CN113282736B - 对话理解及模型训练方法、装置、设备和存储介质 - Google Patents

对话理解及模型训练方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113282736B
CN113282736B CN202110772319.6A CN202110772319A CN113282736B CN 113282736 B CN113282736 B CN 113282736B CN 202110772319 A CN202110772319 A CN 202110772319A CN 113282736 B CN113282736 B CN 113282736B
Authority
CN
China
Prior art keywords
task
information
dialogue
name
dialog
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
CN202110772319.6A
Other languages
English (en)
Other versions
CN113282736A (zh
Inventor
于振龙
孙辉丰
孙叔琦
常月
李婷婷
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110772319.6A priority Critical patent/CN113282736B/zh
Publication of CN113282736A publication Critical patent/CN113282736A/zh
Application granted granted Critical
Publication of CN113282736B publication Critical patent/CN113282736B/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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了一种对话理解及模型训练方法、装置、设备和存储介质，涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域。对话理解方法包括：获取对话信息；获取所述对话信息对应的当前任务的任务信息；采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果。本公开可以降低对话理解所需的样本量。

Description

对话理解及模型训练方法、装置、设备和存储介质
技术领域
本公开涉及计算机技术领域，具体涉及自然语言处理、深度学习等人工智能领域，尤其涉及一种对话理解及模型训练方法、装置、设备和存储介质。
背景技术
人机对话（Human-Machine Conversation）是指让机器理解和运用自然语言实现人机通信的技术。自然语言理解（Natural Language Understanding，NLU）是自然语言处理（Natural Language Processing，NLP）的重要组成部分，NLU的核心任务是将自然语言转化为机器可处理的形式化语言，建立自然语言与资源和服务的连接。
人机对话过程中进行的NLU可以称为对话理解，人机对话系统一般采用对话理解模型对输入信息进行对话理解，以获得对话理解结果。
相关技术中，对话理解模型的输入信息一般仅为对话信息。
发明内容
本公开提供了一种对话理解及模型训练方法、装置、设备和存储介质。
根据本公开的一方面，提供了一种对话理解方法，包括：获取对话信息；获取所述对话信息对应的当前任务的任务信息；采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果。
根据本公开的另一方面，提供了一种对话理解模型的训练方法，包括：获取训练数据，所述训练数据包括：对话信息样本和目标任务的任务信息；采用所述训练数据，训练对话理解模型。
根据本公开的另一方面，提供了一种对话理解装置，包括：第一获取模块，用于获取对话信息；第二获取模块，用于获取所述对话信息对应的当前任务的任务信息；对话理解模块，用于采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果。
根据本公开的另一方面，提供了一种对话理解模型的训练装置，包括：获取模块，用于获取训练数据，所述训练数据包括：对话信息样本和目标任务的任务信息；训练模块，用于采用所述训练数据，训练对话理解模型。
根据本公开的另一方面，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上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了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根据上述任一方面的任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的技术方案，可以降低对话理解所需的样本量。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是用来实现本公开实施例的对话理解或对话理解模型的训练方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
图1是根据本公开第一实施例的示意图。本实施例提供一种对话理解方法，包括：
101、获取对话信息。
