前对话语句的对话状态包括:
将所述对话历史输入预先训练得到的状态识别模型,将所述状态识别模型的输出结果作为所述当前对话语句的对话状态。
3.根据权利要求1所述的方法,其中,所述根据所述对话历史确定当前对话语句的对话状态包括:
提取所述对话历史包含的对话语句中的关键词;
确定所提取的关键词满足的预设状态条件;
将与所确定的预设状态条件对应的对话状态,作为所述当前对话语句的对话状态。
4.根据权利要求1所述的方法,其中,所述将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句包括:
将所述当前对话语句输入所述对话引导模型中的对话检索模型,从所述对话检索模型的输出结果中选取预设个数的候选回复语句;
提取所述候选回复语句中的短语作为第一候选短语;
根据统一图谱,从所述第一候选短语中选取一个作为目标短语;
将所述目标短语输入所述对话引导模型中的回复生成模型,将所述回复生成模型的输出结果作为回复语句。
5.根据权利要求4所述的方法,其中,所述统一图谱采用以下方式预先构建得到:
获取开放域对话语料;
根据所述开放域对话语料构建开放域对话图谱;
将知识图谱中的实体链接添加到所述开放域对话图谱中的相应节点,得到所述统一图谱。
6.根据权利要求4所述的方法,其中,所述根据统一图谱从所述第一候选短语中选取一个作为目标短语包括:
提取所述当前对话语句中的短语作为第二候选短语;
根据统一图谱,从所述第一候选短语和所述第二候选短语中选取一个作为目标短语。
7.根据权利要求4或者6所述的方法,其中,根据统一图谱从候选短语中选取一个作为目标短语包括:
选取候选短语中与所述统一图谱中的预设的目标内容之间具有最近距离的短语作为目标短语。
8.根据权利要求1所述的方法,其中,所述将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句包括:
提取所述当前对话语句中的知识实体;
将所述当前对话语句与所提取的知识实体作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
9.根据权利要求1或8所述的方法,其中,所述深入聊天模型采用以下方式预先训练得到:
获取开放域对话语料,并使用所述开放域对话语料训练得到初始对话生成模型;
获取知识对话语料,并在所述知识对话语料中添加闲聊语料之后,得到训练语料;
使用所述训练语料对所述初始对话生成 模型进行训练,得到所述深入聊天模型。
10.一种对话生成系统,包括:
确定模块,用于获取对话历史,并根据所述对话历史确定当前对话语句的对话状态,所确定的对话状态为对话引导状态与深入聊天状态中的一种,不同的对话状态对应于不同的模型;
第一生成模块,用于在确定所述当前对话语句的对话状态为对话引导状态的情况下,将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句;
第二生成模块,用于在确定所述当前对话语句的对话状态为深入聊天状态的情况下,将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
11.根据权利要求10所述的系统,其中,所述确定模块在根据所述对话历史确定当前对话语句的对话状态时,具体执行:
将所述对话历史输入预先训练得到的状态识别模型,将所述状态识别模型的输出结果作为所述当前对话语句的对话状态。
12.根据权利要求10所述的系统,其中,所述确定模块在根据所述对话历史确定当前对话语句的对话状态时,具体执行:
提取所述对话历史包含的对话语句中的关键词;
确定所提取的关键词满足的预设状态条件;
将与所确定的预设状态条件对应的对话状态,作为所述当前对话语句的对话状态。
13.根据权利要求10所述的系统,其中,所述第一生成模块在将所述当前对话语句作为对话引导模型的输入,将所述对话引导模型的输出结果作为回复语句时,具体执行:
将所述当前对话语句输入所述对话引导模型中的对话检索模型,从所述对话检索模型的输出结果中选取预设个数的候选回复语句;
提取所述候选回复语句中的短语作为第一候选短语;
根据统一图谱,从所述第一候选短语中选取一个作为目标短语;
将所述目标短语输入所述对话引导模型中的回复生成模型,将所述回复生成模型的输出结果作为回复语句。
14.根据权利要求13所述的系统,其中,所述第一生成模块采用以下方式预先构建得到所述统一图谱:
获取开放域对话语料;
根据所述开放域对话语料构建开放域对话图谱;
将知识图谱中的实体链接添加到所述开放域对话图谱中的相应节点,得到所述统一图谱。
15.根据权利要求13所述的系统,其中,所述第一生成模块在根据统一图谱从所述第一候选短语中选取一个作为目标短语时,具体执行:
提取所述当前对话语句中的短语作为第二候选短语;
根据统一图谱,从所述第一候选短语和所述第二候选短语中选取一个作为目标短语。
16.根据权利要求13或者15所述的系统,其中,所述第一生成模块在根据统一图谱从候选短语中选取一个作为目标短语时,具体执行:
选取候选短语中与所述统一图谱中的预设的目标内容之间具有最近距离的短语作为目标短语。
17.根据权利要求10所述的系统,其中,所述第二生成模块在将所述当前对话语句作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句时,具体执行:
提取所述当前对话语句中的知识实体;
将所述当前对话语句与所提取的知识实体作为深入聊天模型的输入,将所述深入聊天模型的输出结果作为回复语句。
18.根据权利要求10或17所述的系统,其中,所述第二生成模块采用以下方式预先训练得到所述深入聊天模型:
获取开放域对话语料,并使用所述开放域对话语料训练得到初始对话生成模型;
获取知识对话语料,并在所述知识对话语料中添加闲聊语料之后,得到训练语料;
使用所述训练语料对所述初始对话生成 模型进行训练,得到所述深入聊天模型。
19.一种电子设备,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权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598612.7A CN112307188B (zh) | 2020-12-30 | 2020-12-30 | 对话生成方法、系统、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598612.7A CN112307188B (zh) | 2020-12-30 | 2020-12-30 | 对话生成方法、系统、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307188A CN112307188A (zh) | 2021-02-02 |
CN112307188B true CN112307188B (zh) | 2021-06-11 |
Family
