CN112559715B - 态度的识别方法、装置、设备及存储介质 - Google Patents
态度的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112559715B CN112559715B CN202011554368.4A CN202011554368A CN112559715B CN 112559715 B CN112559715 B CN 112559715B CN 202011554368 A CN202011554368 A CN 202011554368A CN 112559715 B CN112559715 B CN 112559715B
- Authority
- CN
- China
- Prior art keywords
- key information
- sentence
- model
- attitude
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 89
- 230000015654 memory Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 235000019580 granularity Nutrition 0.000 abstract description 68
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/3343—Query execution using phonetics
-
- 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
- G06F16/338—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种态度的识别方法、装置、设备及存储介质，涉及自然语言处理、深度学习和语音交互技术领域。具体实现方案为：获取态度识别请求，识别请求中包括待识别的对话及目标识别粒度；根据目标识别粒度，从待识别的对话中提取关键信息及参考语句；将关键信息输入第一子模型，以获取关键信息向量；将关键信息向量及参考语句，输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。该方法可以在一个通用的模型下识别不同识别粒度的待识别对话，有利于不同的态度识别任务之间共享数据信息，并且还结合了待识别的对话所在的对话语境进行态度识别，提高了态度的识别方法的适用性和准确性。
Description
技术领域
本申请涉及计算机技术领域，具体涉及自然语言处理、深度学习和语音交互等人工智能技术领域，尤其涉及一种态度的识别方法、装置、设备及存储介质。
背景技术
目前，在人机交互过程中，电子设备的交互系统需要准确地识别用户的态度，即用户在对话中表达的对一件事物的肯定或否定的信息。对于实际应用场景下的不同类型的态度识别，如何在对话数据较少的条件下，准确、高效地识别用户的态度，是至关重要的。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请提出了一种态度的识别方法、装置、设备及存储介质。
根据本申请的第一方面，提供了一种态度的识别方法，包括：
获取态度识别请求，识别请求中包括待识别的对话及目标识别粒度；
根据目标识别粒度，从待识别的对话中提取关键信息及参考语句；
将关键信息输入第一子模型，以获取关键信息向量；
将关键信息向量及参考语句，输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。
根据本申请的第二方面，提供了一种态度的识别装置，包括：
第一获取模块，用于获取态度识别请求，识别请求中包括待识别的对话及目标识别粒度；
提取模块，用于根据目标识别粒度，从待识别的对话中提取关键信息及参考语句；
第二获取模块，用于将关键信息输入第一子模型，以获取关键信息向量；
确定模块，用于将关键信息向量及参考语句，输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。
根据本申请的第三方面，提供了一种电子设备，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如本申请第一方面所述的态度的识别方法。
根据本申请的第四方面，提出了一种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计算机执行如本申请第一方面所述的态度的识别方法。
根据本申请的第五方面，提出了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如本申请第一方面所述的态度的识别方的态度的识别方法
