CN112988987A - 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
- CN112988987A CN112988987A CN201911296926.9A CN201911296926A CN112988987A CN 112988987 A CN112988987 A CN 112988987A CN 201911296926 A CN201911296926 A CN 201911296926A CN 112988987 A CN112988987 A CN 112988987A
- Authority
- CN
- China
- Prior art keywords
- sentence
- main body
- statement
- corpus
- question
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004044 response Effects 0.000 claims abstract description 49
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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:对于接收到的第一语句,智能机器人会从对话语料库中确定出与其匹配且缺省主体的第二语句;然后,再判断此第二语句对应的语句主体在上文中出现的次数是否符合要求;若出现的次数符合要求,则在对话语料库中确定与第二语句对应的应答语句,并将此应答语句作为第一语句的应答语句。可见,上述方案实际上是一个根据缺省主体的语句确定应答语句的方案,此方案中并不存在语句补全的过程,也就能避免出现因补全错误而导致得到错误的应答语句的情况,从而提高应答语句的准确性,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,从而使得用户产生的对话语句存在缺省。在这种情况下,智能机器人就需要结合对话的上下文内容来确定用户产生的对话语句中缺省的内容,并利用此却省的内容将用户产生的对话语句补全,最终,再对补全后的对话语句进行应答,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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
本发明实施例提供一种人机交互装置,包括:
接收模块,用于接收用户输入的第一语句;
第一模块,用于在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
第二确定模块,用于若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
响应模块,用于若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
在本发明实施例中,智能机器人接收用户输入的第一语句,然后,从预先建立的对话语料库中确定是否存在与第一语句匹配的第二语句。若存在与第一语句匹配的第二语句,则确定此第二语句对应的语句主体在上文中出现的次数是否符合要求。其中,匹配到的第二语句是缺省主体的语句,上述的上文是指在第一语句之前产生的语句。若第二语句的语句主体在上文中出现的次数符合要求,则进一步在对话语料库中确定与第二语句对应的应答语句。由于第一语句和第二语句是匹配的,因此,此第二语句的应答语句也可以认为是第一语句的应答语句,此时也即是实现了正常的人机交互。
上述方案实际上是先在对话语料库中找到与第一语句匹配且存在主体缺省的第二语句,再根据此存在缺省的第二语句确定第一语句的应答语句的方案,也即是一个根据缺省主体的语句确定应答语句的方案。与背景技术中提及的根据补全的语句确定应答语句的方式相比,本方案中不存在语句补全的过程,也就能避免出现因补全错误而导致得到错误的应答语句的情况,从而提高应答语句的准确性,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2为本发明实施例提供的另一种人机交互方法的流程图;
图3为本发明实施例提供的一种第二语句确定方式的流程图;
图4为本发明实施例提供的一种第四语句确定方式的流程图;
图5为本发明实施例提供的又一种人机交互方法的流程图;
图6为本发明实施例提供的又一种人机交互方法的流程图;
图7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8为与图7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9a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9b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10a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10b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。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会发生以下对话:
用户:什么是ETC。
智能机器人:ETC是不停车电子收费系统,专享ETC专用车道,走ETC通道过高速不用排队。
用户:怎么办理?
在上述对话中,语句“怎么办理”中存在用户下意识省略的内容即此语句缺省主体“ETC”。此种情况下,则可以使用本发明下述各实施例提供的人机交互方法。
