CN112836028A - 一种基于机器学习的多轮对话方法及系统 - Google Patents

Abstract

本发明公开了一种基于机器学习的多轮对话方法及系统，方法包括：获得第一游客的第一输入信息和第一定位信息；对所述第一输入信息进行预处理，获得第一对话特征词，进而识别所述第一游客的第一需求信息；从而根据所述第一需求信息和预设答复信息库，获得第一答复信息，根据所述第一答复信息，获得所述第一游客的第一反馈信息；将所述第一反馈信息和历史对话信息输入神经网络模型中，获得所述第一游客的第一意图信息；根据所述第一意图信息和第一调整规则，获得第二答复信息。解决了现有技术中存在多轮对话答复内容考虑不全面的技术问题。

Description

一种基于机器学习的多轮对话方法及系统

技术领域：

本发明涉及人机对话相关领域，尤其涉及一种基于机器学习的多轮对话方法及系统。

背景技术：

随着互联网和社交媒体的快速发展，人机对话能够让机器通过人类语言与人进行交互在生活中发挥着广泛作用，因其在虚拟助手和社交聊天机器人等领域的商业价值而广受学术界和工业界的关注。同时也可以解决用户的交流需求，降低企业为用户提供服务的成本。因此聊天机器人成为当下的热点研究之一。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中存在多轮对话答复内容考虑不全面的技术问题。

发明内容：

本申请实施例通过提供一种基于机器学习的多轮对话方法及系统，解决了现有技术中存在多轮对话答复内容考虑不全面的技术问题，达到了根据用户个性化信息准确进行答复，提高多轮对话答复质量的技术效果。

鉴于上述问题，提出了本申请实施例提供一种基于机器学习的多轮对话方法及系统。

第一方面，本申请实施例提供了一种基于机器学习的多轮对话方法，其中，所述方法应用于多轮对话管理系统，所述系统与一移动设备相连，所述方法包括：获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；对所述第一输入信息进行预处理，获得第一对话特征词；根据所述第一对话特征词，识别所述第一游客的第一需求信息；根据所述第一需求信息和预设答复信息库，获得第一答复信息；根据所述第一答复信息，获得所述第一游客的第一反馈信息；将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；根据所述第一意图信息和第一调整规则，获得第二答复信息。

另一方面，本申请还提供了一种基于机器学习的多轮对话系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；第二获得单元，所述第二获得单元用于对所述第一输入信息进行预处理，获得第一对话特征词；第一识别单元，所述第一识别单元用于根据所述第一对话特征词，识别所述第一游客的第一需求信息；第三获得单元，所述第三获得单元用于根据所述第一需求信息和预设答复信息库，获得第一答复信息；第四获得单元，所述第四获得单元用于根据所述第一答复信息，获得所述第一游客的第一反馈信息；第一输入单元，所述第一输入单元用于将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；第五获得单元，所述第五获得单元用于获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；第六获得单元，所述第六获得单元用于根据所述第一意图信息和第一调整规则，获得第二答复信息。

第三方面，本发明提供了一种基于机器学习的多轮对话系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过对所述的第一游客的第一输入信息进行预处理，从而获得第一对话特征词，并对第一对话特征词进行识别出所述第一游客的第一需求信息，再通过预设答复信息库获得第一答复信息，基于多轮对话的特征，将所述第一游客根据所述第一答复信息获得的第一反馈信息和历史对话信息输入到神经网络模型中，从而得出所述第一意图信息，并按照调整规则对输出信息进行调整，进而获得第二答复信息的方式，达到了根据用户个性化信息准确进行答复，提高多轮对话答复质量的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明：

图1为本申请实施例一种基于机器学习的多轮对话方法的流程示意图。

图2为本申请实施例一种基于机器学习的多轮对话系统的结构示意图；图中，11代表第一获得单元，12代表第二获得单元，13代表第一识别单元，14代表第三获得单元，15代表第四获得单元，16代表第一输入单元，17代表第五获得单元，18代表第六获得单元。

图3为本申请实施例示例性电子设备的结构示意图；300代表总线，301代表接收器，302代表处理器，303代表发送器，304代表存储器，306代表总线接口。

具体实施方式：

本申请实施例通过提供一种基于机器学习的多轮对话方法及系统，解决了现有技术中存在多轮对话答复内容考虑不全面的技术问题，达到了根据用户个性化信息准确进行答复，提高多轮对话答复质量的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

