CN112800189A - 人机交互方法、装置、智能机器人和存储介质 - Google Patents
人机交互方法、装置、智能机器人和存储介质 Download PDFInfo
- Publication number
- CN112800189A CN112800189A CN201911113953.8A CN201911113953A CN112800189A CN 112800189 A CN112800189 A CN 112800189A CN 201911113953 A CN201911113953 A CN 201911113953A CN 112800189 A CN112800189 A CN 112800189A
- Authority
- CN
- China
- Prior art keywords
- sentence
- marking
- pronoun
- intelligent robot
- statement
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明实施例提供一种人机交互方法、装置、智能机器人和存储介质,该方法包括:智能机器人接收第一语句并对此语句中包含的代词位置进行标记,再将标记后的第一语句以及作为第一语句上文内容的第二语句输入到阅读理解模型中,阅读理解模型会从第二语句中确定出对应于第一语句的指代内容;智能机器人再将此指代内容补充到第一语句中,以得到不再包含省略和/或指代关系的第三语句;智能机器人会再输出此第三语句的应答语句即第四语句。本发明中,指代内容是由阅读理解模型从第二语句确定出来的,第二语句中包括的词语更为丰富,提高了指代内容的准确性,智能机器人也就更能够根据内容完整的第三语句准确地确定出其应答语句,保证人机对话的流畅性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种人机交互方法、装置、智能机器人和存储介质。
背景技术
随着人工智能技术的发展,各种智能机器人越来越多地进入人们的生活,比如陪护机器人、清洁机器人,迎宾机器人等等。
为了方便用户,很多智能机器人都支持人机对话这种交互方式。在正常对话过程中,用户往往会下意识地省略一些内容或者使用代词替代上文中出现的内容。在这种情况下,智能机器人就需要结合对话的内容来对用户表达过程中的省略或指代的内容进行推测,并基于推测结果进行应答,从而实现人机对话。
发明内容
本发明实施例提供一种人机交互方法、装置、智能机器人和存储介质,用以提高指代消解结果的准确性,保证智能机器人应答的准确性,使得人机对话顺畅进行。
本发明实施例提供一种人机交互方法,该方法包括:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
本发明实施例提供一种人机交互装置,包括:
接收模块,用于接收第一语句;
位置标记模块,用于标记所述第一语句中包含的代词位置;
输入模块,用于将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
补充模块,用于根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出模块,用于输出用于应答所述第三语句的第四语句。
本发明实施例提供一种智能机器人,包括:处理器和存储器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
本发明实施例提供了一种存储计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器至少执行以下的动作:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
在本发明实施例中,当用户与智能机器人进行人机交互时,用户向智能机器人发出一个包含省略和/或指代关系的第一语句。此时,智能机器人接收并对此第一语句中包含的代词位置进行标记,再将标记后的第一语句以及在第一语句之前产生的第二语句输入到阅读理解模型中。其中,此第二语句是用户和智能机器人在一次对话过程中,作为第一语句上文内容的全部语句。在阅读理解模型对标记后的第一语句和第二语句进行理解,并从第二语句中确定出指代内容后,智能机器人会将此指代内容补充到第一语句中,也即是完成了指代消解,从而得到完整的第三语句。与第一语句相比,第三语句不再包含省略和/或指代关系。最后,智能机器人会输出此第三语句的应答语句即第四语句。
根据上述描述可知,在智能机器人确定出第一语句包含的代词位置后,是由阅读理解模型从第二语句中确定出指代内容的。与现有技术中从几个候选词语中确定出指代内容的方式相比,整段的第二语句所包含的词语更为丰富,因此,确定出的指代内容也更加准确。进一步地,智能机器人便能够根据内容完整的第三语句确定出与其对应的第四语句,提高了第四语句的准确性,保证人机对话的流畅性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人机交互方法的流程图;
图2a为本发明实施例提供的一种代词位置确定方式的流程图;
图2b为本发明实施例提供的另一种代词位置确定方式的流程图;
图2c为本发明实施例提供的又一种代词位置确定方式的流程图;
图3为本发明实施例提供的一种人机交互装置的结构示意图;
图4为与图3所示实施例提供的人机交互装置对应的智能机器人的结构示意图;
图5a为在银行应用场景中一种人机交互方法的执行过程示意图;
图5b为在银行应用场景中又一种人机交互方法的执行过程示意图;
图6a为在商场应用场景中一种人机交互方法的执行过程示意图;
图6b为在商场应用场景中又一种人机交互方法的执行过程示意图;
图7a为在医院应用场景中一种人机交互方法的执行过程示意图;
图7b为在医院应用场景中又一种人机交互方法的执行过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式。除非上下文清楚地表示其他含义,“多个”一般包含至少两个。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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,从而使得包括一系列要素的商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
在详细介绍本发明实施例提供的人机交互方法之前,先对人机对话场景进行以下介绍。
正如背景技术中提到的,在正常对话过程中,用户有可能会下意识地省略一些内容,当然还有可能会使用代词替代上文中出现的内容。在公共服务场景中,比如银行场景中,用户与智能机器人可能发生以下对话:
用户:我想办一张信用卡。
智能机器人:您可以通过手机银行申请信用卡。
用户:它有什么优惠?
智能机器人:我行信用卡分期付款手续费9折优惠,境外交易双倍积分。您想知道怎么下载手机银行吗?