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。
下面结合以下的各实施例对本发明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。
下述的各实施例是以智能机器人为执行主体进行描述的,当然本发明并不对执行主体进行限定。
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、接收用户输入的第一语句。
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,可选地,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。在实际应用中,用户输入的第一语句通常是一个问题语句。
在不同的使用场景中,用户产生的第一语句的内容也是多样的。比如当用户想要询问医院中科室I的位置时,可以对智能机器人发出“科室I在几楼”这样的第一语句。当用户在银行办理业务时,可以对智能机器人发出“如何办理银行卡”这样的第一语句。
102、在对话语料库中确定是否存在与第一语句匹配的第二语句,第二语句中缺省主体。
在详细描述第二语句的确定过程之前,可以先对预先建立的对话语料库进行介绍:
对话语料库中可以包括多个问答对。可选地,问答对可以表现为:第一形式的问题语句—应答语句,此第一形式的问题语句是包含主体的问题语句。可选地,问答对的还可以表现为:第二形式的问题语句—应答语句,此第二形式的问题语句是缺省主体的问题语句,并且每个第二形式的问题语句对应的主体也包含于对话语料库中。可见,第二形式的问题语句与其对应的主体组合后即为第一形式的问题语句。
承接上述银行场景的举例,对话语料库中的第一形式的问题语句A:“如何办理ETC”,对话语料库中还可以存在第二形式的问题语句A’:“如何办理”,在对话语料库中还存在与此问题语句A’对应的主体为:“ETC”。并且将问题语句A’以及其对应的主体组合后即可得到问题语句A。由于上述的问题语句A和问题语句A’对应于相同的主体,因此,二者也对应于同一应答语句。
对话语料库中包括的内容可以包括如下表1所示。
表1
基于上述的对话语料库,在得到第一语句后,智能机器人则可以在对话语料库中确定与第一语句匹配的第二语句。可选地,第一语句和第二语句之间的匹配具体可以体现语义相似度。
对于第二语句的确定方式,一种可选地方式,智能机器人可以先对第一语句和对话语料库包含的问题语句进行字词划分,此处的字词划分既可以是以字为单位进行的划分,也可以是对语句的分词处理。基于划分结果,可以再依次计算第一语句与对话语料库中的各问题语句之间的文字重合率。此文字重合率实际上使用间接体现语句之间的语义相似度的方式,文字重合率越高,语句之间的语义相似度越高。
通过上述计算,每个问题语句都会对应于一个文字重合率,则最常见一种的方式,可以将文字重合率大于或等于预设阈值的问题语句确定为第二语句。在实际应用中,文字重合率是一个0~1之间的数值,则确定第二语句时使用的预设阈值可以设置为一个较大的数值,比如0.8,使其形成一个较为严苛的搜索条件,这样确定出的第二语句均与第一语句具有较高文字重合度。
正是由于第二语句的确定依据是文字重合率,因此,当第一语句缺省主体时,与此第一语句匹配的第二语句也是缺省主体的。当第一语句包含主体时,则与第一语句匹配的语句也是包含主体语句,也即是下述实施例中的第四语句。
103、若存在第二语句,则确定第二语句对应的主体在第一语句的上文中的出现次数是否符合要求。
智能机器人在得到第二语句的同时,也就可以通过查询的方式得到此第二语句对应的主体。进一步地,再统计第二语句对应的主体在上文中的出现次数。这里提及的“上文”可选地,可以是在第一语句之前出现的所有对话语句。但从对话内容的相关性来考虑,也可以是在第一语句之前的一轮对话或几轮对话。其中,一轮对话可以由用户产生的一个问题语句和智能机器人产生的一个应答语句构成。
然后,智能机器人可以判断第二语句对应的主体的出现次数是否符合要求。在实际应用中,第二语句与第一语句的文字重合率也即是相似度是满足预设阈值的,并且第二语句通常为至少一个,每个第二语句都对应一个出现次数。
可选地在至少一个第二语句各自对应的出现次数中,最大的出现次数即为符合要求的出现次数。上述判断出现次数是否符合要求可以理解为判断第二语句对应的主体与上文之间的语义关联性,出现次数越多,表明语义关联性越强。
104、若出现次数符合要求,则以对话语料库中与第二语句对应的应答语句响应第一语句。
由于用户产生的第一语句往往都与上文具有较强的语义关联性,因此,若第二语句对应的主体在上文中的出现次数符合要求,表明此第二语句与上文的语义关联性较好,也就表明其与第一语句也具有较好的语义相关性,则智能机器人便可以进一步从对话语料库中确定此第二语句对应的应答语句。由于第二语句与第一语句是匹配的,二者特别是在语义上匹配的,因此,第二语句对应的应答也可以认为是第一语句的应答语句。最后,智能机器人可以将此第一语句的应答语句输出给用户,也即是完成人机之间的交互。
在本实施例中,接收用户输入的第一语句后,智能机器人可以在对话语料库中确定出与第一语句匹配的并且缺省主体的第二语句。若此第二语句对应的语句主体在上文中出现的次数符合要求,则进一步在对话语料库中确定与第二语句对应的应答语句。由于第一语句和第二语句是匹配的,因此,此第二语句的应答语句也可以认为是第一语句的应答语句,此时也即是实现了正常的人机交互。本实施例提供的方案中,不存在语句补全的过程,也就避免出现因补全错误而导致得到错误的应答语句的情况,从而提高应答语句的准确性,保证人机对话的流畅性。