随着互联网和社交媒体的快速发展，人机对话能够让机器通过人类语言与人进行交互在生活中发挥着广泛作用，因其在虚拟助手和社交聊天机器人等领域的商业价值而广受学术界和工业界的关注。同时也可以解决用户的交流需求，降低企业为用户提供服务的成本。因此聊天机器人成为当下的热点研究之一。但现有技术中存在多轮对话答复内容考虑不全面的技术问题

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例提供了一种基于机器学习的多轮对话方法，其中，其中，所述方法应用于多轮对话管理系统，所述系统与一移动设备相连，所述方法包括：获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；对所述第一输入信息进行预处理，获得第一对话特征词；根据所述第一对话特征词，识别所述第一游客的第一需求信息；根据所述第一需求信息和预设答复信息库，获得第一答复信息；根据所述第一答复信息，获得所述第一游客的第一反馈信息；将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；根据所述第一意图信息和第一调整规则，获得第二答复信息。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例1：

如图1所示，本申请实施例提供了一种基于机器学习的多轮对话方法，其中，所述方法应用于多轮对话管理系统，所述系统与一移动设备相连，所述方法包括：

步骤S100：获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；

具体而言，所述第一输入信息是多轮对话系统中所述第一游客的输入信息，所述第一定位信息为所述第一游客在进行对话时的初始位置信息，其中，所述多轮对话系统能够通过分析所述第一游客的位置信息，从而对所述第一游客所处的周围背景进行分析，为对话提供大量的话题线索，进而能够提供更准确、有效的语料信息进行答复；

步骤S200：对所述第一输入信息进行预处理，获得第一对话特征词；

步骤S300：根据所述第一对话特征词，识别所述第一游客的第一需求信息；

具体而言，对所述第一输入信息进行预处理的过程是指对所述第一用户的所述第一输入信息进行文本预处理的过程，将空格和与本系统涉及方面的文本进行删减，从而获得第一对话特征词的过程，其中，所述第一对话特征词为代表所述第一用户需求的第一特征词信息，提取出特征关键词，从而根据关键词判断所述第一游客的第一需求信息。其中，进行预处理的过程和识别需求信息的过程可以通过语言处理功能来实现；

步骤S400：根据所述第一需求信息和预设答复信息库，获得第一答复信息；

具体而言，所述预设答复信息库为所述敦伦对话系统在根据所述第一游客的第一需求进行答复检索的信息库。其中所述预设答复信息库包括第一预设答复信息库和第二预设答复信息库这两个信息库，其中，所述第一预设答复信息库为对话系统本身持有的标准库，所述第二预设答复信息库为根据所述第一游客信息生成的具有个性化的答复信息库，从而达到了根据用户个性化信息准确进行答复的效果；

步骤S500：根据所述第一答复信息，获得所述第一游客的第一反馈信息；

具体而言，所述第一反馈信息为所述第一游客根据所述第一答复信息进行第二次提问的信息，其中，由于多轮对话的过程是实现用户明确需要的必要信息的信息获取的过程，因此，对于所述第一游客的反馈信息也需要及时获得，从而分析游客的意图；

步骤S600：将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；

步骤S700：获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；

具体而言，所述神经网络模型是以神经元的数学模型为基础来描述的，将所述第一数量信息和第一付费信息输入神经网络模型中，通过大量训练数据的训练获得神经网络模型，进而输出所述第一游客的第一意图；进一步而言，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，且神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成；每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达。通过大量训练数据的训练，进而形成了神经网络模型的标准，能够输出准确、有效的信息；

更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一相似数量信息、所述第一付费信息和用来标识第一结果的标识信息，所述神经网络模型不断进行自我修正和调整，直至获得的输出结果与所述标识潜在价值的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习。当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束；通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而获得更加准确的输出信息，从而准确对数据进行分析，输出准确的所述第一意图。达到了提高多轮对话答复质量的技术效果；

步骤S800：根据所述第一意图信息和第一调整规则，获得第二答复信息；

具体而言，所述步骤具体为根据所述第一意图信息，输出第二预答复信息，再根据所述第一调整规则对所述第二预答复信息进行调整，从而获得所述第二答复信息，将所述第二答复信息发送给所述第一游客的过程；其中，所述第一调整规则为对所述第二预答复信息进行个性化调整，从而生成个性化回复的过程，进而达到提高多轮对话答复质量的技术效果。