上述申请中的一个方面至少具有如下优点或有益效果：根据待识别的对话的目标识别粒度，先从待识别的对话中提取关键信息及参考语句，并将关键信息输入第一子模型，以获取关键信息向量，然后将获取的关键信息向量及参考语句输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。由此，对于不同识别粒度的待识别对话，都以获取关键信息向量并结合对话语境中的参考语句的方式进行态度识别，从而可以在一个通用的模型下识别不同识别粒度的待识别对话，有利于不同的态度识别任务之间共享数据信息，可以在对话数据量较小的场景下获得准确的态度识别结果，提高了态度的识别方法的适用性，并且，还结合了待识别的对话所在的对话语境进行态度识别，进一步提高了态度识别结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
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为本申请实施例所提供的一种态度的识别方法的流程示意图；
图2为本申请实施例所提供的一种具体的态度的识别方法的流程示意图；
图3为本申请实施例所提供的另一种具体的态度的识别方法的流程示意图；
图4为本申请实施例所提供的又一种具体的态度的识别方法的流程示意图；
图5为本申请实施例所提供的一种态度的识别装置的结构示意图；
图6为本申请实施例所提供的一种具体的态度的识别装置的结构示意图；
图7示出了适于用实现本申请实施例的态度的识别方法的示例性电子设备的框图。
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。
下面参考附图描述本申请实施例的态度的识别方法、装置、设备和存储介质。
需要说明的是，本申请实施例的态度的识别方法的执行主体可以为本申请实施例提出的态度的识别装置，该态度的识别装置可以由软件和/或硬件的方式实现，该态度的识别装置可以配置在电子设备中，本实施例中的电子设备可以包括终端设备和服务器等设备，其中，终端设备可以包括个人计算机、平板电脑、智能电话等设备，该实施例对终端设备不作限定。其中，需要说明的是，本实施例中的态度的识别装置除了具有态度的识别功能外，还可以具有深度学习框架，以方便用户通过深度学习框架进行神经网络模型的学习，以便于通过训练好的模型进行态度识别。
其中，还需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
图1为本申请实施例所提供的一种态度的识别方法的流程示意图，如图1所示，该方法包括：
步骤101，获取态度识别请求，识别请求中包括待识别的对话及目标识别粒度。
其中，待识别的对话是需要从中识别出用户的态度的对话，它可以包括用户和电子设备的话语，其中，用户的话语即是需要进行态度识别的话语，而目标识别粒度是当前待识别的对话的粗细程度，它可以包括对话级粒度和词槽级粒度
其中，对话级粒度是指系统与用户确认信息的对话过程中，对用户回答的整个语句进行态度识别，比如，当系统询问用户“下午5点您是否可以参加会议”时，用户回答了“我有时间参加”或“我没空参加”，此时需要对用户的答句进行态度识别，以确定用户对参加会议的肯定或否定的意图，则当前的待识别的对话的目标识别粒度为对话级。
词槽级粒度是指对用户表达的词槽信息的态度进行识别，其中，词槽(slot)是人机对话中的需要被系统所理解，并影响系统的对话逻辑的限定条件，词槽相比于一句话语更加简短，细化程度更高。比如，在导航场景中确定行驶路线时，用户说了“避开时代广场，那里容易堵车，走三环路”，其中，“时代广场”和“三环路”即是对话中系统需要理解的词槽，而用户对上述两个词槽具有不同的态度，系统需要对对话中的每个词槽进行态度识别，以确定用户的期望路线，则当前的待识别的对话的目标识别粒度为词槽级。
在本申请的一个实施例中，当用户与电子设备进行对话时，电子设备在检测到用户输入的对话后，即可触发态度识别请求，并将检测到的用户当前输入的语句，作为待识别的对话。在确定目标识别粒度时，作为其中一种可能的实现方式，可以预先检测系统是否向用户发送了询问话语，若确定系统之前向用户发送了询问话语，则确定当前的待识别的对话的目标识别粒度为对话级。
作为另一种可能的实现方式，还可以通过确定当前的对话场景确定目标识别粒度，比如，确定当前的对话场景为向导航设备确定行驶路线的导航场景，在该场景下仅检测到了用户设置路线的话语，需要对用户表达的词槽信息进行识别，则确定当前的待识别的对话的目标识别粒度为词槽级。
需要说明的是，也可以参照相关技术中的方式，比如在识别模型的外层设置调用模块的方式确定待识别的对话的目标识别粒度，本实施例对目标识别粒度的确定方式不作限定。
步骤102，根据目标识别粒度，从待识别的对话中提取关键信息及参考语句。
步骤103，将关键信息输入第一子模型，以获取关键信息向量。