在实际应用中,智能机器人接收到的第一语句中有可能缺省主体也有可能包含主体。并且对话语料库中既包括包含主体的第一形式的问题语句,又包括缺省主体的第二形式的问题语句。对于第一语句缺省主体或者包含主体这两种情况,一种最佳的方式,智能机器人可以执行不同的人机交互方法来得到第一语句的应答语句,也即是实现了人机交互。
基于上述描述,图2为本发明实施例提供的另一种人机交互方法的流程图,如图2所示,该方法可以包括如下步骤:
201、接收用户输入的第一语句。
上述步骤201的执行过程与前述实施例的相应步骤相似,可以参见如图1所示实施例中的相关描述,在此不再赘述。
202、确定第一语句是否为缺省主体的语句,若是缺省主体的语句,则执行步骤203~步骤205,否则,执行步骤206~步骤207。
对于语句是否缺省主体的判断,一种可选地方式,智能机器人先可以对第一语句进行语法分析,以得到第一语句中各词语的词性。当第一语句中包括代词时,确定第一语句是缺省主体的语句。当第一语句中不包括名词时,确定第一语句是缺省主体的语句。其余情况,便都可以认为第一语句中包含主体。
另一种可选地方式,智能机器人还可以将接收到的第一语句输入至自身配置的分类器中,以通过分类器来对第一语句是否缺省主体进行识别。举例来说,当分类器输出结果为0时,认为第一语句不存在主体缺省也即是包含主体;当输出结果为1,认为第一语句存在主体缺省。
其中,可选地,上述的分类器具体可以为基于卷积神经网络(ConvolutionalNeural Networks,简称CNN)的分类器、可以为基于循环神经网络(Recurrent NeuralNetwork,简称RNN)的分类器,也可以为基于支持向量机(Support Vector Machine,简称SVM)的分类器等等。
203、在对话语料库中确定是否存在与第一语句匹配的第二语句,第二语句中缺省主体。
204、若存在第二语句,则确定第二语句对应的主体在第一语句的上文中的出现次数是否符合要求。
205、若出现次数符合要求,则以对话语料库中与第二语句对应的应答语句响应第一语句。
上述步骤203~205的执行过程与前述实施例的相应步骤相似,可以参见如图1所示实施例中的相关描述,在此不再赘述。
206、在对话语料库中确定与第一语句匹配的第四语句,第四语句中包括主体。
若智能机器人确出第一语句包含主体,则智能机器人可以通过以下方式确定与第一语句匹配的第四语句。
一种可选地方式,第一语句和第四语句之间的匹配可以体现为语义相似度。此种情况下,对于由第一语句和对话语料库中的问题语句组成的语句对,智能机器人可以依次将语句对依次输入语义匹配模型中,以由语义匹配模型为每个语句对输出一个0~1之间的分值。此分值直接表示一个语句对中两个句子之间的语义相似度的高低。智能机器人可以将语义相似度大于或等于阈值的问题语句确定为第四语句。另外,智能机器人同样也能够借助语义匹配模型来确定出第二语句。
实际应用中,为了提高语义匹配模型的判别能力,在进行模型训练使用的训练样本可以具有以下特点:对于语义相同的语句对,使用大量在字面上差距较大的句子,对于语义不同的语句对,使用大量在字面上比较接近的句子。
另一种可选地方式,第一语句和第四语句之间的匹配也可以体现为文字重合率,此文字重合率也能够间接反映语义相似度。此种情况下,智能机器人依次计算第一语句与对话语料库中的各问题语句之间的文字重合率。最常见一种的方式,可以将文字重合率大于或等于预设阈值的问题语句确定为第四语句。此种方式的详细描述还可以参见图1所示实施例步骤102中的相关描述,在此不再赘述。
无论使用哪种方式,由于此时第一语句是包含主体的语句,因此,确定出的第四语句也会是包含主体的语句即第一形式的问题语句。
207、以对话语料库中与第四语句对应的应答语句响应第一语句。
最后,智能机器人在得到第四语句后,便可以从对话语料库中找到与此第四语句对应的应答语句,此应答语句也即是第一语句的应答语句。智能机器人将其输出后,从而实现了人机交互。
需要说明的有,当第四语句有多个时,则可以将具有最高文字重合度或者将语义匹配模型输出分值最高的第四语句确定为目标第四语句,并将目标第四语句对应的应答语句确定为第一语句的应答语句。
本实施例中,智能机器人在接收到第一语句后,会先判断第一语句中是否缺省主体。若第一语句包含主体,则智能机器人可以得到与其匹配的且同样包含主体的第四语句。由于第四语句不存在缺省,能够完整表达意思,因此,智能机器人可以直接在对话语料库中确定出第四语句的应答语句,也即是第一语句的应答语句,从而保证人机交互的速度。
若第一语句缺省主体,则智能机器人可以得到与其匹配的且同样缺省主体的第二语句。由于第二语句是缺省主体的,不能够完整表达意思,因此,还需要通过第二语句对应的主体在上文中出现的次数来进一步判断此第二语句与王文对话在语义上的关联性,出现次数越多,则语义关联性越强。最终,智能机器人能够得到的是与第一语句在语义上匹配且关联的第二语句,保证了第二语句的准确性。最终,从对话语料库中确定第二语句对应的应答语句,并将此应答语句确定为第一语句的应答语句,从而实现人机交互。
综上所述,使用上述各实施例提供的人机交互方法来实现人机交互时,不存在语句补全的过程,也就避免出现因补全错误而导致得到错误的应答语句的情况,从而提高应答语句的准确性,保证人机对话的流畅性。
根据上述各实施例可知,第二语句是否准确会直接影响到第一语句的应答效果。为了进一步提高第二语句的准确性,如图3所示,另一种可选地第二语句的确定方式,即步骤102的另一种可选地实现方式:
为了后续描述的简洁,对话语料库中可包括两个语句集,其中,第一语句集可以由对话语料库中的第一形式的问题语句组成;第二语句集可以由第二形式的问题语句组成。在此基础上,