进一步而言，所述根据所述第一需求信息和预设答复信息库，获得第一答复信息，本申请实施例步骤S400还包括：

步骤S410：判断所述第一输入信息是否为首轮提问信息；

步骤S420：若所述第一输入信息是首轮提问信息，将第一预设答复信息库设置为第一优先级；

步骤S430：若所述第一输入信息不是首轮提问信息，将第二预设答复信息库设置为第一优先级；

步骤S440：根据所述第一优先级对所述预设答复信息库进行检索，获得所述第一答复信息。

具体而言，所述首轮提问信息为所述第一游客和所述多轮对话系统进行提问的次数，通过判断所述第一输入信息是否为首轮提问信息，将所述多轮对话系统进行检索的信息库顺序也进行相应的调整，若所述第一输入信息不是首轮提问信息，将所述第二预设答复信息库设为第一检索顺序，所述第二预设答复信息库的优先级高于所述第一预设答复信息库，由于所述第二答复信息库是根据所述第一游客的答复特征生成的，从而实现了优先检索的功能，使得答复信息更加符合所述第一游客的意图，进而达到了提高多轮对话答复效率的技术效果。

进一步而言，所述判断所述第一输入信息是否为首轮提问信息之后，本申请实施例步骤S410还包括：

步骤S411：若所述第一输入信息不是首轮提问信息，获得所述第一游客的历史提问信息列表；

步骤S412：根据所述第一游客的所述历史提问信息列表，分析所述第一游客的提问习惯；

步骤S413：根据所述第一游客的提问习惯，生成第一对应答复信息列表；

步骤S414：将所述第一对应答复信息列表输入所述第二预设答复信息库。

具体而言，所述第二答复信息库是根据所述第一游客的答复特征生成的过程进一步而言，经判断若所述第一输入信息不是首轮提问信息，获得所述第一游客的历史体温信息列表，所述历史提问信息列表包括所述第一游客提问内容和提问特征词以及多轮对话的答复信息，从而对这些信息进行整理，得出所述第一游客进行多轮对话的提问习惯，根据游客的提问习惯对本次多轮对话过程进行预测，进而生成对应答复信息，再将这些答复信息输入到所述第二预设答复信息库中，使得再次检索的过程中，能够直接从对应答复信息中获取答复信息，从而达到了根据用户习惯预测答复内容，进而提高答复准确度的技术效果。

进一步而言，本申请实施例还包括：

步骤S910：获得所述第一游客的实时定位信息；

步骤S9120：判断所述第一游客的实时定位信息是否处于第一预定区域中；

步骤S930：若所述第一游客的所述实时定位信息不处于所述第一预定区域中，获得第二定位信息；

步骤S940：根据所述第二定位信息，将所述第二定位信息所包含的信息输入到第二预设答复信息库。

具体而言，所述实时定位信息为所述第一游客在对话的过程中的定位信息，由于游客在游览的过程中容易改变其定位，从而需要对所述第一游客进行实时定位，进而获得所述第二定位信息，其中，根据所述第二定位信息，再次判断所述第一游客所处的背景。由于背景知识能够为对话提供大量的话题线索，而检索式对话系统中候选回复的话题比较发散，不利于对话的深入，从而将该背景包含的语料信息输入到第二预设答复信息库中，这些特征性的语料信息有助于对话的进一步深入和扩展，其也能保证对话话题收敛性，进一步提高了多轮对话的质量。

进一步而言，所述根据所述第一意图信息和第一调整规则，获得第二答复信息，本申请实施例步骤S800还包括：

步骤S810：根据所述第一游客的历史位置信息，获得第一历史游览记录；

步骤S820：根据所述第一历史游览记录对所述第一游客已游览的景点进行标识，获得第一标识信息；

步骤S830：根据所述第一标识信息，生成第一剔除信息；

步骤S840：根据所述第一剔除信息，对所述第二预答复信息中的包含第一标识信息的信息进行剔除，获得第二答复信息。

具体而言，通过获得所述第一游客的历史浏览记录，从而标识已经浏览过的景点，进而将带有标识信息的景点相关信息进行剔除处理，也就是对所述第二预答复信息中的包含第一标识信息的信息进行剔除，获得第二答复信息，从而进一步精简所述多轮对话系统的检索库，提高所述多轮对话系统的答复效率，同时也保留了个性化特征。