其中，关键信息是在不同的目标识别粒度下识别待识别的对话的态度的基础信息，参考语句是表示关键信息在对话中的上下文语境的语句。关键信息及参考语句的提取方式与目标识别粒度对应，当目标识别粒度不同时，在待识别的对话中获取的关键信息及参考语句也不相同。
举例而言，当目标识别粒度为对话级时，由于需要根据系统的问句确定用户答句的意图，从而可以从待识别的对话中提取系统问句作为关键信息，然后提取系统问句在对话语境中的下文，即与系统问句对应的用户答句作为参考语句。比如，提取系统询问用户“下午5点您是否可以参加会议”的问句为关键信息，并提取用户回答的“我有时间参加”为参考语句。
其中，关键信息向量是从关键信息中提取出的最能表示关键信息的特征的向量，举例而言，当关键信息是“下午5点您是否可以参加会议”时，该关键信息用于确定用户是否可以参加会议，则提取出的关键信息向量为“参加会议”。
其中，第一子模型是预先训练好的用于从关键信息中提取出关键信息向量的模型，第一子模型可以是一种RNN模型(Recurrent Neural Network,循环神经网络)，具体的模型类别可以根据实际需要进行设置，比如，可以选取RNN模型中的GRU模型(GateRecurrent Unit,门控循环单元)为第一子模型，以减少模型中的梯度并简化模型结构，降低训练模型的复杂程度。
在本申请实施例中，根据目标识别粒度从待识别的对话中提取关键信息及参考语句后，将关键信息输入至第一子模型，第一子模型经过函数运算将关键信息中的重要特征保留下来，输出一组包含关键信息的特征的向量，然后再对该向量进行最大池化，得到关键信息向量。
步骤104，将关键信息向量及参考语句输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。
其中，第二子模型是预先训练好的用于输出态度信息向量的模型，第二子模型的类型可以与第一子模型相同，也可以根据实际需要进行选择，此处不做限制。
在本申请的实施例中，将第一子模型输出的关键信息向量作为第二子模型在零时刻的隐层输入向量，输入至第二子模型，并且，将参考语句也输入第二子模型，第二子模型对关键信息向量和参考语句进行相应的函数运算，由于参考语句可以表示关键信息在对话中的上下文语境，从而可以结合关键信息向量在对话语境中的上下文判断待识别对话的态度，进而输出在当前目标识别粒度下的态度信息向量。然后，再对第二子模型输出的态度信息向量进行分类，以识别待识别对话的态度，比如，若确定第二子模型输出的态度信息向量为肯定信息向量，则确定当前待识别对话的态度为肯定态度。
由此，通过第一子模型和第二子模型，将不同目标识别粒度的待识别的对话，均以确定关键信息向量再结合参考语句进行识别的方式进行态度识别，通过第一子模型和第二子模型组合成的通用识别模型可以统一识别不同目标识别粒度的待识别的对话，并根据对话的上下文语境进行态度识别。
本申请实施例的态度的识别方法，根据待识别的对话的目标识别粒度，先从待识别的对话中提取关键信息及参考语句，并将关键信息输入第一子模型，以获取关键信息向量，然后将获取的关键信息向量及参考语句输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。由此，对于不同识别粒度的待识别对话，都以获取关键信息向量并结合对话语境中的参考语句的方式进行态度识别，从而可以在一个通用的模型下识别不同识别粒度的待识别对话，有利于不同的态度识别任务之间共享数据信息，可以在数据量较小的场景下获得准确的态度识别结果，提高了态度的识别方法的适用性，并且，还结合了待识别的对话所在的对话语境进行态度识别，进一步提高了态度识别结果的准确性。
基于上述实施例，为了更加清楚的描述待识别的对话在对话级粒度下的态度识别方法，本申请实施例还提出了一种具体的态度的识别方法，图2为本申请实施例所提供的一种具体的态度的识别方法的流程示意图。
如图2所示，该方法包括以下步骤：
步骤201，获取态度识别请求，识别请求中包括对话级粒度的待识别的对话。
步骤202，从待识别的对话中提取系统问句作为关键信息，并提取与系统问句对应的用户答句作为参考语句。
其中，需要说明的是，关于步骤201至步骤202的具体实现方式，可参见上述实施例的相关描述，此处不再赘述。
步骤203，将参考语句进行编码，以获取参考语句对应的第一编码。
需要说明的是，在对话级粒度下，提取系统问句作为关键信息，由于对话系统的问句的数据长度通常较长等原因，较难判断关键信息中哪些信息最能表示关键信息的特征，因此，为了提高获取的关键信息向量的准确性，在本申请实施例中，在获取关键信息向量之前，先对参考语句进行编码，获取参考语句对应的第一编码。
其中，将参考语句进行编码就是对参考语句的数据形式进行转换，比如，将参考语句转换为模型可以直接处理的向量形式，第一编码即为参考语句对应的转换后的形式。