用户:我想知道。
在上述对话中,语句“它有什么优惠”中存在人称代词“它”,用来指代“信用卡”,此语句中包含指代关系。语句“我想知道”存在用户下意识省略的内容“怎么下载手机银行”,其中包含省略关系,省略部分被称为零代词。
对于上述这种包含省略和/或指代关系的语句,最为常见的处理方式是:智能机器人接收并识别用户产生的对话语句中代词的位置,再通过自身内部配置的候选词识别模块以及语法分析模块来确定出数量较少的几个候选词语,并仅从这几个候选词语中确定出代词所对应的指代内容,以用此指代内容来将用户产生的对话语句补充完整。最终,智能机器人根据补充完整的对话语句确定其的应答语句,将此应答语句输出给用户,从而完成了人机对话。
根据上述描述可知,一方面,智能机器人在指代内容的确定过程中,必须同时使用候选词语识别模块和语法分析模块,而此多模块的使用造成了内容确定过程的繁琐。另一方面,使用上述两模块确定出的候选词语数量较少,则基于此少量候选词语得到的完整对话语句的准确性也是无法保证的。因此,当前迫切地需要一种解决方案,在简化指代内容确定过程的同时,还能保证指代内容的准确性,保证人机对话的流畅性。
为此,提供了本发明实施例的人机交互方法。下面结合以下的实施例对本文提供的人机交互方法进行详细介绍。另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。并且在各实施例之间不冲突的情况下,下述各实施例及各实施例中的特征可以相互组合。
在实际应用中,该人机交互方法可以由诸如陪护机器人、清洁机器人、迎宾机器人、自移动售货机器人等智能机器人来执行。当然,该人机交互方法也可以由诸如在线购物系统中集成的人机交互插件(或者称为人机交互接口、人机交互功能模块)来执行。该人机交互方法还可以由诸如移动终端、智能家电、智能穿戴设备等智能终端来执行。泛泛而言,该人机交互方法可以适用于任何支持以语音方式或文字方式与用户进行交互的设备、系统中。
图1为本发明实施例提供的一种人机交互方法的流程图,如图1所示,该方法可以包括如下步骤:
101、接收第一语句。
智能机器人上可以安装有诸如麦克风等拾音器件,当用户对说出一条对话语句即第一语句时,智能机器人便可以通过此拾音器件采集到语音形式的第一语句。另外,智能机器人还可以配置供用户输入对话语句的操作屏幕或键盘,此时,输入的第一语句表现为文字形式。
在不同的使用场景中,用户产生的第一语句的内容也是多种多样的。比如当用户想要查询天气情况时,可以对智能机器人发出“明天的天气如何”这样的第一语句。当用户在购物时,可以对智能机器人发出“最近有什么团购吗”这样的第一语句。
102、标记第一语句中包含的代词位置。
一种可选地方式,对于文字形式的第一语句,其可以直接显示在智能机器人的操作界面上。对于语音形式的第一语句,智能机器人会对其进行语音识别,以将其转换为文字形式并显示在操作屏幕上。此时,用户可以在此操作屏幕上手动触发代词位置的标记操作,以使智能机器人得到标记后的第一语句。
上述方式实际上是一种手动标注代词位置的方式,但在实际应用中,若采用这种方式会增加用户的操作复杂度,严重影响用户的使用体验。因此,另一种可选地方式,智能机器人可以将用户生产的第一语句输入至分类模型或者序列标注模型中,以借由模型完成对第一语句中包含的代词位置进行标记,也即是实现了代词位置的自动标记。
最终,智能机器人会得到一条标记后的第一语句。可选地,上述对代词的标注具体可以是将第一语句中的代词替换为预设的特殊标识,比如pro。
在此需要说明的有,本实施例以及下述各实施例中,第一语句中的代词具体可以包括人称代词和/或零代词。在第一语句中包含指代关系时,则语句中的人称代词用于指代上文(即下述的第二语句)中完整出现过的某些内容;当第一语句中包含省略时,则零代词用于表示第一语句中省略的内容,此省略的内容也在第二语句中完整的出现过。
对上述的描述进行举例说明,假设第一语句为:“它有什么优惠”,其中包含人称代词,则标注后的第一语句为:“pro有什么优惠”。假设第一语句为:“我想知道”,其中包含零代词,则标注后的第一语句为:“我想知道pro”。
103、将标记后的第一语句以及在第一语句之前产生的第二语句输入到阅读理解模型中,以通过阅读理解模型从第二语句中获取到指代内容。
智能机器人可以将第二语句以及标记后的第一语句一并输入到阅读理解模型中,以由阅读理解模型对输入的内容进行理解,并在第二语句中确定指代内容。其中,第一语句可以是用户在对话过程中发出的任一语句,第二语句则可以是从用户开启此次对话后,从第一条语句直至第一语句之前的全部语句,第二语句可以包括至少一条语句。
阅读理解模型确定指代内容的具体过程可以为:在接收到第二语句以及标记后的第一语句后,阅读理解模型会依次对语句进行向量转换和编码处理。然后,阅读理解模型再结合注意力机制对上述处理后得到的处理结果进行理解,从而得到起始位置和结束位置,在第二语句中此起始位置和结束位置之间包含的内容即为指代内容。
在实际应用中,可选地,上述的阅读理解模型具体可以是变换双向编码表示(Bidirectional Encoder Representation From Transformers,简称BERT)模型、基于双向注意力流机制的(Bi-Directional Attention Flow,简称Bi-DAF)模型等等。
