CN112417118B - 一种基于标记文本和神经网络的对话生成方法 - Google Patents

一种基于标记文本和神经网络的对话生成方法 Download PDF

Info

Publication number
CN112417118B
CN112417118B CN202011299823.0A CN202011299823A CN112417118B CN 112417118 B CN112417118 B CN 112417118B CN 202011299823 A CN202011299823 A CN 202011299823A CN 112417118 B CN112417118 B CN 112417118B
Authority
CN
China
Prior art keywords
neural network
corpus
text
decoder
attention
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
CN202011299823.0A
Other languages
English (en)
Other versions
CN112417118A (zh
Inventor
金陆骅
程帆
张冬梅
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202011299823.0A priority Critical patent/CN112417118B/zh
Publication of CN112417118A publication Critical patent/CN112417118A/zh
Application granted granted Critical
Publication of CN112417118B publication Critical patent/CN112417118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及一种基于标记文本和神经网络的对话生成方法，包括以下步骤：1)将包含对话的语料库作为原始数据集；2)对数据集进行预处理；3)将预处理后的语料用于神经网络模型的训练；4)将测试文本输入训练好的神经网络模型中，输出含有可能含有标记符的文本；5)基于规则对输出中包含的标记符进行替换，形成最终的对话文本。与现有技术相比，本发明具有能够保留一定上下文信息、生成语句通顺、鲁棒性好等优点。