进一步而言，所述根据所述第一意图信息和第一调整规则，获得第二答复信息，本申请实施例还包括：

步骤S850：获得所述第一游客的第一身份信息；

步骤S860：根据所述第一身份信息，获得所述第一游客的年龄信息；

步骤S870：获得第一备注信息；

步骤S880：若所述第一游客的年龄信息超过预设年龄阈值，将所述第一备注信息加入所述第二回复信息中。

具体而言，通过获得所述第一游客的第一年龄信息，从而设置所述预设年龄阈值，其中所述预设年龄阈值时根据相关景点的限制进行设置的，从而获得所述第一备注信息，所述第一备注时间为提醒所述第一游客的注意事项。经判断，若所述第一游客的年龄信息超过预设年龄阈值，进而将所述第一备注信息加入所述第二回复信息中，使得所述第二回复信息具有个性化特征，提高所述第一游客的对话满意度，进而达到了提高多轮对话答复质量的技术效果。

进一步而言，本申请实施例还包括：

步骤S1010：添加第一答复方式列表；

步骤S1020：根据所述第一游客的第一选择信息，获得第一答复方式；

步骤S1030：根据所述第一答复方式，生成对应的所述第二答复信息；

步骤S1040：通过第一移动设备，将所述第二答复信息发送给所述第一游客。

具体而言，通过在所述多轮对话系统中添加第一答复方式列表，从而使得所述第一答复信息具备特征性，经过所述第一游客的方式选择，对应将所述第二答复信息进行相应转换，再将转换后的信息发送给所述第一游客，从而获得更适合所述第一游客的回复。

进一步而言，本申请实施例还包括：

步骤S1110：根据所述第一游客的所述实时定位信息，获得第一景点信息；

步骤S1120：根据所述第一景点信息，获得第一注意事项列表；

步骤S1130：对所述第一注意事项列表进行划分，获得第二注意事项列表；

步骤S1140：将所述第二注意事项列表输入到所述第一备注信息中

具体而言，所述第一景点信息为所述第一游客游览的景点信息，进而获得所述第一景点中包括各娱乐设施或景点的各限制要求，进而获得所述第一景点中的第一注意事项列表，根据年龄阈值对其划分，进而获得划分后的所述第二注意事项列表，其中所述第一备注信息中包含此列表信息，达到了根据所述第一游客的特征信息，对应获得回复信息，提高回复质量的技术效果。

综上所述，本申请实施例所提供的一种基于机器学习的多轮对话方法及系统具有如下技术效果：

(一)由于采用了通过对所述的第一游客的第一输入信息进行预处理，从而获得第一对话特征词，并对第一对话特征词进行识别出所述第一游客的第一需求信息，再通过预设答复信息库获得第一答复信息，基于多轮对话的特征，将所述第一游客根据所述第一答复信息获得的第一反馈信息和历史对话信息输入到神经网络模型中，从而得出所述第一意图信息，并按照调整规则对输出信息进行调整，进而获得第二答复信息的方式，达到了根据用户个性化信息准确进行答复，提高多轮对话答复质量的技术效果。

(二)由于采用了将所述第一反馈信息和历史对话信息输入神经网络模型中，获得所述第一游客的第一意图信息，基于神经网络模型的监督学习的方式，进而使得所述神经网络模型处理所述输入信息更加准确，进而获得更加准确的意图，进而可获得所述第一游客准确的意图，提高多轮对话答复质量的技术效果。

实施例2：

基于与前述实施例中一种基于机器学习的多轮对话方法同样发明构思，本发明还提供了一种基于机器学习的多轮对话系统，如图2所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；