ID=74487608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011598612.7A Active CN112307188B (zh) | 2020-12-30 | 2020-12-30 | 对话生成方法、系统、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307188B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113641807B (zh) * | 2021-07-28 | 2024-05-24 | 北京百度网讯科技有限公司 | 对话推荐模型的训练方法、装置、设备和存储介质 |
CN113641806B (zh) * | 2021-07-28 | 2023-06-23 | 北京百度网讯科技有限公司 | 对话方法、系统、电子设备及存储介质 |
CN113836278B (zh) * | 2021-08-13 | 2023-08-11 | 北京百度网讯科技有限公司 | 通用对话模型的训练与对话生成方法、装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582767A (zh) * | 2018-11-21 | 2019-04-05 | 北京京东尚科信息技术有限公司 | 对话系统处理方法、装置、设备及可读存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068661B (zh) * | 2015-09-07 | 2018-09-07 | 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 |
US9947319B1 (en) * | 2016-09-27 | 2018-04-17 | Google Llc | Forming chatbot output based on user state |
CN106445147B (zh) * | 2016-09-28 | 2019-05-10 | 北京百度网讯科技有限公司 | 基于人工智能的对话系统的行为管理方法及装置 |
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 |
CN109858019B (zh) * | 2018-12-28 | 2023-07-25 | 北京百度网讯科技有限公司 | 对话状态跟踪方法及装置、存储介质及语义识别系统 |
CN109819127B (zh) * | 2019-03-08 | 2020-03-06 | 周诚 | 骚扰电话的管理方法和系统 |
CN110147451B (zh) * | 2019-05-10 | 2021-06-29 | 云知声智能科技股份有限公司 | 一种基于知识图谱的对话命令理解方法 |
CN110569339B (zh) * | 2019-07-22 | 2022-04-19 | 清华大学 | 对话方法、介质、装置和计算设备 |
CN111414462B (zh) * | 2020-02-21 | 2023-06-30 | 网易(杭州)网络有限公司 | 一种对话语句确定方法、装置、计算机设备和介质 |
CN111160514B (zh) * | 2020-04-01 | 2020-08-28 | 支付宝(杭州)信息技术有限公司 | 一种对话的方法和系统 |
CN111651609A (zh) * | 2020-04-24 | 2020-09-11 | 中国电力科学研究院有限公司 | 一种融合知识图谱和情感监督的多轮对话方法及系统 |
CN111753052A (zh) * | 2020-06-19 | 2020-10-09 | 微软技术许可有限责任公司 | 提供针对知识意图问题的知识性回答 |
-
2020
- 2020-12-30 CN CN202011598612.7A patent/CN112307188B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582767A (zh) * | 2018-11-21 | 2019-04-05 | 北京京东尚科信息技术有限公司 | 对话系统处理方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112307188A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307188B (zh) | 对话生成方法、系统、电子设备和可读存储介质 | |
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
CN112597754B (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN112466288A (zh) | 语音识别方法、装置、电子设备及存储介质 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN113836278B (zh) | 通用对话模型的训练与对话生成方法、装置 | |
CN112861548A (zh) | 自然语言生成及模型的训练方法、装置、设备和存储介质 | |
CN113641807A (zh) | 对话推荐模型的训练方法、装置、设备和存储介质 | |
CN113850386A (zh) | 模型预训练方法、装置、设备、存储介质以及程序产品 | |
CN114492426B (zh) | 子词切分方法、模型训练方法、装置和电子设备 | |
CN114722171B (zh) | 多轮对话处理方法、装置、电子设备及存储介质 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN116257690A (zh) | 一种资源推荐方法、装置、电子设备和存储介质 | |
CN113807106B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
CN113553833B (zh) | 文本纠错的方法、装置及电子设备 | |
CN113204616B (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN114416941A (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
CN114756691A (zh) | 结构图生成方法、模型的训练方法、图谱生成方法及装置 | |
CN113408303A (zh) | 翻译模型的训练与翻译方法、装置 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN112905917A (zh) | 内链生成方法、模型训练方法、相关装置及电子设备 | |
CN116050427B (zh) | 信息生成方法、训练方法、装置、电子设备以及存储介质 | |
CN114781408B (zh) | 同传翻译模型的训练方法、装置及电子设备 | |
CN114492456B (zh) | 文本生成方法、模型的训练方法、装置、电子设备及介质 |
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 |