Description

一种基于标记文本和神经网络的对话生成方法
技术领域
本发明涉及自然语言处理领域，尤其是涉及一种基于标记文本和神经网络的对话生成方法。
背景技术
随着人工智能理论的发展，能否让机器理解人类的自然语言并进而和人类进行对话，成为人工智能的一个重要的研究课题。
早期的对话生成方法大都是基于规则匹配，虽然能保证生成语句的通顺，但鲁棒性不足，无法很好应对规则外的输入，同时人工编写规则效率低下，维护困难，并且无法做到真正理解语义。随后发展出了检索式的对话生成方法，从候选语料中找出最合适的对话，这类方法在任务型对话生成中表现较好，但在闲聊这样涉及范围较广的场景中，非常依赖候选语料库的规模，难以生成优质的对话，同样鲁棒性不足。近年来出现了基于神经网络的对话生成方法，一定程度上提高了对话生成的鲁棒性，但这些方法有时会产生无意义或者有语病的回答，并且无法保留上下文的信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于标记文本和神经网络的对话生成方法。
本发明的目的可以通过以下技术方案来实现：
一种基于标记文本和神经网络的对话生成方法，包括以下步骤：
1)将包含对话的语料库作为原始数据集；
2)对数据集进行预处理；
3)将预处理后的语料用于神经网络模型的训练；
4)将测试文本输入训练好的神经网络模型中，输出含有可能含有标记符的文本；
5)基于规则对输出中包含的标记符进行替换，形成最终的对话文本。
所述的步骤1)中，包含对话的语料库包括公开的对话语料库、问答系统的语料库以及自行生成的语料，所述的公开的对话语料库为康奈尔大学电影对白语料和Reddit网站语料，所述的自行生成的语料由两个AIML系统相互对话产生。
所述的步骤2)具体包括以下步骤：
21)对原始数据集进行清洗，筛除对对话生成的质量产生干扰的文本，包括康奈尔大学电影对白语料中电影与人物的介绍文本以及包含辱骂性词汇的语句；
22)在清洗后原始数据集的语料中加入标记符，具体为从日常对话选择部分对话，将其中的选定单词替换为标记符。
所述的步骤3)具体包括以下步骤：
31)构建基于编码器-解码器的神经网络模型，该神经网络模型的网络结构包括编码器、解码器和注意力机制，所述的编码器包括嵌入层和三个隐藏层，所述的解码器包括三个隐藏层和投影层，所述的注意力机制包括注意力权重、上下文向量和注意力向量；
32)将预处理后的语料作为神经网络模型的输入并进行训练得到网络参数。
所述的步骤31)中，在编码器的嵌入层额外增加一维向量，用以区分一般单词和标记符。
所述的步骤31)中，神经网络模型的隐藏层均采用门控循环单元GRU，编码器中每个隐藏层中门控循环单元的数量与输入语料的长度相同，解码器中每个隐藏层中门控循环单元的数量与输出语料的长度相同，所述的门控循环单元GRU采用更新门和结构门，当第一隐藏层的输入为标记符时，则降低过往隐藏状态信息的比重至一半，用以提高神经网络对于标记符的重视程度，使得标记符作为重要信息之一被记忆下来。
所述的步骤31)中，注意力权重wt,t′的表达式为：
Figure BDA0002786456410000021
其中，
Figure BDA0002786456410000022
和
Figure BDA0002786456410000023
分别是第t轮编码器和解码器的隐藏层状态参数，s(·)为计算两个隐藏层状态之间相关程度的函数，i为轮数编号，m为解码器轮数总数，即解码器输出语句总长度，为提高函数s(·)的自适应能力，具体采用Luong Attention计算，则有：
Figure BDA0002786456410000031
其中，Wa为参数矩阵，用以动态调节输入与输出间的注意力。
所述的步骤31)中，上下文向量的表达式为：
Figure BDA0002786456410000032
其中，ct为第t轮的上下文向量。
所述的步骤31)中，注意力向量vt′的表达式为：
Figure BDA0002786456410000033
其中，Wc为参数矩阵。
所述的神经网络模型训练的损失函数为Softmax交叉熵，则有：
Figure BDA0002786456410000034
其中，vi为第i轮的注意力向量，zt′为解码器的输出。
与现有技术相比，本发明具有以下优点：
一、本发明采用了神经网络的方法，与规则匹配或者检索式相比，神经网络对于没有在训练语料中出现的输入语句能进行迁移学习，同样能够产生合适的对话，可以应对规则或者候选对话未涵盖到的场景，保证对话生成的灵活性，鲁棒性好。
二、本发明采用了标记文本，相比一般的神经网络方法，通过将标记符也作为一类单词输入神经网络进行训练，使得模型能自己学习到在适合使用规则匹配的场景下使用标记符，便于保留上下文信息，使生成的句子更为通顺。
三、本发明通过添加标记符和对应处理规则，能和规则匹配模型一样具有较强的可拓展性。
四、本发明具有商业意义，可以结合企业拥有的语料，推广到企业内部的对话业务中。
附图说明
图1为本发明预处理和训练的流程图。
图2为本发明使用的流程图。
图3为基于编码器-解码器的神经网络模型。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
为了更加清晰、详尽地解释本发明的目的、技术方案和要点，本发明将进一步进行详细的阐述。应当理解，此处描述的实施方法仅仅用于解释本发明的具体方法，而并非限定本发明。本领域的技术人员可以根据本发明阐述的原理进行实施和推广，根据需要处理的语料进行简单的修改，即可将本发明推广到类似的应用场景。