以BERT模型为例,第二语句和标记后的第一语句会以以下的格式一并输入至阅读理解模型:[CLS]标记后的第一语句[SEP]第二语句[SEP]。以具体的语句为例说明,假设第一语句是:“它有什么优惠”,第二语句是:“我想办一张信用卡;您可以通过手机银行申请信用卡”,指代内容为:“信用卡”。其中,“我想办理一张信用卡”以及“它有什么优惠”是用户产生的,“您可以通过手机银行申请信用卡”是智能机器人产生的,这三句话构成一段对话。并且第一语句中包含人称代词,则标记后的第一语句为:“pro有什么优惠”。输入BERT模型中的内容就为:“[CLS][unused1]有什么优惠[SEP]我想办一张信用卡,您可以通过手机银行申请信用卡[SEP]”,其中,“pro”被替换为预设的特殊标识[unused1],且[CLS]和[SEP]也为预设的特殊标识。
在阅读理解模型接收到上述内容后,即可确定出对应于指代内容的起始位置和结束位置。继续承接上述举例,由于输入至模型中内容,每个特殊标识和语句中的每个字都占一位,因此,基于预设的位置关系,对处于输入字符串中的第14位至第16位的指代内容,阅读理解模型最终输出的起始位置为13,结束位置为15。此时,智能机器人也就可以根据此起始位置和结束位置确定出指代内容为“信用卡”。
104、根据代词位置以及指代内容对第一语句进行补充,以得到第三语句。
在确定出指代内容之后,智能机器人会进一步对第一语句进行补充处理。具体来说,若第一语句中包含零代词,则补充处理具体为:将此指代内容填写到第一语句中。若第一语句中包含人称代词,则补充处理可以表现为:用指代内容替换第一语句中的人称代词。经过补充后,第一语句中包含的省略和/或指代关系已经不存在,此时第一语句已经被补充完整,从而形成第三语句。此步骤104实际上就是智能机器人完成指代消解的过程。
105、输出用于应答第三语句的第四语句。
最后,智能机器人会根据完整的第三语句确定其的应答语句即第四语句,并将第四语句进行输出,也即是完成人机之间的交互。
对于第四语句的一种可选地确定方式,智能机器人会先对第三语句进行语义识别,再依据语义识别的结果从自身配置的对话数据库中查找与第三语句对应的应答信息,即确定出第四语句。可选地,上述对话数据库可以是人工编写的,也可以采用其他自动或半自动的方式获得的。
在上述实施例提供的人机交互方法中,智能机器人接收并对第一语句中包含的代词位置进行标记,再将标记后的第一语句以及在第一语句之前产生的第二语句输入到阅读理解模型中,以由阅读理解模型从第二语句中确定出对应于第一语句的指代内容。智能机器人会根据此指代内容对第一语句进行补充,从而完成第一语句的指代消解,得到的是不再包含省略和/或指代关系的第三语句。最后,智能机器人输出用于应答第三语句的第四语句,从而完成人机对话。
综上,本实施例中,一方面,指代内容是直接借由阅读理解模型确定出来的,智能机器人内部则无需再配置候选词语识别模块和语法分析模块,从而简化了指代内容确定的流程。另一方面,指代内容是从第二语句中确定出来的,与现有技术中仅从由候选词语识别模块和语法分析模块确定出的几个候选词语中确定指代内容的方式相比,整段第二语句包含的词语更为丰富,因此,确定出的指代内容也会更加准确。进一步地,智能机器人也能够根据内容完整的第三语句确定出其的应答语句即第四语句,也提高了第四语句的准确性,保证人机对话的流畅性。
需要说明的还有,除了上述情况,在实际应用中还有可能出现需要补充到第一语句中的内容并未出现在第二语句中的情况。此时,阅读理解模型确定出的起始位置和结束位置会为空。基于上述BERT模型的举例,阅读理解模型输出的起始位置和结束位置均为0。在这种情况下,智能机器人会继续根据这个包含省略和/或指代关系的第一语句确定其的应答语句,为了与上述的第四语句进行区分,此时确定出的应答语句可以被称为第五语句。另外,在实际应用中,若智能机器人对第一语句和第二语句的理解无误,则智能机器人输出的第五语句和第四语句应该是相同的。
另外,对于上述实施例步骤102中提及的自动标记代词位置的方式。对于自动确定代词位置的过程,一种可选地方式,如图2a所示:
201、对第一语句进行分词处理,以得到分词结果。
202、根据分词结果,对第一语句中的零代词候选位置进行标记,以得到第一标记结果。
在接收到第一语句后,智能机器人又会进一步对其进行分词处理,以得到分词结果。由于零代词用于表明第一语句中省略的内容,此省略内容通常又会被补充到第一语句中的某一个词语之前或者之后,因此,在分词结果中,每个词语的前后位置都可以认为是零代词的候选位置。智能机器人会对候选位置进行标记,以得到第一标记结果。
以一具体的第一语句说明上述过程:假设第一语句为“我想知道”,则分词结果为“我想知道”,这三个词的前后位置均为零代词的候选位置,候选位置都会被预设的特殊标记“#”标记,则第一标记结果为“#我#想#知道#”。
203、将第一标记结果输入至分类模型,以使分类模型对零代词候选位置是否能够插入零代词进行分类,输出分类结果。
204、根据由分类结果组成的分类序列对第一语句中包含的零代词位置进行标记。
智能机器人会将第一标记结果直接输入至分类模型中,以使分类模型依次对每个候选位置是否能够插入零代词判断,判断实际上可以理解成二分类,能够插入零代词的位置是一类,不能插入零代词的位置是另一类。若能够插入零代词,则分类模型输出的分类结果为T;否则,分类模型输出的分类结果为F。其中,第一语句中候选位置的数量与输出的分类结果的数量是相同的,且按照后续位置的先后顺序,分类结果可以组成一个分类序列。