102、获取所述对话信息对应的当前任务的任务信息。
103、采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果。
本实施例的执行主体可以称为人机对话系统，人机对话系统可以位于服务器或者终端设备上。
以人机对话系统位于服务器上为例，用户使用的终端设备上可以安装用于人机对话的客户端，客户端比如为应用程序（Application，APP）形式等。用户可以以语音、文本等形式向客户端中输入信息，用户输入的信息可以称为用户查询信息（query），人机对话系统可以基于用户输入的查询信息向用户进行反馈，人机对话系统反馈的信息可以称为系统应答信息。
对话信息可以包括用户查询信息，和/或，系统应答信息，对话信息还可以称为对话上下文（context）。
人机对话可以应用到不同的任务下，任务比如包括：订饮品、订机票、查询天气等。
相关技术中，对话理解模型的输入信息一般仅为对话信息，在不同的任务下需要采用对应任务的样本数据进行训练，为了提高对话理解效果，需要较大量的样本数据。
本实施例中，输入信息不仅包括对话信息，还包括当前任务的任务信息，比如，若当前任务为订饮品，则输入信息还包括：订饮品对应的任务信息。
一般来讲，人机对话系统可以提供定制化的对话服务，定制化的对话服务是指人机对话系统事先定义了其能够服务的场景（或称为任务），因此，当前任务是指人机对话系统事先定义的服务场景，一个人机对话系统可以提供一种或多种场景的对话服务。比如，一个人机对话系统是用于订饮品的，则该人机对话系统对应的当前任务为订饮品。
任务信息可以包括：关键字（key），关键字可以为一个或多个，关键字用于对任务进行描述，还可以称为任务描述信息。对应不同的任务，可以预先定义各自对应的任务描述信息，也即关键字。
关键字可以包括：任务名和任务属性，任务名类似意图名，任务属性类似词槽名。任务名可以为一个或多个，任务属性可以为一个或多个。以订饮品为例，任务名和任务属性可以分别包括：任务名：订饮品，任务属性：饮料种类等。进一步地，任务名和任务属性的后面还可以附加样例，样例可以为一个或多个，样例可以是定义的或者是历史对话信息。不同任务名和/或任务属性，对应的样例的数量可以相同或不同。比如，任务名：订饮品，我要喝可乐，给我杯果汁；任务属性：饮料种类，果汁，奶茶。
如图2所示，以当前任务为订饮品为例，对话理解模型的输入信息包括：对话信息，以及订饮品对应的任务描述信息，将任务描述信息作为关键字与对话信息一起输入到对话理解模型中，对话理解模型对输入信息进行处理后，输出为对话理解结果，可以将关键字对应的值作为对话理解结果。
上述以任务信息为用户预先定义的任务描述信息为例，此时不需要样本，即可以实现零样本进行对话理解。
上述的任务信息还可以为当前任务对应的历史对话信息，比如，当前任务为订饮品，历史上用户输入的query包括“我要喝咖啡”，则任务信息还可以是“我要喝咖啡”。历史对话信息还可以称为样本，此情况下仅需要较少的样本量，比如，1~5条样本。
本实施例中，基于对话信息和任务信息进行对话理解，可以在零样本或少量样本的基础上进行对话理解，降低对话理解所需的样本量。另外，由于直接采用当前任务对应的任务信息进行对话理解，不需要对预训练模型进行调整，降低了调整所需的训练算力成本，并且，由于基于当前任务的任务信息进行处理，对于当前任务下，是实时地实现了对话理解。
一些实施例中，所述任务信息包括预设的关键字，所述关键字为至少一个，所述采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果，包括：采用对话理解模型，将所述对话信息与所述至少一个关键字中的各个关键字进行匹配，以获得所述各个关键字对应的值，将所述各个关键字对应的值作为对话理解结果。
比如，如图2所示，在当前任务为订饮品时，任务信息可以包括：任务名：订饮品，任务属性：饮料种类，任务属性：温度，任务属性：杯数，经过对话理解模型的处理之后，得到的对话理解结果包括：对应任务名的值[YES]，对应饮料种类这一任务属性的值“奶茶”，对应温度这一任务属性的值“热”，对应杯数这一任务属性的值“两杯”。
通过基于预设的关键字进行处理，可以在零样本的情况下实现对话理解。
一些实施例中，所述关键字包括任务名和任务属性，所述对话理解模型包括：输入层、隐层和输出层，所述采用对话理解模型，将所述对话信息与所述至少一个关键字中的各个关键字进行匹配，以获得所述各个关键字对应的值，包括：采用所述输入层，将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；采用所述隐层，分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；采用所述输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值。
其中，输入信息一般为文本形式，可以采用输入层将其转换为向量形式，即输入向量，以便后续处理。
以任务信息为预设的关键字为例，输入信息在输入时，可以将对话信息和关键字进行文本拼接，并插入预设的标记符号，将包含预设的标记符号的拼接后的文本作为输入层的输入。如图3所示，预设的标记符号比如包括：句子起始标记[CLS]、句子结束标记[SEP]、用于分割对话信息和关键字的分割标记“+”。
输入信息包括对话信息和任务信息，可以图中的[CLS]和[SEP]是特殊的标记词，标记句子的开始和结束。在对话历史和目标信息之间增加了『+』来分割。
输入层可以采用各种相关的将文本转换为向量的层，比如包括词向量（embedding）层、位置向量（embedding）层等。