作为其中一种可能的实现形式，可以先将参考语句输入第一子模型，通过第一子模型对参考语句进行编码，进而获取第一子模型输出的参考语句对应的第一编码。
步骤204，将第一编码及关键信息，输入第一子模型，以获取关键信息向量。
在本申请实施例中，将第一编码作为第一子模型在零时刻的隐层输入向量，输入至第一子模型，并且，将关键信息也输入第一子模型，第一子模型根据第一编码及关键信息，从关键信息中确定出关键信息向量。
可以理解的是，在系统问句和用户答句中重复出现的信息，可能是识别用户态度的关键信息，因此，具体实施时，第一子模型可以比较第一编码及关键信息，筛选出第一编码及关键信息中共同出现的信息为关键信息向量。
举例而言，若获取的关键信息为“您是否要查询订单”，第一编码为“不查订单”，则以第一编码及关键信息中共同出现的“查订单”为第一子模型输出的向量。
由此，本申请的实施例在对话级粒度下，通过提前参照参考语句，对参考语句的编码结果和关键信息进行比对，确定关键信息向量，提高了在对话级粒度下获取关键信息向量的准确性，有利于最终获取更加准确的态度识别结果。
步骤205，将关键信息向量及参考语句输入第二子模型，以确定待识别的对话在对话级粒度下的态度。
在本申请实施例中，将关键信息向量及参考语句输入第二子模型，由于参考语句为用户答句，关键信息向量为参考语句的上文信息，从而通过第二子模型结合上文信息，确定参考语句即用户答句在语境中的态度。
举例而言，继续参照上述示例，若确定出的关键信息向量为“查订单”，参考语句为“不查询订单”，则可以结合上下文语境确定，待识别的对话中的用户答句“不查询订单”的态度为否定态度。
需要说明的是，相同的用户答句在不同的语境中的态度是不同的，比如，用户同样是回答“关灯”，在系统询问“您是否要关灯”和“您是否要开灯”的不同语境中，用户的答句为不同的态度，在上文询问“您是否要关灯”时，用户的答句“关灯”为肯定态度，在上文询问“您是否要开灯”时，用户的答句“关灯”为否定态度。
而本申请实施例的态度的识别方法，通过从待识别的对话中提取系统问句作为关键信息并确定关键信息向量，确定了用户答句的上文信息，并结合用户答句的上文信息确定用户答句的态度。继续参照上述示例，在识别用户回答“关灯”的态度时，由上述描述可知，本申请可以确定系统问句中关键信息向量，当系统询问“您是否要关灯”时，关键信息向量为关灯，当系统询问“您是否要开灯”时，关键信息向量为开灯，从而可以根据上文信息准确的确定用户当前答句的态度。由此，通过结合用户答句的上文信息确定用户答句的态度，提高了态度识别在不同语境下的准确性和适用性。
本申请实施例的态度的识别方法，先获取态度识别请求，识别请求中包括对话级粒度的待识别的对话，然后从待识别的对话中提取系统问句作为关键信息，并提取与系统问句对应的用户答句作为参考语句，然后将参考语句进行编码，以获取参考语句对应的第一编码，再将第一编码及关键信息，输入第一子模型，以获取关键信息向量，最后将关键信息向量及参考语句输入第二子模型，以确定待识别的对话在对话级粒度下的态度。该方法结合用户答句的上文信息确定用户答句的态度，提高了态度识别在不同语境下的准确性和适用性，并且，通过提前参照参考语句，对参考语句的编码结果和关键信息进行比对以确定关键信息向量，提高了在对话级粒度下获取关键信息向量的准确性，进一步提高了态度的识别结果的准确性。
基于上述实施例，为了更加清楚的描述待识别的对话在词槽级粒度下的态度识别方法，本申请实施例还提出了另一种具体的态度的识别方法，图3为本申请实施例所提供的另一种具体的态度的识别方法的流程示意图。
如图3所示，该方法包括以下步骤：
步骤301，获取态度识别请求，识别请求中包括词槽级粒度的待识别的对话。
其中，需要说明的是，关于步骤301的具体实现方式，可参见上述实施例的相关描述，此处不再赘述。
步骤302，从待识别的对话中提取用户语句作为参考语句，并将参考语句中的词槽值，作为关键信息。
在本申请实施例中，先将人机交互过程中用户输入的语句作为参考语句，并从参考语句中抽取词槽值作为关键信息，词槽值的定义可参照上述实施例中的描述，其中，可以通过不同的方式从参考语句中抽取词槽值。
作为其中一种可能的实现方式，通过NLP(Natural Language Processing，自然语言处理)技术中的关键词提取算法，比如，TF-IDF(Term Frequency-Inverse DocumentFrequency，词频-逆向文件频率)算法，从参考语句中提取关键词，并以提取出的关键词为词槽值。
作为另一种可能的实现方式，通过NLP技术构建通用词典树，通过词典树对输入的参考语句进行词槽抽取，以获取词槽值。
举例而言，以待识别的对话中提取出的用户语句“除了明天都可以”作为参考语句，并通过上述方法从用户语句中提取出词槽值“明天”为关键信息。
步骤303，将关键信息输入第一子模型，以获取关键信息向量。
其中，关于步骤303的具体实现方式，可参见上述实施例的相关描述，此处不再赘述.