智能机器人则可以根据此分类序列来确定第一语句中零代词的位置,并对其进行标记。承接上述举例来说,第一标记结果“#我#想#知道#”对应的分类序列可以为FFFT,则智能机器人就可以知晓零代词的位置为“知道”后面,第一语句就会被标记为“我想知道pro”。
其中,可选地,上述的分类模型具体可以为:朴素贝叶斯(Naive Bayesian Mode,简称NB)模型、支持向量机(Support Vector Machine,简称SVM)模型等等。还可以卷积神经网络(Convolutional Neural Networks,简称CNN)模型、循环神经网络(Recurrent NeuralNetworks,简称RNN)模型等等。
经过上述步骤后,智能机器人确定出的是第一语句中是否存在零代词。但正如上述实施例所述的,第一语句中还有可能包括人称代词。则智能机器人还会进一步确定第一语句中是否存在人称代词,则如2b所示,在步骤201之后,还可以包括如下步骤:
205、对分词结果进行词性标记,以得到第二标记结果。
206、将第二标记结果与人称词典中的人称代词进行比对,以对第一语句中包含的人称代词的位置进行标记。其中,人称词典中记录的人称代词包括:你、我、他、她、它、你们、我们、他们、她们、它们。
在得到分词结果后,智能机器人会进一步对此结果进行词性标记,从而得到第二标记结果。在第二标记结果中,不同的词性会使用不同的标识来标记,比如名称用N标记,动词用V标记,代词用PRON标记。举例来说,第一语句“它有什么优惠”,对应的第二标记结果为“它[PRON]有[V]什么[N]优惠[N]”。
虽然确定第一语句中的代词位置是为了后续将指代内容补充到第一语句中,以得到一条完整的语句即第三语句。但在实际使用场景中,对于第一人称代词和第二人称代词,如果不对其进行补充,通常也不会影响智能机器人对语句的理解,因此,在普通的人机对话场景中,智能机器人只需确定出第一语句中包含的第三人称代词对应的指代内容即可。
而在词性标注的过程中,对第一人称代词、第二人称代词以及第三人称代词均采用统一的标识(PRON)来标记,这样并不能区分出人称代词的种类,因此,智能机器人还会将第二标记结果与人称词典中记录的人称代词进行比对。
若通过比对结果表明第一语句中包括第三人称代词,则在第二标记结果的基础上再对此第三人称进行标记。此标记也即是将第三人称代词用pro来替换,上述第二标记结果变为“pro有什么优惠”。
若比对结果表明第一语句中不包括第三人称代词,则智能机器人不会对第一语句中的第一人称代词和第二人称代词进行标注,而会进一步按照上述步骤202~204继续确定第一语句中是否包含零代词。
值得注意的是,步骤202~204是确定使用分类模型确定零代词的过程,步骤205~206是利用人称词典确定人称代词的过程,上述流程只是一个示例,二者之间并没有严格的时序限制,既可以先后执行也可以同时执行,本发明并不对其的执行顺序进行限定。
对于自动确定代词位置的过程,又一种可选地方式,如图2c所示:
301、将对应于第一语句的划分处理结果输入至序列标记模型;
302、根据序列标记模型输出的标记序列对第一语句中包含的零代词位置进行标记。
接收到第一语句后,智能机器人会对其进行划分处理,从而得到对应于第一语句的划分处理结果。可选地,此划分处理既可以是上述提及的分词处理,也可以以字为单位对其进行划分。然后,再将划分处理结果输入至序列标记模型中,以由此模型输出对应于第一语句的标记序列。
以一具体语句为例说明序列标记模型输出的标记序列。假设第一语句为“我想知怎么办理”,可选地,对其进行分词处理后即可得到“我想知道怎么办理”,则序列标记模型输出的标记序列为“OOOBOO”,序列中的每个元素表示每个词语的前后位置否能插入指代内容,也即是是否是零代词所在的位置。
可选地,对其按字进行划分后即可得到“我想知道怎么办理”,则标记模型输出的标记序列为“OOOOBOOOO”,序列中的每个元素表示每个字的前后位置是否能插入指代内容,也即是是否是零代词所在的位置。
但无论是哪个标记序列,其中元素B的位置即为零代词的位置,此时,智能机器人会将第一语句标记为“我想知道pro怎么办理”。
另外,在按照上述方式确定出第一语句中包含零代词后,智能机器人还可以利用图2b所示的方式,进一步确定出第一语句是否包含人称代词,从而完成对第一语句的标注。
本实施例中提供了两种自动确定代词位置的确定方式,即使用分类模型或者序列标注模型来确定代词位置。采用这种自动的方式,则用户在向智能机器人输出语句后,无需进行任何动作,即可得到智能机器人输出的应答语句,便捷用户的操作,提高用户的使用体验。
以下将详细描述本发明的一个或多个实施例的人机交互装置。本领域技术人员可以理解,这些人机交互装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图3为本发明实施例提供的一种人机交互装置的结构示意图,如图3所示,该装置包括:
接收模块11,用于接收第一语句。
位置标记模块12,用于标记所述第一语句中包含的代词位置。
输入模块13,用于将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容。
补充模块14,用于根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句。