第二获得单元12，所述第二获得单元12用于对所述第一输入信息进行预处理，获得第一对话特征词；

第一识别单元13，所述第一识别单元13用于根据所述第一对话特征词，识别所述第一游客的第一需求信息；

第三获得单元14，所述第三获得单元14用于根据所述第一需求信息和预设答复信息库，获得第一答复信息；

第四获得单元15，所述第四获得单元15用于根据所述第一答复信息，获得所述第一游客的第一反馈信息；

第一输入单元16，所述第一输入单元16用于将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；

第五获得单元17，所述第五获得单元17用于获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；

第六获得单元18，所述第六获得单元18用于根据所述第一意图信息和第一调整规则，获得第二答复信息。

进一步的，所述系统还包括：

第一判断单元，所述第一判断单元用于判断所述第一输入信息是否为首轮提问信息；

第一设置单元，所述第一设置单元用于若所述第一输入信息是首轮提问信息，将第一预设答复信息库设置为第一优先级；

第一设置单元，所述第一设置单元用于若所述第一输入信息不是首轮提问信息，将第二预设答复信息库设置为第一优先级；

第七获得单元，所述第七获得单元用于根据所述第一优先级对所述预设答复信息库进行检索，获得所述第一答复信息。

进一步的，所述系统还包括：

第八获得单元，所述第八获得单元用于若所述第一输入信息不是首轮提问信息，获得所述第一游客的历史提问信息列表；

第一分析单元，所述第一分析单元用于根据所述第一游客的所述历史提问信息列表，分析所述第一游客的提问习惯；

第一生成单元，所述第一生成单元用于根据所述第一游客的提问习惯，生成第一对应答复信息列表；

第二输入单元，所述第二输入单元用于将所述第一对应答复信息列表输入所述第二预设答复信息库。

进一步的，所述系统还包括：

第九获得单元，所述第九获得单元用于获得所述第一游客的实时定位信息；

第二判断单元，所述第二判断单元用于判断所述第一游客的实时定位信息是否处于第一预定区域中；

第十获得单元，所述第十获得单元用于若所述第一游客的所述实时定位信息不处于所述第一预定区域中，获得第二定位信息；

第三输入单元，所述第三输入单元用于根据所述第二定位信息，将所述第二定位信息所包含的信息输入到第二预设答复信息库。

进一步的，所述系统还包括：

第十一获得单元，所述第十一获得单元用于根据所述第一游客的历史位置信息，获得第一历史游览记录；

第十二获得单元，所述第十二获得单元用于根据所述第一历史游览记录对所述第一游客已游览的景点进行标识，获得第一标识信息；

第二生成单元，所述第二生成单元用于根据所述第一标识信息，生成第一剔除信息；

第十三获得单元，所述第十三获得单元用于根据所述第一剔除信息，对第二预答复信息中的包含第一标识信息的信息进行剔除，获得第二答复信息。

进一步的，所述系统还包括：

第十四获得单元，所述第十四获得单元用于获得所述第一游客的第一身份信息；

第十五获得单元，所述第十五获得单元用于根据所述第一身份信息，获得所述第一游客的年龄信息；

第十六获得单元，所述第十六获得单元用于获得第一备注信息；

第一添加单元，所述第一添加单元用于若所述第一游客的年龄信息超过预设年龄阈值，将所述第一备注信息加入所述第二回复信息中。

进一步的，所述系统还包括：

第二添加单元，所述第二添加单元用于添加第一答复方式列表；

第十七获得单元，所述第十八获得单元用于根据所述第一游客的第一选择信息，获得第一答复方式；

第三生成单元，所述第三生成单元用于根据所述第一答复方式，生成对应的所述第二答复信息；

第一发送单元，所述第一发送单元用于通过第一移动设备，将所述第二答复信息发送给所述第一游客。

前述图1实施例一中的一种基于机器学习的多轮对话方法的各种变化方式和具体实例同样适用于本实施例的一种基于机器学习的多轮对话系统，通过前述对一种基于机器学习的多轮对话方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于机器学习的多轮对话系统的实施方法，所以为了说明书的简洁，在此不再详述。

示例性电子设备：

下面参考图3来描述本申请实施例的电子设备。

图3图示了根据本申请实施例的电子设备的结构示意图。

基于与前述实施例中一种基于机器学习的多轮对话方法的发明构思，本发明还提供一种基于机器学习的多轮对话系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于机器学习的多轮对话方法的任一方法的步骤。

其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本发明实施例提供的一种基于机器学习的多轮对话方法，其中，所述方法应用于多轮对话管理系统，所述系统与一移动设备相连，所述方法包括：获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；对所述第一输入信息进行预处理，获得第一对话特征词；根据所述第一对话特征词，识别所述第一游客的第一需求信息；根据所述第一需求信息和预设答复信息库，获得第一答复信息；根据所述第一答复信息，获得所述第一游客的第一反馈信息；将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；根据所述第一意图信息和第一调整规则，获得第二答复信息。解决了现有技术中存在多轮对话答复内容考虑不全面的技术问题，达到了根据用户个性化信息准确进行答复，提高多轮对话答复质量的技术效果。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于机器学习的多轮对话方法，所述方法应用于多轮对话系统，所述系统与一移动设备相连，所述多轮对话方法包括：