步骤304，利用预设的字符，将参考语句中的词槽值进行替换，以获取标记语句。
需要说明的是，在确定待识别的对话在词槽级下的态度时，在词槽值较长等特殊场景下，识别模型较难确定词槽值在参考语句中的上下文，因此，为了更加准确的定位关键信息向量的上下文，在本申请的实施例中，对参考语句中的词槽值进行了替换处理。
具体实施时，通过去词槽值的方式将参考语句中的词槽值替换为预设的字符，通过预设的字符标记词槽值在参考语句中的位置，替换后的参考语句即为包含预设的字符的标记语句。
步骤305，将关键信息向量及标记语句，输入第二子模型，以确定待识别的对话在词槽级的态度。
在本申请实施例中，由于将词槽值替换为预设的字符，避免了词槽值的长度对定位词槽值的上下文的影响，从而，将关键信息向量作为第二子模型在零时刻的隐层输入向量，与标记语句一同输入第二子模型后，第二子模型可以根据预设的字符在标记语句中的位置，定位关键信息向量的上下文，并结合上下文语境识别关键信息向量即词槽值的态度，进而根据词槽值的态度确定待识别的对话中的用户语句的态度。
举例而言，以待识别的对话中提取出的用户语句“避开时代广场的西1入口，那里人多”作为参考语句，并通过上述方法从用户语句中提取出词槽值“时代广场的西1入口”为关键信息，然后将词槽值“时代广场的西1入口”替换为预设的字符A，获取了标记语句“避开A，那里人多”，再将关键信息向量及标记语句，输入第二子模型后，第二子模型根据字符A处的上下文识别出用户对“时代广场的西1入口”为否定态度。
需要说明的是，若参考语句中存在多个词槽值，则本申请实施例的态度的识别方法可以通过上述方式确定用户对每个词槽值的态度，即获取多个关键信息向量，将每个关键信息向量及其对应的标记语句，输入第二子模型，分别确定用户对每个词槽值的态度，进而根据每个词槽值的态度确定待识别的对话中的用户语句的态度。
本申请实施例的态度的识别方法，通过利用预设的字符，将参考语句中的词槽值进行替换，并将关键信息向量及标记语句，输入第二子模型，以确定待识别的对话在词槽级的态度。可以更加准确的定位词槽值的上下文，并结合词槽值的上文信息确定用户对词槽值的态度，进一步提高了态度的识别结果的准确性。
基于上述实施例，本申请实施例的态度的识别方法，还可以确定待识别的对话在多个目标识别粒度下的态度，进一步提高态度识别的效率和适用性。
图4为本申请实施例所提供的又一种具体的态度的识别方法的流程示意图，如图4所示，当获取的识别请求中的目标识别粒度包括对话级及词槽级时，该方法包括以下步骤：
步骤401，从待识别的对话中提取系统问句作为第一关键信息。
步骤402，提取与系统问句对应的用户答句作为参考语句。
步骤403，将参考语句中的词槽值，作为第二关键信息。
步骤404，将第一关键信息和第二关键信息输入第一子模型，以获取第一关键信息向量和第二关键信息向量。
步骤405，将第一关键信息向量及参考语句输入第二子模型，以确定待识别的对话在对话级下的态度。
步骤406，将第二关键信息向量及参考语句输入第二子模型，以确定待识别的对话在词槽级下的态度。
其中，上述步骤的具体实现方式，可参见上述实施例的相关描述，实现原理类似，此处不再赘述。
需要说明的是，当需要对用户的答句同时进行对话级及词槽级的态度识别时，可以将对话级及词槽级的态度识别任务设置在模型的同一个Batch(批处理)中进行识别。具体的，本申请实施例的态度的识别方法以上述方式获取到不同的关键信息后，将各关键信息同时输入到第一子模型，以获取各关键信息对应的关键信息向量，然后再依次将关键信息向量输入至第二子模型确定，确定待识别的对话在对应的目标识别粒度下的态度，也就是说本申请实施例的态度的识别方法同步获取多个关键信息向量，但对待识别的对话在不同的目标识别粒度下的态度分开进行识别。
根据本申请实施例的方法，对待识别的对话在不同的目标识别粒度下的态度分开进行识别，避免不同粒度的态度识别相互影响，并通过同时获取多个关键信息向量，提高态度识别的效率，进一步提高了态度的识别方法的准确性和适用性。
可以理解的是，在通过模型执行识别任务之前，需要先对模型进行训练，本申请实施例中的第一子模型和第二子模型的训练方式，可以参照相关技术中对RNN模型进行训练的方式。在本申请的一个实施例中，将识别粒度为对话级和词槽级的训练数据混合在一个训练集中进行训练，从而使模型可以同时学习这两个不同的任务，在不同的态度识别任务之间共享数据信息，学习到相似的问题结构。
进一步的，在本申请的另一个实施例中，为了进一步提升对词槽级态度的识别的效果，还通过含有多个词槽值的用户语句对模型进行数据增强训练。
具体实施时，作为其中一种可能的实现方式，可以将多个词槽值的位置进行相互调换，从而获得新的训练样本。举例而言，当用户语句为“5点和6点不行，7点有空”时，对词槽值“5点”、“6点”和“7点”的位置进行调换后，可以得到新的训练样本“6点和5点不行，7点有空”、“7点和5点不行，6点有空”等，同时对于训样本中进行的词槽值替换，也对应进行标记位置的调整。
作为另一种可能的实现方式，还可以对词槽值所在的短语级进行调换，比如，对于“5点6点不行，7点有空”的训练样本进行短语调换后，生成新样本“7点有空，5点6点不行”。
根据本申请实施例的方法，通过将识别粒度为对话级和词槽级的训练数据混合在一个训练集中进行训练，进一步实现互通数据，有利于在对话数据的规模较小等特殊场景下提高识别结果的准确性，并且，通过词槽值的位置调换和短语调换，获得更多的训练样本，实现了对模型的数据增强训练，有利于提高训练好的模型进行识别态度的精确度。
为了实现上述实施例，本申请还提出一种态度的识别装置。
图5为本申请实施例所提供的一种态度的识别装置的结构示意图，如图5所示，该态度的识别装置500包括：第一获取模块501、提取模块502、第二获取模块503和确定模块504。
其中，第一获取模块501，用于用于获取态度识别请求，识别请求中包括待识别的对话及目标识别粒度。
提取模块502，用于根据目标识别粒度，从待识别的对话中提取关键信息及参考语句。
第二获取模块503，用于将关键信息输入第一子模型，以获取关键信息向量。
确定模块504，用于将关键信息向量及参考语句，输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。
在本申请的一个实施例中，提取模块502，具体用于：从待识别的对话中提取系统问句作为关键信息、并提取与问句对应的用户答句作为参考语句。
图6为本申请另一实施例所提供的一种具体的态度的识别装置的结构示意图，如图6所示的态度的识别装置600包括：第一获取模块601、提取模块602、第二获取模块603和确定模块604。