输出模块15,用于输出用于应答所述第三语句的第四语句。
可选地,该人工交互装置中的所述位置标记模块12具体包括:
分词单元121,用于对所述第一语句进行分词处理,以得到分词结果。
第一标记单元122,用于根据所述分词结果,对所述第一语句中的零代词候选位置进行标记,以得到第一标记结果。
第一输入单元123,用于将所述第一标记结果输入至分类模型,以使所述分类模型对所述零代词候选位置是否能够插入零代词进行分类,输出分类结果。
第二标记单元124,用于根据由所述分类结果组成的分类序列对所述第一语句中包含的零代词位置进行标记。
可选地,该人工交互装置还可以包括:
词性标记模块21,用于对所述分词结果进行词性标记,以得到第二标记结果。
比对模块22,用于将所述第二标记结果与人称词典中的人称代词进行比对,以对所述第一语句中包含的人称代词的位置进行标记。
可选地,该人工交互装置中的位置标记模块12,具体用于若比对结果表明所述第一语句中包含的人称代词为第三人称代词,则根据所述第二标记结果对所述第三人称代词进行标记。
位置标记模块12,具体还用于若所述比对结果表明所述第一语句中包含的人称代词不是第三人称代词,则对所述第一语句中包含的零代词进行标记。
可选地,该人工交互装置中的位置标记模块12具体还包括:
第二输入单元125,用于输入将对应于所述第一语句的划分处理结果输入至序列标记模型。
第二标记单元124,用于根据所述序列标记模型输出的标记序列对所述第一语句中包含的零代词位置进行标记。
可选地,该人工交互装置中的输入模块13具体用于:将标记后所述第一语句和第二语句输入到阅读理解模型中,以使所述阅读理解模型在所述第二语句中确定起始位置和结束位置;以及根据所述起始位置和所述结束位置,从所述第二语句中获取所述指代内容。
可选地,该人工交互装置中的输入模块13具体还用于:若所述起始位置和所述结束位置为空,则确定根据所述第一语句确定用于应答所述第一语句的第五语句。
可选地,该人工交互装置中的输出模块15具体用于:分别对所述第三语句进行语义识别;以及根据所述识别结果在对话数据库中确定用于应答所述第三语句的所述第四语句。
图3所示人工交互装置可以执行前述图1至图2c所示实施例提供的人机交互方法,本实施例未详细描述的部分,可参考对图1至图2c所示实施例的相关说明,在此不再赘述。
以上描述了人机交互装置的内部功能和结构,在一个可能的设计中,人机交互装置的结构可实现为智能机器人中的一部分,如图4所示,该智能机器人可以包括:处理器31和存储器32。其中,所述存储器32用于存储支持该智能机器人执行前述图1至图2c所示实施例中提供的人机交互方法的程序,所述处理器31被配置为用于执行所述存储器32中存储的程序。
所述程序包括一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器31执行时能够实现如下步骤:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
可选地,所述处理器31还用于执行前述图1至图2c所示实施例中的全部或部分步骤。
其中,所述智能机器人的结构中还可以包括通信接口33,用于与其他设备或通信网络通信。
另外,本发明实施例提供了一种存储计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器至少执行以下的动作:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来。
为便于理解,结合附图5a、附图5b以及如下的应用场景对以上提供的人机交互方法的具体实现进行示例性说明。
智能机器人通常可以放置于公共服务场景中,则继续承接上文提到的银行场景,银行大厅中会设置诸如服务机器人等的智能终端设备。用户进入银行对自己想要办理的业务进行咨询时,则会发生以下对话:
用户:我想办一张信用卡。
智能机器人:您可以通过手机银行申请信用卡。
用户:它有什么优惠?
此时,智能机器人接收到的第一语句为“它有什么优惠”,然后,智能机器人再对此第一语句进行分词处理,以得到分词结果“它有什么优惠”,并对其进行词性标注,标记结果可以为“它[PRON]有[V]什么[N]优惠[N]”。进一步地,再将此标记结果和人称词典中记录的人称代词进行比对,从而确定出第一语句中包括第三人称代词,则第一语句被标记为“pro有什么优惠”,其中,pro为预设的特殊标识,用以表明代词的位置。
进而,智能机器人将标记后的第一语句以及第一语句之前的产生的第二语句“我想办一张信用卡”和“您可以通过手机银行申请信用卡”一并输入至阅读理解模型中,并根据模型输出的开始位置和结束位置确定出第三人称代词的指代内容为“信用卡”,指代内容会被补充至第一语句中,以形成第三语句“信用卡有什么优惠”。最后,智能机器人再利用自身配置的对话数据库确定出第三语句的应答语句即第四语句“我行信用卡分期付款手续费9折优惠,境外交易双倍积分。您想了解怎么下载手机银行吗?”此时,也即是完成了顺畅的人机对话。上述过程可以借助图5a来理解。
此时,用户与智能机器人发生的对话会累积为:
用户:我想办一张信用卡。
智能机器人:您可以通过手机银行申请信用卡。
用户:它有什么优惠?
智能机器人:我行信用卡分期付款手续费9折优惠,境外交易双倍积分。您想知道怎么下载手机银行吗?