实施例
如图1所示，本发明提供一种基于标记文本和神经网络的对话生成方法，具体包括以下步骤：
本发明首先对原始语料进行预处理，包括对数据集进行清洗并构建包含标记符的语料，然后使用预处理后的语料对基于编码器-解码器的神经网络进行训练，接着训练好的神经网络根据测试文本输出含有可能含有标记符的文本，最后基于规则对输出中包含的标记符进行替换，形成最终的对话文本，具体包括预处理阶段、训练模型阶段和使用模型三个阶段。
1)预处理阶段：获得包含对话的语料库作为原始数据集并对原始语料进行预处理；
首先需要对数据集进行清洗，筛除会对对话生成的质量产生干扰的文本，干扰对话生成的文本具体包括康奈尔大学电影对白语料中电影与人物的介绍文本和包含辱骂性词汇的语句。前者对于对话本文生成没有意义，后者会降低对话生成的质量。具体地，对于介绍性文本，由于其在语料中的位置较为固定，可以直接根据位置进行筛选；对于辱骂性词汇，先建立词汇的黑名单，然后通过字符串匹配的方式来寻找包含黑名单中词汇的语句。另外，根据Reddit上的点赞情况也可以筛除一部分低质量的对话。
接着在语料中加入标记符，采用人工标记，通常将对话中的宾语部分替换为标记符，从日常对话选择部分对话，将其中的某些单词替换为标记符
Q:What is your name？
A:My name is Tony._func_ask_username_
Q:My name is_name_
A:_func_update_username_
以上是一个简单的例子，“_name_”代表了姓名，“_func_ask_username_”代表调用询问对方姓名的函数，“_func_update_username_”代表调用记录对方姓名的函数。
Q:Are you from_unk_？
A:No,I’m from China.
同时引入“_unk_”标记符代表未知单词，提高模型的鲁棒性。这些标记符将与一般单词一起被输入神经网络模型，让模型学习如何在不同的场景使用合适的标记符。
2)训练模型阶段
首先构建基于编码器-解码器的神经网络模型，具体为编码器、解码器和注意力机制；其中，编码器具体包括嵌入层和三个隐藏层；解码器具体包括三个隐藏层和投影层；所述的注意力机制具体包括注意力权重、上下文向量和注意力向量，如图3所示。嵌入层额外增加了一维向量，用以区分一般单词和标记符，一般单词的这一维向量是负数，标记符的这一维向量是正数。这样做出于两点考量：在隐藏层的训练中，希望模型对于这些标记符能够有一定的敏感度，而不仅仅是将其视作普通的单词；另外，由于模型需要对使用规则还是生成式模型进行判断，在计算损失时，这样的处理也能作为使用不合适模型的惩罚项，使模型作出更精准的判断。
隐藏层使用了门控循环单元(GRU)，编码器中每个隐藏层中门控循环单元的数量与输入语料的长度相同，解码器中每个隐藏层中门控循环单元的数量与输出语料的长度相同。一般的循环神经网络单元会导致“梯度消失”或者“梯度爆炸”，门控循环单元使用了更新门和结构门，将长期记忆和短期记忆结合起来，解决了梯度消失的问题。其中，更新门用于决定前一轮隐藏状态信息被带入到当前隐藏状态中的程度，重置门用于决定前一轮的隐藏状态信息被写入到当前的候选集中的程度。在基础门控循环单元的基础上，对于第一隐藏层的计算单元进行改进，当输入为标记符时，降低过往隐藏状态信息的比重至一半，从而提高神经网络对于标记符的重视程度，使标记符作为重要信息之一被模型记忆下来。
注意力机制能让模型更好地理解整个文本序列的信息，具体包括注意力权重、上下文向量和注意力向量。
首先计算注意力权重：
Figure BDA0002786456410000061
其中
Figure BDA0002786456410000062
和
Figure BDA0002786456410000063
分别是第t轮编码器和解码器的隐藏层状态参数，t的上标用以区分编码器和解码器，(·)是计算两个隐藏层状态之间相关程度的函数，基础的注意力机制使用内积作为s(·)，但为了提高s(·)的自适应能力，本发明的注意力机制中使用了LuongAttention来计算：
Figure BDA0002786456410000064
其中Wa为参数矩阵，用以动态调节输入与输出间的注意力。
然后计算上下文向量：
Figure BDA0002786456410000065
最后计算注意力向量，用以计算损失和预测结果：
Figure BDA0002786456410000066
基于编码器-解码器的神经网络模型训练的损失函数具体为Softmax交叉熵：
Figure BDA0002786456410000067
3)使用模型阶段
将测试文本输入训练好的神经网络模型中，根据2)阶段中的基于编码器-解码器的神经网络模型，输出含有可能含有标记符的文本，最后基于规则对输出中包含的标记符进行替换，形成最终的对话文本。如“_func_ask_username_”替换为询问对方姓名的语句；“_func_update_username_”将对方姓名记录到数据库中，并替换为相应的反馈语句。
本发明引入了标记文本，并使用了基于编码器-解码器的神经网络模型，克服了传统文本生成方法鲁棒性差的问题，同时也优化了神经网络生成语句无意义或不通顺，且无法保留上下文信息的问题，提高了对话生成的质量。
本领域的技术人员可以很容易地理解上述过程，以上的过程只是本发明的一个具体实例，在实际工业生产中，本领域的技术人员可以根据上述的介绍，根据实际数据集的情况，修改、改进部分细节，使得具体操作更适合实际应用场景。