在本申请的一个实施例中，如图6所示，第二获取模块603，可以包括:
编码单元6031，用于将参考语句进行编码，以获取参考语句对应的第一编码。
第一获取单元6032，用于将第一编码及关键信息输入第一子模型，以获取关键信息向量。
在本申请的一个实施例中，提取模块602，具体用于：从待识别的对话中提取用户语句作为参考语句，将参考语句中的词槽值，作为关键信息。
在本申请的一个实施例中，如图6所示，确定模块604，可以包括:
替换单元6041，用于利用预设的字符，将参考语句中的词槽值进行替换，以获取标记语句。
第一确定单元6042，用于将关键信息向量及标记语句，输入第二子模型，以确定待识别的对话在词槽级的态度。
在本申请的一个实施例中，提取模块602，具体用于：从待识别的对话中提取系统问句作为第一关键信息，并提取与问句对应的用户答句作为参考语句，然后将参考语句中的词槽值，作为第二关键信息。
可以理解的是，本实施例中的第一获取模块601、提取模块602、第二获取模块603和确定模块604，与上述实施例中的第一获取模块501、提取模块502、第二获取模块503和确定模块504，可以具有相同的功能和结构。
前述实施例态度的识别方法的解释说明同样适用于本实施例的态度的识别装置，此处不再赘述。
本申请实施例的态度的识别装置，根据待识别的对话的目标识别粒度，先从待识别的对话中提取关键信息及参考语句，并将关键信息输入第一子模型，以获取关键信息向量，然后将获取的关键信息向量及参考语句输入第二子模型，以确定待识别的对话在目标识别粒度下的态度。由此，对于不同识别粒度的待识别对话，都以获取关键信息向量并结合对话语境中的参考语句的方式进行态度识别，从而可以在一个通用的模型下识别不同识别粒度的待识别对话，有利于不同的态度识别任务之间共享数据信息，可以在数据量较小的场景下获得准确的态度识别结果，提高了态度的识别方法的适用性，并且，还结合了待识别的对话所在的对话语境进行态度识别，进一步提高了态度识别结果的准确性。
为了实现上述实施例，本申请还提出一种计算机程序产品，当计算机程序产品中的指令被处理器执行时实现如前述任一实施例所述的态度的识别方法。
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7所示，是根据本申请实施例的态度的识别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7所示，该电子设备包括：一个或多个处理器701、存储器702，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)上显示图形用户界面(Graphical User Interface，简称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7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的神经网络模型中子图的展示方法。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态度的识别方法。
存储器702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神经网络模型中子图的展示方法对应的程序指令/模块(例如，附图5所示的第一获取模块501、提取模块502、第二获取模块503和确定模块504)。处理器701通过运行存储在存储器702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态度的识别方法。
存储器702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神经网络模型中子图的展示的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至神经网络模型中子图的展示的电子设备。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。
态度的识别方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与神经网络模型中子图的展示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704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(Application Specific Integrated Circuit，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，Programmable Logic Device))，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(Local Area Network，LAN)、广域网(Wide Area Network，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。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。
根据本申请实施例的技术方案，对于不同识别粒度的待识别对话，都以获取关键信息向量并结合对话语境中的参考语句的方式进行态度识别，从而可以在一个通用的模型下识别不同识别粒度的待识别对话，有利于不同任务之间共享数据信息，可以在数据量较小的场景下获得准确的态度识别结果，提高了态度的识别方法的适用性，并且，还结合了对话语境中的参考语句进行态度识别，进一步提高了态度识别结果的准确性。
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)
1.一种态度的识别方法，包括：
获取态度识别请求，所述识别请求中包括待识别的对话及目标识别粒度；
根据所述目标识别粒度，从所述待识别的对话中提取关键信息及参考语句；
将所述关键信息输入第一子模型，以获取关键信息向量；
将所述关键信息向量及所述参考语句，输入第二子模型，以确定所述待识别的对话在目标识别粒度下的态度，其中，所述第一子模型和所述第二子模型为RNN模型；
所述目标识别粒度为对话级或词槽级；
当所述目标识别粒度为对话级，所述根据所述目标识别粒度，从所述待识别的对话中提取关键信息及参考语句，包括：从所述待识别的对话中提取系统问句作为关键信息、并提取与所述问句对应的用户答句作为参考语句；