1021,计算第一语句与第二语句集中各问题语句的文字重合率,第二语句集由对话语料库中缺省主体的各问题语句组成。
1022、在第二语句集中筛选出文字重合率符合要求的多个第二候选语句。
智能机器人可以先对第一语句和对话语料库中第二语句集中包括的各问题语句进行字词划分。基于划分结果,再依次计算第一语句与各问题语句之间的文字重合率。接着,再基于计算出的文字重合率,从第二语句集中搜索出文字重合率符合要求的多个第二候选语句。可选地,此要求可以是文字重合率大于或等于预设阈值。此部分的具体过程可以参见图1所示实施例步骤102中的相关描述,在此不再赘述。
1023、根据多个第二候选语句与第一语句之间的语义相似度,从多个第二候选语句中确定第二语句。
对于已经得到的多个第二候选语句,其可以分别与第一语句组成语句对,然后,智能机器人可以将多个语句对依次输入语义匹配模型中,以由语义匹配模型为每个语句对输出一个0~1的分值。此分值表示一个语句对中两个句子之间的语义相似度。智能机器人可以将语义相似度大于或等于预设阈值的第二候选语句确定为第二语句。
其中,可选地,在实际应用中,上述的语义匹配模型具体可以为变换双向编码表示(Bidirectional Encoder Representation From Transformers,简称BERT)模型、深度语义匹配模型(Deep Structured Semantic Models,简称DSSM)、孪生神经网络模型(Siamesenetwork)等等。
需要说明的有,图3所示方式实际上是将上述根据文字重合度确定第二语句以及根据语义匹配模型确定第二语句这两种方式进行结合。也即是先通过计算文字重合度从第二语句集中筛选出多个第二候选语句,再借助语义匹配模型进一步从多个第二候选语句中确定出与第一语句匹配的第二语句。两种方式的结合可以使第二语句具有更高的准确性,也就进一步保证了人机交互的效果。
根据上述各实施例可知,第四语句是否准确同样会影响到第一语句的应答效果。为了进一步提高第四语句的准确性,如图4所示,另一种可选地第四语句的确定方式,即步骤206的另一种可选地实现方式:
2061、计算第一语句与第一语句集中各问题语句的文字重合率,第一语句集由对话语料库中包含主体的各问题语句组成。
2062、在第一语句集中筛选出文字重合率符合要求的多个第一候选语句。
2063、根据多个第一候选语句与第一语句之间的语义相似度,从多个第一候选语句中确定第四语句。
智能机器人可以先对第一语句和对话语料库中第一语句集中包括的各问题语句进行字词划分。基于划分结果,再依次计算第一语句与各问题语句之间的文字重合率。接着,再基于计算出的文字重合率,从第一语句集中搜索出文字重合率符合要求的多个第一候选语句。可选地,此要求可以是文字重合率大于或等于预设阈值。此部分的具体过程可以参见图1所示实施例步骤102中的相关描述,在此不再赘述。
对于已经得到的多个第一候选语句,其可以分别与第一语句组成语句对。然后,智能机器人可以将多个语句对依次输入语义匹配模型中,以由语义匹配模型为每个语句对输出一个0~1的分值。此分值表示一个语句对中两个句子之间的语义相似度。智能机器人可以将语义相似度大于或等于预设阈值的第一候选语句确定为第四语句。
此种将文字重合度和语义匹配模型结合使用的方式,同样可以保证第四语句的准确性,从而进一步保证了人机交互的效果。图4所示的第四语句的确定方式与图3所示的第二语句的确定方式基本相同,本实施例未详细描述的部分,可参考对图3所示实施例的相关说明,在此不再赘述。
如图2所示实施例中,当第一语句缺省主体则可以通过确定第二语句也即是执行步骤203~步骤205来实现人机交互。而在实际应用中,还有可能出现不能确定出与第一语句匹配且出现次数也符合要求的第二语句的情况。此时,若中断流程,则智能机器人会无法向用户输出应答语句,从而导致人机交互失败。
为了保证人机交互的正常进行,图5为本发明实施例提供的又一种人机交互方法的流程图,如图5所示,该方法可以包括如下步骤:
301、接收用户输入的第一语句。
302、确定第一语句是否为缺省主体的语句,若是缺省主体的语句,则执行步骤303,否则,执行步骤306~步骤307。
303、在对话语料库中确定是否存在与第一语句匹配的第二语句,第二语句中缺省主体,若存在第二语句,则执行步骤304,否则执行步骤306~步骤307。
304、确定第二语句对应的主体在第一语句的上文中的出现次数是否符合要求,若出现次数符合要求,则执行步骤305,否则执行步骤306~步骤307。
305、以对话语料库中与第二语句对应的应答语句响应第一语句。
306、在对话语料库中确定与第一语句匹配的第四语句,第四语句中包括主体。
307、以对话语料库中与第四语句对应的应答语句响应第一语句。
本实施例中各步骤的具体实现方式可以参见上述各实施例中的相关描述,在此不再赘述。
如图5所示的人机交互方法中,步骤303~步骤305可以认为是语句存在缺省时执行的缺省流程,步骤306~307可以认为是语句包含主体时执行的正常流程,并且缺省流程是先于正常流程执行的。在实际应用中,为了提升智能机器人的应答速度,缺省流程和正常流程也可以并行执行。
这种情况下,图6为本发明实施例提供的又一种人机交互方法的流程图,如图6所示,该方法可以包括如下步骤:
401、接收用户输入的第一语句。
402、确定第一语句是否为缺省主体的语句,若是缺省主体的语句,则执行步骤403,否则,执行步骤306~步骤307。
403、在对话语料库中确定是否存在与第一语句匹配的第二语句,第二语句中缺省主体,若存在第二语句,则执行步骤404,否则执行步骤406~步骤407。
404、确定第二语句对应的主体在第一语句的上文中的出现次数是否符合要求,若出现次数符合要求,则执行步骤305,否则执行步骤406~步骤407。