用户:我想知道。
此时“我想知道”是用户产生的又一个第一语句。智能机器人接收后,可以按照上述方式确定出此第一语句中不含人称代词。接着,一种可选地方式,智能机器人会对第一语句的分词结果进行标记,以得到第一标记结果“#我#想#知道#”,将此第一标记结果输入至分类模型,则分类模型会输出以下的分类序列“FFFT”,则智能机器人就能够根据此分类序列确定出零代词的位置为“知道”之后。另一种可选地方式,智能机器人将第一语句按字进行划分,以得到“我想知道”,并将划分结果输入至序列标注模型中,此模型输出的标记序列为“OOOOB”,则智能机器人同样也能够根据此标记序列确定出零代词的位置为“知道”之后。
在确定出零代词的位置后,进一步地,智能机器人将第一语句标注为“我想知道pro”。则智能机器人再将此标记后的第一语句“我想知道pro”输入至阅读理解模型中,阅读理解模型输出一对开始位置和结束位置,并且这两个位置之间包含的指代内容为“怎么下载手机银行”。进而,智能机器人将此指代内容补充到第一语句中,以形成第三语句“我想知道怎么下载手机银行”,此时,智能机器人也即是完成了指代消解,第三语句中不包含省略关系。最后,智能机器人会确定第三语句的应答语句即第四语句为“扫描我屏幕上的二维码即可下载”,也即是实现了人机的流程对话。上述过程可以借助图5b来理解。
除了上述的银行场景外,智能机器人可以应用于商场场景中。则结合附图6a、附图6b以及商场场景对以上提供的人机交互方法的具体实现进行示例性说明。
在商场场景中,诸如服务机器人等的智能机器人可以设置于商场的大厅处。用户进入商场并存在咨询需求时,用户和智能机器人可以会发生以下对话:
用户:请问服装店铺A在哪里?
智能机器人:直走后右转就可以看到服装店铺A。
用户:它今天有什么打折活动?
此时,智能机器人接收到的第一语句为“它今天有什么打折活动”,然后,智能机器人再对此第一语句进行分词处理,以得到分词结果“它今天有什么打折活动”,并对其进行词性标注,标记结果可以为“它[PRON]今天[N]有[V]什么[N]打折[N]活动[N]”。进一步地,再将此标记结果和人称词典中记录的人称代词进行比对,从而确定出第一语句中包括第三人称代词,则第一语句被标记为“pro今天有什么打折活动”,其中,pro为预设的特殊标识,用以表明代词的位置。
进而,智能机器人将标记后的第一语句以及第一语句之前的产生的“请问服装店铺A在哪里”和“直走后右转就可以看到服装店铺A”即第二语句一并输入至阅读理解模型中,并根据模型输出的开始位置和结束位置确定出第三人称代词的指代内容为“服装店铺A”,指代内容会被补充至第一语句中,以形成第三语句“服装店铺A今天有什么打折活动”。最后,智能机器人再利用自身配置的对话数据库确定出第三语句的应答语句即第四语句“今天使用商场会员卡,服装店铺A有商品8折的打折活动”此时,也即是完成了顺畅的人机对话。上述过程可以借助图6a来理解。
此时,用户与智能机器人发生的对话会累积为:
用户:请问服装店铺A在哪里?
智能机器人:直走后右转就可以看到服装店铺A。
用户:它今天有什么打折活动?
智能机器人:今天使用商场会员卡,服装店铺A有商品8折的打折活动。
用户:如何办理?
此时“如何办理”是用户产生的又一个第一语句。智能机器人接收后,可以按照上述方式确定出此第一语句中不含人称代词。接着,一种可选地方式,智能机器人会对第一语句的分词结果进行标记,以得到第一标记结果“#如何#办理#”,将此第一标记结果输入至分类模型,则分类模型会输出以下的分类序列“FFT”,则智能机器人就能够根据此分类序列确定出零代词的位置为“办理”之后。另一种可选地方式,智能机器人将第一语句按字进行划分,以得到“如何办理”,并将划分结果输入至序列标注模型中,此模型输出的标记序列为“OOOOB”,则智能机器人同样也能够根据此标记序列确定出零代词的位置为“办理”之后。
在确定出零代词的位置后,进一步地,智能机器人将第一语句标注为“如何办理pro”。则智能机器人再将此标记后的第一语句“如何办理pro”输入至阅读理解模型中,阅读理解模型输出一对开始位置和结束位置,并且这两个位置之间包含的指代内容为“商场会员卡”。进而,智能机器人将此指代内容补充到第一语句中,以形成第三语句“如何办理商场会员卡”,此时,智能机器人也即是完成了指代消解,第三语句中不包含省略关系。最后,智能机器人会确定第三语句的应答语句即第四语句为“请前往商场一楼的综合服务台办理商场会员卡”,也即是实现了人机的流程对话。上述过程可以借助图6b来理解。
除了上述的银行、商场场景外,智能机器人可以应用于医院场景中。则结合附图7a、附图7b以及医院场景对以上提供的人机交互方法的具体实现进行示例性说明。
在医院场景中,诸如服务机器人等的智能机器人可以设置于医院一楼大厅处。用户进入医院并存在咨询需求时,用户和智能机器人可以会发生以下对话:
用户:请问皮肤科在几楼?
智能机器人:皮肤科在三楼。
用户:今天在岗的主治医师有谁?