Claims (5)

1.一种基于标记文本和神经网络的对话生成方法，其特征在于，包括以下步骤：
1)将包含对话的语料库作为原始数据集；
2)对数据集进行预处理；
所述的步骤2)具体包括以下步骤：
21)对原始数据集进行清洗，筛除对对话生成的质量产生干扰的文本，包括康奈尔大学电影对白语料中电影与人物的介绍文本以及包含辱骂性词汇的语句；
22)在清洗后原始数据集的语料中加入标记符，具体为从日常对话选择部分对话，将其中的选定单词替换为标记符；
3)将预处理后的语料用于神经网络模型的训练；
31)构建基于编码器-解码器的神经网络模型，该神经网络模型的网络结构包括编码器、解码器和注意力机制，所述的编码器包括嵌入层和三个隐藏层，所述的解码器包括三个隐藏层和投影层，所述的注意力机制包括注意力权重、上下文向量和注意力向量；注意力权重wt,t′的表达式为：
Figure FDA0003894250950000011
其中，
Figure FDA0003894250950000012
和
Figure FDA0003894250950000013
分别是第t轮编码器和解码器的隐藏层状态参数，s(·)为计算两个隐藏层状态之间相关程度的函数，i为轮数编号，m为解码器轮数总数，即解码器输出语句总长度，为提高函数s(·)的自适应能力，具体采用Luong Attention计算，则有：
Figure FDA0003894250950000014
其中，Wa为参数矩阵，用以动态调节输入与输出间的注意力；
上下文向量的表达式为：
Figure FDA0003894250950000015
其中，ct为第t轮的上下文向量；
所述的步骤31)中，在编码器的嵌入层额外增加一维向量，用以区分一般单词和标记符；
32)将预处理后的语料作为神经网络模型的输入并进行训练得到网络参数；
4)将测试文本输入训练好的神经网络模型中，输出含有可能含有标记符的文本；
5)基于规则对输出中包含的标记符进行替换，形成最终的对话文本。
2.根据权利要求1所述的一种基于标记文本和神经网络的对话生成方法，其特征在于，所述的步骤1)中，包含对话的语料库包括公开的对话语料库、问答系统的语料库以及自行生成的语料，所述的公开的对话语料库为康奈尔大学电影对白语料和Reddit网站语料，所述的自行生成的语料由两个AIML系统相互对话产生。
3.根据权利要求1所述的一种基于标记文本和神经网络的对话生成方法，其特征在于，所述的步骤31)中，神经网络模型的隐藏层均采用门控循环单元GRU，编码器中每个隐藏层中门控循环单元的数量与输入语料的长度相同，解码器中每个隐藏层中门控循环单元的数量与输出语料的长度相同，所述的门控循环单元GRU采用更新门和结构门，当第一隐藏层的输入为标记符时，则降低过往隐藏状态信息的比重至一半，用以提高神经网络对于标记符的重视程度，使得标记符作为重要信息之一被记忆下来。
4.根据权利要求1所述的一种基于标记文本和神经网络的对话生成方法，其特征在于，所述的步骤31)中，注意力向量vt′的表达式为：
Figure FDA0003894250950000021
其中，Wc为参数矩阵。
5.根据权利要求1所述的一种基于标记文本和神经网络的对话生成方法，其特征在于，所述的神经网络模型训练的损失函数为Softmax交叉熵，则有：
Figure FDA0003894250950000022
其中，vi为第i轮的注意力向量，zt′为解码器的输出。
CN202011299823.0A 2020-11-19 2020-11-19 一种基于标记文本和神经网络的对话生成方法 Active CN112417118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011299823.0A CN112417118B (zh) 2020-11-19 2020-11-19 一种基于标记文本和神经网络的对话生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011299823.0A CN112417118B (zh) 2020-11-19 2020-11-19 一种基于标记文本和神经网络的对话生成方法

Publications (2)

Publication Number Publication Date
CN112417118A CN112417118A (zh) 2021-02-26
CN112417118B true CN112417118B (zh) 2023-04-07

Family

ID=74773441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011299823.0A Active CN112417118B (zh) 2020-11-19 2020-11-19 一种基于标记文本和神经网络的对话生成方法

Country Status (1)