405、以对话语料库中与第二语句对应的应答语句响应第一语句。
406、在对话语料库中确定与第一语句匹配的第四语句,第四语句中包括主体。
407、以对话语料库中与第四语句对应的应答语句响应第一语句。
本实施例中,步骤402和步骤406可以是同时进行的,也即是缺省流程和正常流程同时进行,当任意流程确定出第一语句对应的应答语句后,智能机器人便可以将此应答语句输出,从而快速实现人机交互。另外,本实施例中各步骤的具体实现方式可以参见上述各实施例中的相关描述,在此不再赘述。
需要说明的有,上述各实施例提供的方式均是先从对话语料库中确定出与第一语句相似度满足预设阈值的问题语句也即是上述的第二语句。若第二语句的数量为多个,则再从中筛选出出现次数最多的第二语句,以进一步根据此第二语句确定第一语句的应答语句。
而与上述方式顺序相反的,在得到第一语句后,可选地,还可以先统计对话语料库中的问题语句对应的主体在上文出现过的次数,并从中筛选出出现次数最多的问题语句。若筛选出的问题语句为多个,则进一步再计算筛选出的语句与第一语句之间的文字重合率也即是相似度,以根据此相似度最高的语句确定第一语句的应答语句。
除了上述方式之外,另一种可选地方式,在得到每个问题语句对应的主体在上文出现的次数以及每个问题语句与第一语句之间的相似度之后,可以根据出现次数、相似度以及各自预设的权重参数计算每个问题语句的得分,将得分最高的问题语句确定为目标语句,以将此目标语句的应答语句为第一语句为应答语句。而出现次数以及文字重合率的具体确定方式可以参见上述实施例中的相关描述,在此不再赘述。
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7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7所示,该装置包括:
接收模块11,用于接收用户输入的第一语句。
第一确定模块12,用于在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体。
第二确定模块13,用于若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求。
响应模块14,用于若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
可选地,该人工交互装置中的第一确定模块12具体包括:
第一确定单元121,用于确定所述第一语句是否为缺省主体的语句。
第二确定单元122,用于若所述第一语句是缺省主体的语句,则在对话语料库中确定是否存在与所述第一语句匹配的第二语句。
可选地,该人工交互装置中的第二确定单元122具体用于:若所述第一语句不是缺省主体的语句,则在对话语料库中确定与所述第一语句匹配的第四语句,所述第四语句中包括主体。
该人工交互装置中的响应模块14,还用于以所述对话语料库中与所述第四语句对应的应答语句响应所述第一语句。
可选地,该人工交互装置中的第二确定单元122具体用于:计算所述第一语句与第一语句集中各问题语句的文字重合率,所述第一语句集由所述对话语料库中包含主体的各问题语句组成;
在所述第一语句集中筛选出文字重合率符合要求的多个第一候选语句;
根据所述多个第一候选语句与所述第一语句之间的语义相似度,从所述多个第一候选语句中确定所述第四语句。
可选地,该人工交互装置中的第一确定单元121具体用于:若识别出所述第一语句中包括代词或者所述第一语句中不包括名词,则确定所述第一语句是缺省主体的语句。
可选地,该人工交互装置中的第一确定单元121具体用于:将所述第一语句输入分类器中,以通过所述分类器识别所述第一语句是否为缺省主体的语句。
可选地,该人工交互装置中的第二确定单元122具体还用于:计算所述第一语句与第二语句集中各问题语句的文字重合率,所述第二语句集由所述对话语料库中缺省主体的各问题语句组成;
在所述第二语句集中筛选出文字重合率符合要求的多个第二候选语句;
根据所述多个第二候选语句与所述第一语句之间的语义相似度,从所述多个第二候选语句中确定所述第二语句。
图7所示人工交互装置可以执行前述图1至图6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6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8所示,该智能机器人可以包括:处理器21和存储器22。其中,所述存储器22用于存储支持该智能机器人执行前述图1至图6所示实施例中提供的人机交互方法的程序,所述处理器21被配置为用于执行所述存储器22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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
可选地,所述处理器31还用于执行前述图1至图6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23,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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
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9a、附图9b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:什么是ETC。
智能机器人:ETC是不停车电子收费系统,专享ETC专用车道,走ETC通道过高速不用排队。
用户:怎么办理?