当所述目标识别粒度为词槽级，所述根据所述目标识别粒度，从所述待识别的对话中提取关键信息及参考语句，包括：从所述待识别的对话中提取用户语句作为参考语句；将所述参考语句中的词槽值，作为关键信息。
2.如权利要求1所述的方法，其中，所述将所述关键信息输入第一子模型，以获取关键信息向量，包括：
将所述参考语句进行编码，以获取所述参考语句对应的第一编码；
将所述第一编码及所述关键信息，输入第一子模型，以获取关键信息向量。
3.如权利要求1所述的方法，其中，所述将所述关键信息向量及所述参考语句，输入第二子模型，以确定所述待识别的对话在目标识别粒度下的态度，包括：
利用预设的字符，将所述参考语句中的所述词槽值进行替换，以获取标记语句；
将所述关键信息向量及所述标记语句，输入第二子模型，以确定所述待识别的对话在词槽级的态度。
4.如权利要求1-3任一所述的方法，其中，所述目标识别粒度包括对话级及词槽级，所述根据所述目标识别粒度，从所述待识别的对话中提取关键信息及参考语句，包括：
从所述待识别的对话中提取系统问句作为第一关键信息；
提取与所述问句对应的用户答句作为参考语句；
将所述参考语句中的词槽值，作为第二关键信息。
5.一种态度的识别装置，包括：
第一获取模块，用于获取态度识别请求，所述识别请求中包括待识别的对话及目标识别粒度；
提取模块，用于根据所述目标识别粒度，从所述待识别的对话中提取关键信息及参考语句；
第二获取模块，用于将所述关键信息输入第一子模型，以获取关键信息向量；
确定模块，用于将所述关键信息向量及所述参考语句，输入第二子模型，以确定所述待识别的对话在目标识别粒度下的态度，其中，所述第一子模型和所述第二子模型为RNN模型；
所述目标识别粒度为对话级或词槽级；
当所述目标识别粒度为对话级，所述提取模块，具体用于：
从所述待识别的对话中提取系统问句作为关键信息、并提取与所述问句对应的用户答句作为参考语句；
当所述目标识别粒度为词槽级，所述提取模块，具体用于：
从所述待识别的对话中提取用户语句作为参考语句；将所述参考语句中的词槽值，作为关键信息。
6.如权利要求5所述的装置，其中，所述第二获取模块，包括：
编码单元，用于将所述参考语句进行编码，以获取所述参考语句对应的第一编码；
第一获取单元，用于将所述第一编码及所述关键信息，输入第一子模型，以获取关键信息向量。
7.如权利要求5所述的装置，其中，所述确定模块，包括：
替换单元，用于利用预设的字符，将所述参考语句中的所述词槽值进行替换，以获取标记语句；
第一确定单元，用于将所述关键信息向量及所述标记语句，输入第二子模型，以确定所述待识别的对话在词槽级的态度。
8.如权利要求5-7任一所述的装置，其中，所述目标识别粒度包括对话级及词槽级，所述提取模块，具体用于：
从所述待识别的对话中提取系统问句作为第一关键信息；
提取与所述问句对应的用户答句作为参考语句；
将所述参考语句中的词槽值，作为第二关键信息。
9.一种电子设备，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1-6中任一项所述的态度的识别方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的态度的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011554368.4A CN112559715B (zh) | 2020-12-24 | 2020-12-24 | 态度的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011554368.4A CN112559715B (zh) | 2020-12-24 | 2020-12-24 | 态度的识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559715A CN112559715A (zh) | 2021-03-26 |
| CN112559715B true CN112559715B (zh) | 2023-09-22 |
Family
ID=75033799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011554368.4A Active CN112559715B (zh) | 2020-12-24 | 2020-12-24 | 态度的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559715B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408268B (zh) * | 2021-06-22 | 2023-01-13 | 平安科技（深圳）有限公司 | 槽位填充方法、装置、设备及存储介质 |
| CN113657110A (zh) * | 2021-08-10 | 2021-11-16 | 阿波罗智联(北京)科技有限公司 | 信息处理方法、装置和电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013154458A (ja) * | 2012-01-31 | 2013-08-15 | Fujitsu Ltd | 対話装置、対話プログラムおよび対話方法 |
| CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN109858019A (zh) * | 2018-12-28 | 2019-06-07 | 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 |
| CN110674314A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 语句识别方法及装置 |
| CN111368085A (zh) * | 2020-03-05 | 2020-07-03 | 北京明略软件系统有限公司 | 一种对话意图的识别方法、装置、电子设备及存储介质 |
| CN111563161A (zh) * | 2020-04-26 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