Country Link
CN (1) CN112417118B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378583A (zh) * 2021-07-15 2021-09-10 北京小米移动软件有限公司 对话回复方法及装置、对话模型训练方法及装置、存储介质
CN114610752B (zh) * 2022-05-10 2022-09-30 阿里巴巴（中国）有限公司 基于表格问答的回复生成及模型训练方法、装置及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506823A (zh) * 2017-08-22 2017-12-22 南京大学 一种用于对话生成的混合神经网络模型的构建方法
CN109918493A (zh) * 2019-03-19 2019-06-21 重庆邮电大学 一种基于长短期记忆神经网络的对话生成方法
CN111061847A (zh) * 2019-11-22 2020-04-24 中国南方电网有限责任公司 对话生成及语料扩充方法、装置、计算机设备和存储介质
CN111259668A (zh) * 2020-05-07 2020-06-09 腾讯科技（深圳）有限公司 阅读任务处理方法、模型训练方法、装置和计算机设备
CN111339274A (zh) * 2020-02-25 2020-06-26 网易（杭州）网络有限公司 对话生成模型训练方法、对话生成方法及装置
CN111625639A (zh) * 2020-06-02 2020-09-04 中国人民解放军国防科技大学 一种基于多轮响应生成的上下文建模方法
CN111859906A (zh) * 2019-04-25 2020-10-30 上海昌华信息技术有限公司 一种商用对话系统中训练文本语料泛化的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506823A (zh) * 2017-08-22 2017-12-22 南京大学 一种用于对话生成的混合神经网络模型的构建方法
CN109918493A (zh) * 2019-03-19 2019-06-21 重庆邮电大学 一种基于长短期记忆神经网络的对话生成方法
CN111859906A (zh) * 2019-04-25 2020-10-30 上海昌华信息技术有限公司 一种商用对话系统中训练文本语料泛化的方法
CN111061847A (zh) * 2019-11-22 2020-04-24 中国南方电网有限责任公司 对话生成及语料扩充方法、装置、计算机设备和存储介质
CN111339274A (zh) * 2020-02-25 2020-06-26 网易（杭州）网络有限公司 对话生成模型训练方法、对话生成方法及装置
CN111259668A (zh) * 2020-05-07 2020-06-09 腾讯科技（深圳）有限公司 阅读任务处理方法、模型训练方法、装置和计算机设备
CN111625639A (zh) * 2020-06-02 2020-09-04 中国人民解放军国防科技大学 一种基于多轮响应生成的上下文建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于任务导向型多轮对话系统的意图识别研究";胡文妹;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190915(第09期);第19-26页 *

Also Published As

Publication number Publication date
CN112417118A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN109597997B (zh) 基于评论实体、方面级情感分类方法和装置及其模型训练
CN110765775B (zh) 一种融合语义和标签差异的命名实体识别领域自适应的方法
CN112487143A (zh) 一种基于舆情大数据分析的多标签文本分类方法
CN110427490A (zh) 一种基于自注意力机制的情感对话生成方法与装置
CN111666758B (zh) 中文分词方法、训练设备以及计算机可读存储介质
CN112906397B (zh) 一种短文本实体消歧方法
CN112417118B (zh) 一种基于标记文本和神经网络的对话生成方法
CN108363685B (zh) 基于递归变分自编码模型的自媒体数据文本表示方法
CN107679225A (zh) 一种基于关键词的回复生成方法
CN111914552A (zh) 一种数据增强模型的训练方法及装置
CN115906815B (zh) 一种用于修改一种或多种类型错误句子的纠错方法及装置
CN110084323A (zh) 端到端语义解析系统及训练方法
CN112507337A (zh) 基于语义分析的恶意JavaScript代码检测模型的实现方法
CN112394973A (zh) 一种基于伪孪生网络的多语言代码剽窃检测方法
CN115062139B (zh) 一种对话文本摘要模型自动搜索方法
CN116136870A (zh) 基于增强实体表示的智能社交对话方法、对话系统
Mathur et al. A scaled‐down neural conversational model for chatbots
CN112084788B (zh) 一种影像字幕隐式情感倾向自动标注方法及系统
CN116644759B (zh) 语句中方面类别及其语义极性的提取方法和系统
CN111104520B (zh) 一种基于人物身份的人物实体链接方法
CN113486174A (zh) 模型训练、阅读理解方法、装置、电子设备及存储介质
CN114519353B (zh) 模型的训练方法、情感消息生成方法和装置、设备、介质
Singh et al. Overview of neural machine translation for English-Hindi
CN113051607B (zh) 一种隐私政策信息提取方法
Dasgupta et al. A Review of Generative AI from Historical Perspectives

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