此时,智能机器人接收到存在缺省的第一语句“怎么办理”,然后,从对话语料库中得到与第一语句匹配的第二语句以及第二语句和第一语句之间的语义相似度,即:
第二语句1:“你能帮我办理吗”,语义相似度为0.85;
第二语句2:“我想办理”,语义相似度为0.90;
第二语句3:“如何办理”,语义相似度为0.98。
然后,由于第一语句以及第二语句都是缺省主体的,因此,智能机器人还可以借助对话语料库进一步确定出第二语句1对应的主体为“银行卡”,第二语句2和第二语句3对应的主体为“ETC”。然后,智能机器人会分别统计主体“银行卡”和“ETC”在上文中的出现次数为0和4,其中,上文也即是用户产生的语句“什么是ETC”以及智能机器人产生的应答语句“ETC是不停车电子收费系统,专享ETC专用车道,走ETC通道过高速不用排队”。假设出现次数符合大于或等于2次即算符合要求,则此时智能机器人可以确定出两条既与第一语句匹配且语句主体的出现次数也符合要求的第二语句,也即是上述的第二语句2和第二语句3。
最后,智能机器人可以在对话语料库中确定出具有较高语义相似度的第二语句3对应的应答语句为:“请携带身份证、行驶证取号到柜台办理”,并将此应答语句确定为第一语句的应答语句,也即是完成了人机交互。上述过程可以借助图9a来理解。
在实际应用中,用户在银行场景中还可以产生以下对话:
用户:什么是ETC。
智能机器人:ETC是不停车电子收费系统,专享ETC专用车道,走ETC通道过高速不用排队。
用户:如何办理ETC。
此时,智能机器人接收到的包含主体的第一语句“如何办理ETC”,然后,智能机器人从对话语料库中得到与第一语句匹配的第四语句以及第四语句和第一语句之间的语义相似度,即:
第四语句1:“我想办理ETC”,语义相似度为0.95;
第四语句2:“如何办理ETC”,语义相似度为0.99;
第四语句3:“你能帮我办理银行卡吗”,语义相似度为0.02。
此时,由于确定出的第四语句都是包含主体的,因此,智能机器人可以直接在对话语料库中确定出具有较高语义相似度的第四语句2对应的应答语句为:“请携带身份证、行驶证取号到柜台办理”,并将此应答语句确定为第一语句的应答语句,也即是完成了人机交互。上述过程可以借助图9b来理解。
在实际应用中,在接收到第一语句后,一种可选地方式,智能机器人可以判断其是否缺省主体,若缺省主体,则可以按照图9a所示的方式为用户输出第一语句的应答语句;若包含主体,则可以按照图9b所示的方式为用户输出第一语句的应答语句,即实现人机交互。
另一种可选的方式,智能机器人可以同时执行图9a和9b所示的流程,当图9a或9b所示流程无法得到应答语句时,则可以智能机器人可以输出使用另一流程得到的应答语句,从而实现正常的人机交互。
除了上述的银行场景外,智能机器人可以应用于医院场景中。则结合附图10a、附图10b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,智能机器人接收到存在缺省的第一语句“今天在岗的主治医师有谁”。然后,智能机器人从对话语料库中得到与第一语句匹配的第二语句以及第二语句和第一语句之间的语义相似度,即:
第二语句1:“今天当班的主治医师有谁”,语义相似度为0.95;
第二语句2:“主治医师有谁”,语义相似度为0.80;
然后,由于第一语句和第二语句都是缺省主体的,因此,智能机器人还可以借助对话语料库进一步确定出第二语句1~第二语句2对应的主体均为“皮肤科”。再统计主体“皮肤科”在上文中的出现次数为2。其中,上文也即是用户产生的语句“请问皮肤科在几楼”以及智能机器人产生的应答语句“皮肤科在三楼”。假设次数符合大于或等于2次计算符合要求,则此时智能机器人可以确定出第二语句1和第二语句2均与第一语句匹配并且语句主体的出现次数也符合要求。
最终,智能机器人可以在对话语料库中确定出具有较高语义相似度的第二语句1对应的应答语句为:“皮肤科今天在岗的主治医师有张三”,并将此应答语句确定为第一语句的应答语句,也即是完成了人机交互。上述过程可以借助图10a来理解。
在实际应用中,用户在银行场景中还可以产生以下对话:
用户:请问皮肤科在几楼?