S100：获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；

S200：对所述第一输入信息进行预处理，获得第一对话特征词；

S300：根据所述第一对话特征词，识别所述第一游客的第一需求信息；

S400：根据所述第一需求信息和预设答复信息库，获得第一答复信息；

S500：根据所述第一答复信息，获得所述第一游客的第一反馈信息；

S600：将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；

S700：获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；

S800：根据所述第一意图信息和第一调整规则，获得第二答复信息。

2.如权利要求1所述一种基于机器学习的多轮对话方法，其特征在于，所述步骤S400的具体过程还包括：

S410：判断所述第一输入信息是否为首轮提问信息；

S420：若所述第一输入信息是首轮提问信息，将第一预设答复信息库设置为第一优先级；

S430：若所述第一输入信息不是首轮提问信息，将第二预设答复信息库设置为第一优先级；

S440：根据所述第一优先级对所述预设答复信息库进行检索，获得所述第一答复信息。

3.如权利要求2所述一种基于机器学习的多轮对话方法，其特征在于，所述步骤S410还包括：

步骤S411：若所述第一输入信息不是首轮提问信息，获得所述第一游客的历史提问信息列表；

步骤S412：根据所述第一游客的所述历史提问信息列表，分析所述第一游客的提问习惯；

步骤S413：根据所述第一游客的提问习惯，生成第一对应答复信息列表；

步骤S414：将所述第一对应答复信息列表输入所述第二预设答复信息库。

4.如权利要求1所述一种基于机器学习的多轮对话方法，其特征在于，还包括：

步骤S910：获得所述第一游客的实时定位信息；

步骤S9120：判断所述第一游客的实时定位信息是否处于第一预定区域中；

步骤S930：若所述第一游客的所述实时定位信息不处于所述第一预定区域中，获得第二定位信息；

步骤S940：根据所述第二定位信息，将所述第二定位信息所包含的信息输入到第二预设答复信息库。

5.如权利要求1所述一种基于机器学习的多轮对话方法，其特征在于，所述步骤S800还包括：

步骤S810：根据所述第一游客的历史位置信息，获得第一历史游览记录；

步骤S820：根据所述第一历史游览记录对所述第一游客已游览的景点进行标识，获得第一标识信息；

步骤S830：根据所述第一标识信息，生成第一剔除信息；

步骤S840：根据所述第一剔除信息，对所述第二预答复信息中的包含第一标识信息的信息进行剔除，获得第二答复信息。

6.如权利要求1所述一种基于机器学习的多轮对话方法，其特征在于，所述步骤S800还包括：

步骤S850：获得所述第一游客的第一身份信息；

步骤S860：根据所述第一身份信息，获得所述第一游客的年龄信息；

步骤S870：获得第一备注信息；

步骤S880：若所述第一游客的年龄信息超过预设年龄阈值，将所述第一备注信息加入所述第二回复信息中。

7.如权利要求1所述一种基于机器学习的多轮对话方法，其特征在于，还包括：

步骤S1010：添加第一答复方式列表；

步骤S1020：根据所述第一游客的第一选择信息，获得第一答复方式；

步骤S1030：根据所述第一答复方式，生成对应的所述第二答复信息；

步骤S1040：通过第一移动设备，将所述第二答复信息发送给所述第一游客。

8.一种基于机器学习的多轮对话系统，其特征在于，所述系统包括：

第一获得单元，所述第一获得单元用于获得第一游客的第一输入信息和第一定位信息，其中所述第一输入信息为所述第一游客在对话过程的提问信息；

第二获得单元，所述第二获得单元用于对所述第一输入信息进行预处理，获得第一对话特征词；

第一识别单元，所述第一识别单元用于根据所述第一对话特征词，识别所述第一游客的第一需求信息；

第三获得单元，所述第三获得单元用于根据所述第一需求信息和预设答复信息库，获得第一答复信息；

第四获得单元，所述第四获得单元用于根据所述第一答复信息，获得所述第一游客的第一反馈信息；

第一输入单元，所述第一输入单元用于将所述第一反馈信息和历史对话信息输入神经网络模型中，所述神经网络模型是通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一反馈信息、所述历史对话信息和用来标识第一结果的标识信息；

第五获得单元，所述第五获得单元用于获得所述神经网络模型的输出信息，其中，所述输出信息包括所述第一结果，其中，所述第一结果为第一意图信息；

第六获得单元，所述第六获得单元用于根据所述第一意图信息和第一调整规则，获得第二答复信息。

9.一种基于机器学习的多轮对话系统，其特征在于，所述系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。

Images