| CN111597339A (zh) * | 2020-05-22 | 2020-08-28 | 北京慧闻科技(集团)有限公司 | 文档级多轮对话意图分类方法、装置、设备及存储介质 |
| CN111625634A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 词槽识别方法及装置、计算机可读存储介质、电子设备 |
-
2020
- 2020-12-24 CN CN202011554368.4A patent/CN112559715B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013154458A (ja) * | 2012-01-31 | 2013-08-15 | Fujitsu Ltd | 対話装置、対話プログラムおよび対話方法 |
| CN108446286A (zh) * | 2017-02-16 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN109858019A (zh) * | 2018-12-28 | 2019-06-07 | 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 |
| CN110674314A (zh) * | 2019-09-27 | 2020-01-10 | 北京百度网讯科技有限公司 | 语句识别方法及装置 |
| CN111368085A (zh) * | 2020-03-05 | 2020-07-03 | 北京明略软件系统有限公司 | 一种对话意图的识别方法、装置、电子设备及存储介质 |
| CN111563161A (zh) * | 2020-04-26 | 2020-08-21 | 深圳市优必选科技股份有限公司 | 一种语句识别方法、语句识别装置及智能设备 |
| CN111597339A (zh) * | 2020-05-22 | 2020-08-28 | 北京慧闻科技(集团)有限公司 | 文档级多轮对话意图分类方法、装置、设备及存储介质 |
| CN111625634A (zh) * | 2020-05-25 | 2020-09-04 | 泰康保险集团股份有限公司 | 词槽识别方法及装置、计算机可读存储介质、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于小样本机器学习的跨任务对话系统;刘继明;孟亚磊;万晓榆;;重庆邮电大学学报(自然科学版)(第03期);全文 * |
| 深度学习算法在问句意图分类中的应用研究;杨志明;王来奇;王泳;;计算机工程与应用(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559715A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102694765B1 (ko) | 이벤트 추출 방법, 장치, 전자 기기 및 저장 매체 | |
| CN111259671B (zh) | 文本实体的语义描述处理方法、装置及设备 | |
| CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
| CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
| KR102431568B1 (ko) | 엔티티 단어 인식 방법 및 장치 | |
| CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
| CN111177355B (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
| KR20210132578A (ko) | 지식 그래프를 구축하는 방법, 장치, 기기 및 저장 매체 | |
| CN111241245B (zh) | 人机交互处理方法、装置及电子设备 | |
| CN113553412B (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN111797216B (zh) | 检索项改写方法、装置、设备以及存储介质 | |
| US20220027575A1 (en) | Method of predicting emotional style of dialogue, electronic device, and storage medium | |
| US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
| CN112241715A (zh) | 模型训练方法、表情识别方法、装置、设备及存储介质 | |
| CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
| CN111241838B (zh) | 文本实体的语义关系处理方法、装置及设备 | |
| CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
| CN116303962B (zh) | 对话生成方法、深度学习模型的训练方法、装置和设备 | |
| US20230195998A1 (en) | Sample generation method, model training method, trajectory recognition method, device, and medium | |
| US12086555B2 (en) | Method for generating dialogue, electronic device, and storage medium | |
| CN112597288B (zh) | 人机交互方法、装置、设备及存储介质 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
| CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
| CN116450917B (zh) | 信息搜索方法及装置、电子设备和介质 | |
| CN117351330A (zh) | 图像处理方法、图像处理模型的训练方法、装置和设备 |
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 |