智能机器人:皮肤科在三楼。
用户:皮肤科今天在岗的主治医师有谁?
此时,智能机器人接收到的包含主体的第一语句“皮肤科今天在岗的主治医师有谁”。然后,智能机器人从对话语料库中得到与第一语句匹配的第四语句以及第四语句和第一语句之间的语义相似度,即:
第四语句1:“皮肤科今天当班的主治医师有谁”,语义相似度为0.95;
第四语句2:“皮肤科的主治医师有谁”,语义相似度为0.93;
第四语句3:“如何查询主治医师”,语义相似度为0.22。
此时,由于确定出的第四语句都是包含主体的,因此,智能机器人可以直接在对话语料库中确定出具有较高语义相似度的第四语句1对应的应答语句为:“皮肤科今天在岗的主治医师有张三”,并将此应答语句确定为第一语句的应答语句,也即是完成了人机交互。上述过程可以借助图10b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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
2.根据权利要求1所述的方法,其特征在于,所述问答语料库中还包括与所述第二问题语句对应的第三问题语句,其中,去除所述第三问题语句中的主体以得到所述第二问题语句。
3.根据权利要求1所述的方法,其特征在于,所述在对话语料库中确定是否存在与所述第一语句匹配的第二语句,包括:
确定所述第一语句是否为缺省主体的语句;
若所述第一语句是缺省主体的语句,则在对话语料库中确定是否存在与所述第一语句匹配的第二语句。
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:
若所述第一语句不是缺省主体的语句,则在对话语料库中确定与所述第一语句匹配的第四语句,所述第四语句中包括主体;
以所述对话语料库中与所述第四语句对应的应答语句响应所述第一语句。
5.根据权利要求4所述的方法,其特征在于,所述在对话语料库中确定与所述第一语句匹配的第四语句,包括:
计算所述第一语句与第一语句集中各问题语句的文字重合率,所述第一语句集由所述对话语料库中包含主体的各问题语句组成;
在所述第一语句集中筛选出文字重合率符合要求的多个第一候选语句;
根据所述多个第一候选语句与所述第一语句之间的语义相似度,从所述多个第一候选语句中确定所述第四语句。
6.根据权利要求3所述的方法,其特征在于,所述确定所述第一语句是否为缺省主体的语句,包括:
若识别出所述第一语句中包括代词或者所述第一语句中不包括名词,则确定所述第一语句是缺省主体的语句。
7.根据权利要求3所述的方法,其特征在于,所述确定所述第一语句是否为缺省主体的语句,包括:
将所述第一语句输入分类器中,以通过所述分类器识别所述第一语句是否为缺省主体的语句。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述在对话语料库中确定是否存在与所述第一语句匹配的第二语句,包括:
计算所述第一语句与第二语句集中各问题语句的文字重合率,所述第二语句集由所述对话语料库中缺省主体的各问题语句组成;
在所述第二语句集中筛选出文字重合率符合要求的多个第二候选语句;
根据所述多个第二候选语句与所述第一语句之间的语义相似度,从所述多个第二候选语句中确定所述第二语句。
9.一种人机交互装置,其特征在于,包括:
接收模块,用于接收用户输入的第一语句;
第一确定模块,用于在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
第二确定模块,用于若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
响应模块,用于若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
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:
接收用户输入的第一语句;
在对话语料库中确定是否存在与所述第一语句匹配的第二语句,所述第二语句中缺省主体;
若存在所述第二语句,则确定所述第二语句对应的主体在所述第一语句的上文中的出现次数是否符合要求;
若所述出现次数符合要求,则以所述对话语料库中与所述第二语句对应的应答语句响应所述第一语句。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911296926.9A CN112988987A (zh) | 2019-12-16 | 2019-12-16 | 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 |
---|---|---|---|
CN201911296926.9A CN112988987A (zh) | 2019-12-16 | 2019-12-16 | 人机交互方法、装置、智能机器人和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112988987A true CN112988987A (zh) | 2021-06-18 |
Family
ID=76343561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911296926.9A Pending CN112988987A (zh) | 2019-12-16 | 2019-12-16 | 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) | CN112988987A (zh) |
Citations (10)
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 |
CN105975531A (zh) * | 2016-04-29 | 2016-09-28 | 华南师范大学 | 基于对话知识库的机器人对话控制方法和系统 |
CN106228983A (zh) * | 2016-08-23 | 2016-12-14 | 北京谛听机器人科技有限公司 | 一种人机自然语言交互中的场景处理方法及系统 |
CN106777018A (zh) * | 2016-12-08 | 2017-05-31 | 竹间智能科技(上海)有限公司 | 一种智能聊天机器人中对输入语句的优化方法及装置 |
WO2017181834A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 一种智能问答方法及装置 |
CN109791766A (zh) * | 2016-10-06 | 2019-05-21 | 夏普株式会社 | 对话装置、对话装置的控制方法及控制程序 |
CN109918673A (zh) * | 2019-03-14 | 2019-06-21 | 湖北亿咖通科技有限公司 | 语义仲裁方法、装置、电子设备和计算机可读存储介质 |