此时“今天在岗的主治医师是谁”是用户产生的一个第一语句。智能机器人接收后,可以对此第一语句进行分词处理,以得到分词结果“今天在岗的主治医师有谁”,并对其进行词性标注,标记结果可以为“今天[N]在岗[N]的[AUX]主治[N]医师[N]有[V]谁[N]”。进一步地,再将此标记结果和人称词典中记录的人称代词进行比对,从而确定出第一语句中不包括第三人称代词。
接着,一种可选地方式,智能机器人会对第一语句的分词结果进行标记,以得到第一标记结果“#今天#在岗#的#主治#医师#有#谁#”,将此第一标记结果输入至分类模型,则分类模型会输出以下的分类序列“TFFFFFFF”,则智能机器人就能够根据此分类序列确定出零代词的位置为“今天”之前。另一种可选地方式,智能机器人将第一语句按字进行划分,以得到“今天在岗的主治医师有谁”,并将划分结果输入至序列标注模型中,此模型输出的标记序列为“BOOOOOOOOOOO”,则智能机器人同样也能够根据此标记序列确定出零代词的位置为“今天”之前。
在确定出零代词的位置后,进一步地,智能机器人将第一语句标注为“pro今天在岗的主治医师有谁”。则智能机器人再将此标记后的第一语句“pro今天在岗的主治医师有谁”输入至阅读理解模型中,阅读理解模型输出一对开始位置和结束位置,并且这两个位置之间包含的指代内容为“皮肤科”。进而,智能机器人将此指代内容补充到第一语句中,以形成第三语句“皮肤科今天在岗的主治医师有谁”,此时,智能机器人也即是完成了指代消解,第三语句中不包含省略关系。最后,智能机器人会确定第三语句的应答语句即第四语句为“今天皮肤科的主治医师有张三”,也即是实现了人机的流程对话。上述过程可以借助图7a来理解。
此时,用户与智能机器人发生的对话会累积为:
用户:请问皮肤科在几楼?
智能机器人:皮肤科在三楼。
用户:今天在岗的主治医师有谁?
智能机器人:今天皮肤科的主治医师有张三。
用户:他当前有几位病人?
此时,智能机器人接收到的又一个第一语句为“他当前有几位病人”,然后,智能机器人再对此第一语句进行分词处理,以得到分词结果“他当前有几位病人”,并对其进行词性标注,标记结果可以为“他[PRON]当前[N]有[V]几位[N]病人[N]”。进一步地,再将此标记结果和人称词典中记录的人称代词进行比对,从而确定出第一语句中包括第三人称代词,则第一语句被标记为“pro当前有几位病人”,其中,pro为预设的特殊标识,用以表明代词的位置。
进而,智能机器人将标记后的第一语句以及第一语句之前的产生的“请问皮肤科在几楼”、“皮肤科在三楼”、“今天在岗的主治医师有谁”以及“今天皮肤科的主治医师有张三”即第二语句一并输入至阅读理解模型中,并根据模型输出的开始位置和结束位置确定出第三人称代词的指代内容为“张三”,指代内容会被补充至第一语句中,以形成第三语句“张三当前有几位病人”。最后,智能机器人再利用自身配置的对话数据库确定出第三语句的应答语句即第四语句“张三当前有两位病人”此时,也即是完成了顺畅的人机对话。上述过程可以借助图7b来理解。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种人机交互方法,其特征在于,所述方法包括:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
2.根据权利要求1所述的方法,其特征在于,所述标记所述第一语句中包含的代词位置,包括:
对所述第一语句进行分词处理,以得到分词结果;
根据所述分词结果,对所述第一语句中的零代词候选位置进行标记,以得到第一标记结果;
将所述第一标记结果输入至分类模型,以使所述分类模型对所述零代词候选位置是否能够插入零代词进行分类,输出分类结果;
根据由所述分类结果组成的分类序列对所述第一语句中包含的零代词位置进行标记。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一语句进行分词处理,以得到分词结果之后,所述方法还包括:
对所述分词结果进行词性标记,以得到第二标记结果;
将所述第二标记结果与人称词典中的人称代词进行比对,以对所述第一语句中包含的人称代词的位置进行标记。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若比对结果表明所述第一语句中包含的人称代词为第三人称代词,则根据所述第二标记结果对所述第三人称代词进行标记;
若所述比对结果表明所述第一语句中包含的人称代词不是第三人称代词,则对所述第一语句中包含的零代词进行标记。
5.根据权利要求1所述的方法,其特征在于,所述标记所述第一语句中包含的代词位置,包括:
将对应于所述第一语句的划分处理结果输入至序列标记模型;
根据所述序列标记模型输出的标记序列对所述第一语句中包含的零代词位置进行标记。
6.根据权利要求1所述的方法,其特征在于,所述将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取指代内容,包括:
将标记后所述第一语句和第二语句输入到阅读理解模型中,以使所述阅读理解模型在所述第二语句中确定起始位置和结束位置;
根据所述起始位置和所述结束位置,从所述第二语句中获取所述指代内容。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述起始位置和所述结束位置为空,则确定根据所述第一语句确定用于应答所述第一语句的第五语句。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述输出用于应答所述第三语句的第四语句,包括:
分别对所述第三语句进行语义识别;
根据所述识别结果在对话数据库中确定用于应答所述第三语句的所述第四语句。
9.一种人机交互装置,其特征在于,包括:
接收模块,用于接收第一语句;
位置标记模块,用于标记所述第一语句中包含的代词位置;
输入模块,用于将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
补充模块,用于根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出模块,用于输出用于应答所述第三语句的第四语句。
10.一种智能机器人,其特征在于,包括:处理器和存储器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
11.一种存储计算机指令的计算机可读存储介质,其特征在于,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器至少执行以下的动作:
接收第一语句;
标记所述第一语句中包含的代词位置;
将标记后的第一语句以及在所述第一语句之前产生的第二语句输入到阅读理解模型中,以通过所述阅读理解模型从所述第二语句中获取到指代内容;
根据所述代词位置以及所述指代内容对所述第一语句进行补充,以得到第三语句;
输出用于应答所述第三语句的第四语句。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113953.8A CN112800189A (zh) | 2019-11-14 | 2019-11-14 | 人机交互方法、装置、智能机器人和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113953.8A CN112800189A (zh) | 2019-11-14 | 2019-11-14 | 人机交互方法、装置、智能机器人和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800189A true CN112800189A (zh) | 2021-05-14 |
Family
ID=75804063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113953.8A Pending CN112800189A (zh) | 2019-11-14 | 2019-11-14 | 人机交互方法、装置、智能机器人和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800189A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661096A (zh) * | 2022-03-25 | 2022-06-24 | 陆明杰 | 智慧城市的公共服务信息处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589844A (zh) * | 2015-12-18 | 2016-05-18 | 北京中科汇联科技股份有限公司 | 一种用于多轮问答系统中缺失语义补充的方法 |
CN106649825A (zh) * | 2016-12-29 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 语音交互系统及其创建方法和装置 |
CN106776570A (zh) * | 2016-12-27 | 2017-05-31 | 竹间智能科技(上海)有限公司 | 一种人称标注方法 |
CN108549662A (zh) * | 2018-03-16 | 2018-09-18 | 北京云知声信息技术有限公司 | 多轮会话中语义解析结果的补充消解方法及装置 |
CN109165386A (zh) * | 2017-08-30 | 2019-01-08 | 哈尔滨工业大学 | 一种中文零代词消解方法及系统 |
CN109471919A (zh) * | 2018-11-15 | 2019-03-15 | 北京搜狗科技发展有限公司 | 零代词消解方法及装置 |
CN109830231A (zh) * | 2018-12-17 | 2019-05-31 | 北京百度网讯科技有限公司 | 会话处理方法、装置和存储介质 |
-
2019
- 2019-11-14 CN CN201911113953.8A patent/CN112800189A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589844A (zh) * | 2015-12-18 | 2016-05-18 | 北京中科汇联科技股份有限公司 | 一种用于多轮问答系统中缺失语义补充的方法 |
CN106776570A (zh) * | 2016-12-27 | 2017-05-31 | 竹间智能科技(上海)有限公司 | 一种人称标注方法 |
CN106649825A (zh) * | 2016-12-29 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 语音交互系统及其创建方法和装置 |
CN109165386A (zh) * | 2017-08-30 | 2019-01-08 | 哈尔滨工业大学 | 一种中文零代词消解方法及系统 |
CN108549662A (zh) * | 2018-03-16 | 2018-09-18 | 北京云知声信息技术有限公司 | 多轮会话中语义解析结果的补充消解方法及装置 |
CN109471919A (zh) * | 2018-11-15 | 2019-03-15 | 北京搜狗科技发展有限公司 | 零代词消解方法及装置 |
CN109830231A (zh) * | 2018-12-17 | 2019-05-31 | 北京百度网讯科技有限公司 | 会话处理方法、装置和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661096A (zh) * | 2022-03-25 | 2022-06-24 | 陆明杰 | 智慧城市的公共服务信息处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jokinen et al. | Spoken dialogue systems | |
Feine et al. | Measuring service encounter satisfaction with customer service chatbots using sentiment analysis | |
WO2020253362A1 (zh) | 基于情绪分析的业务处理方法、装置、设备及存储介质 | |
CN108597519B (zh) | 一种话单分类方法、装置、服务器和存储介质 | |
McTear et al. | The conversational interface | |
US20190332680A1 (en) | Multi-lingual virtual personal assistant | |
US11494161B2 (en) | Coding system and coding method using voice recognition | |
Oviatt et al. | Designing the user interface for multimodal speech and pen-based gesture applications: State-of-the-art systems and future research directions | |
CN109643331A (zh) | 通过利用现有内容使自然语言任务/对话创作自动化 | |
US20070074114A1 (en) | Automated dialogue interface | |
CN108475190A (zh) | 为第三方体验创作的自然语言任务完成平台 | |
CN111651571B (zh) | 基于人机协同的会话实现方法、装置、设备及存储介质 | |
CN110147549A (zh) | 用于执行文本纠错的方法和系统 | |
CN110073349A (zh) | 考虑频率和格式化信息的词序建议 | |
US9569701B2 (en) | Interactive text recognition by a head-mounted device | |
CN109543021B (zh) | 一种面向智能机器人的故事数据处理方法及系统 | |
US20150186354A1 (en) | Method for analyzing emotion based on messenger conversation | |
CN110223134B (zh) | 基于语音识别的产品推荐方法及相关设备 | |
Griol et al. | Modeling the user state for context-aware spoken interaction in ambient assisted living | |
CN110399473B (zh) | 为用户问题确定答案的方法和装置 | |
CN112800189A (zh) | 人机交互方法、装置、智能机器人和存储介质 | |
CN116662496A (zh) | 信息抽取方法、训练问答处理模型的方法及装置 | |
CN114860910A (zh) | 智能对话方法及系统 | |
Avishka et al. | A novel conceptual chatbot architecture for the sinhala language–a case study on food ordering scenario | |
CN113836932A (zh) | 交互方法、装置和系统,以及智能设备 |
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 |