CN110222154A (zh) * | 2019-06-10 | 2019-09-10 | 武汉斗鱼鱼乐网络科技有限公司 | 基于文本及语义的相似度计算方法、服务器及存储介质 |
CN110245216A (zh) * | 2019-06-13 | 2019-09-17 | 出门问问信息科技有限公司 | 用于问答系统的语义匹配方法、装置、设备及存储介质 |
CN110489538A (zh) * | 2019-08-27 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的语句应答方法、装置及电子设备 |
-
2019
- 2019-12-16 CN CN201911296926.9A patent/CN112988987A/zh active Pending
Patent Citations (10)
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 |
WO2017181834A1 (zh) * | 2016-04-19 | 2017-10-26 | 中兴通讯股份有限公司 | 一种智能问答方法及装置 |
CN105975531A (zh) * | 2016-04-29 | 2016-09-28 | 华南师范大学 | 基于对话知识库的机器人对话控制方法和系统 |
CN106228983A (zh) * | 2016-08-23 | 2016-12-14 | 北京谛听机器人科技有限公司 | 一种人机自然语言交互中的场景处理方法及系统 |
CN109791766A (zh) * | 2016-10-06 | 2019-05-21 | 夏普株式会社 | 对话装置、对话装置的控制方法及控制程序 |
CN106777018A (zh) * | 2016-12-08 | 2017-05-31 | 竹间智能科技(上海)有限公司 | 一种智能聊天机器人中对输入语句的优化方法及装置 |
CN109918673A (zh) * | 2019-03-14 | 2019-06-21 | 湖北亿咖通科技有限公司 | 语义仲裁方法、装置、电子设备和计算机可读存储介质 |
CN110222154A (zh) * | 2019-06-10 | 2019-09-10 | 武汉斗鱼鱼乐网络科技有限公司 | 基于文本及语义的相似度计算方法、服务器及存储介质 |
CN110245216A (zh) * | 2019-06-13 | 2019-09-17 | 出门问问信息科技有限公司 | 用于问答系统的语义匹配方法、装置、设备及存储介质 |
CN110489538A (zh) * | 2019-08-27 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的语句应答方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110444199B (zh) | 一种语音关键词识别方法、装置、终端及服务器 | |
US10217464B2 (en) | Vocabulary generation system | |
KR102151681B1 (ko) | 언어 모델용 대화 상태들 결정 | |
US9972309B2 (en) | System and method for data-driven socially customized models for language generation | |
US11538468B2 (en) | Using semantic frames for intent classification | |
WO2019203880A1 (en) | Intent identification for agent matching by assistant systems | |
US8204751B1 (en) | Relevance recognition for a human machine dialog system contextual question answering based on a normalization of the length of the user input | |
CN110379445A (zh) | 基于情绪分析的业务处理方法、装置、设备及存储介质 | |
CN111241237A (zh) | 一种基于运维业务的智能问答数据处理方法及装置 | |
US20210409234A1 (en) | Using A Single Request for Multi-Person Calling in Assistant Systems | |
CN111540353A (zh) | 一种语义理解方法、装置、设备及存储介质 | |
CN114625855A (zh) | 用于生成对话信息的方法及装置、设备和介质 | |
TW202011324A (zh) | 自助服務的使用方法及裝置和電子設備 | |
CN116615727A (zh) | 用于自然语言处理的关键词数据扩充工具 | |
CN113468894A (zh) | 对话交互方法及装置、电子设备和计算机可读存储介质 | |
CN115169364A (zh) | 智能问答方法、装置、设备以及存储介质 | |
US11563852B1 (en) | System and method for identifying complaints in interactive communications and providing feedback in real-time | |
WO2022022049A1 (zh) | 文本长难句的压缩方法、装置、计算机设备及存储介质 | |
US20200004768A1 (en) | Method for processing language information and electronic device therefor | |
CN103297389B (zh) | 人机对话方法及装置 | |
KR20190074508A (ko) | 챗봇을 위한 대화 모델의 데이터 크라우드소싱 방법 | |
US20230075339A1 (en) | Method of training information generation model, method of generating information, and device | |
CN112988987A (zh) | 人机交互方法、装置、智能机器人和存储介质 | |
CN114860910A (zh) | 智能对话方法及系统 | |
CN112786041B (zh) | 语音处理方法及相关设备 |
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 |