隐层可以采用各种相关的预训练模型的隐层，比如，双向Transformer的Encoder（Bidirectional Encoder Representations from Transformers，BERT）模型、知识增强语义表示（Enhanced Representation from kNowledge IntEgration，ERNIE）模型等预训练模型，图3中的隐层用ERNIE表示。
隐层输出向量经过输出层处理后，可以获得关键字对应的值，将该值作为对话理解结果，比如，图2中，“YES”、“奶茶”、“热”“两杯”为分别对应任务名的值和三种任务属性的值，作为对话理解结果。
本实施例中，通过基于深度神经网络，可以实现对关键字和对话信息进行对话理解。
一些实施例中，对话信息包括：当前轮之前的所有轮的对话信息。
用户与人机对话系统进行对话时，一般会发生多轮，对应当前轮，可以对之前的所有轮的对话信息进行处理，以获得更准确的对话理解结果。
“当前轮之前”是指包括当前轮的已知对话信息。
比如，参见图2，第一轮的对话信息包括：第一轮的系统应答信息（您想喝点什么），第一轮的用户查询信息（喝热奶茶和冰果茶）；第二轮的系统应答信息（热奶茶要几杯啊），第二轮的用户查询信息（热的要两杯，冰的不要了）；假设当前是第三轮，此时，人机对话系统可以对第一轮和第二轮的对话信息进行整体的对话理解，以获得图2右侧所示的对话理解结果。而相关技术中一般是单轮理解，在单轮理解的情况下，需要进行修改，比如，第二轮中需要删除第一轮理解出的冰果茶等。
可以理解的是，“当前轮之前”可以包括当前轮的已知对话信息。比如，若用户是先触发对话交互的，已经进行了两轮交互，在第三轮的时候用户又输入了第三轮的用户查询信息，此时系统进行对话理解时，不仅包括前两轮的对话信息，还可以包括第三轮的用户查询信息。
本实施例中，通过对当前轮之前的所有轮的对话信息进行对话理解，可以深度融合多轮对话历史，无需定制额外多轮处理逻辑就可以获得多轮对话后的整体理解结果，提高对话理解的准确度，并且节省操作开销。
一些实施例中，所述输出层包括分类层和序列标注层，所述隐层输出向量包括第一隐层输出向量和第二隐层输出向量，所述采用所述输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值，包括：采用所述分类层对所述第一隐层输出向量进行处理，以获得分类结果，所述分类结果包括：第一分类结果，或者，第二分类结果，所述第一分类结果用于表明所述对话信息中是否包含与所述任务名一致的信息，所述第二分类结果用于表明所述对话信息中是否包含与所述任务属性一致的信息；若所述分类结果为所述第一分类结果，将所述第一分类结果作为所述任务名对应的值；若所述分类结果为所述第二分类结果，且所述第二分类结果表明所述对话信息中包含与所述任务属性一致的信息，采用所述序列标注层对所述第二隐层输出向量进行处理，以获得序列标注结果，将所述序列标注结果作为所述任务属性对应的值。
如图4所示，第一隐层输出向量是指句子起始标记[CLS]对应的隐层输出向量h[CLS]，第二隐层输出向量是指除了第一隐层输出向量之外的其他隐层输出向量，图4中包括h[i]，h[i+]。
分类层为四分类，包括任务名对应的分类结果和任务属性对应的分类结果，任务名对应的分类结果包括：对话信息中表达了任务名，此时可以用yes表示，或者，对话信息中未表达任务名，此时可以用no表示；任务属性对应的分类结果包括：对话信息中表达了任务属性，此时可以用span表示，或者，对话信息中未表达任务属性，此时可以用none表示。
当分类结果为span时，可以采用序列标注层获得序列标注结果，序列标注层比如为循环神经网络（Recurrent Neural Network, RNN）。序列标注层可以为对话信息进行标注，比如标注B、I、O等，B表示序列标注结果的起始、I表示序列标注结果的其他部分，O表示不是序列标注结果。比如，对应饮料种类这个任务属性，可以采用B、I、O标注获取“奶茶”这个序列标注结果，作为饮料种类这个任务属性对应的值。
本实施例中，通过对隐层输出向量进行分类和序列标注，可以获取关键字对应的值，进而获得对应的对话理解结果。
图5是根据本公开第五实施例的示意图。本实施例提供一种对话理解模型的训练方法，该方法包括：
501、获取训练数据，所述训练数据包括：对话信息样本和目标任务的任务信息。
502、采用所述训练数据，训练对话理解模型。
训练阶段采用的对话信息可以称为对话信息样本。
目标任务是指待训练的对话理解模型对应的任务，比如，待训练的对话理解模型是用于提供订饮品服务的，则目标任务为订饮品。
对话信息样本可以从已有的数据集中获取。已有的数据集可以是对话平台上的大规模的日志数据，该大规模的日志数据包括多种任务的大量数据。已有的数据集中还可以包括对话信息样本对应的对话状态，基于对话状态可以构建正例和负例，基于正例和负例进行训练。
一些实施例中，所述采用所述训练数据，训练对话理解模型，包括：基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例；采用所述正例和负例，训练对话理解模型。
通过基于对话状态构建负例和正例，可以提高负例和正例的准确度，进而提高对话理解模型的准确度。
一些实施例中，所述对话状态包括意图名和词槽名，所述基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例，包括：若所述目标任务的任务信息包括目标任务名，将意图名与所述目标任务名一致的对话信息样本，作为所述目标任务名对应的正例，将意图名与所述目标任务名不一致的对话信息样本，作为所述目标任务名对应的负例；和/或，若所述目标任务的任务信息包括目标任务属性，将词槽名与所述目标任务属性一致的对话信息样本，作为所述目标任务属性对应的正例，将词槽名与所述目标任务属性不一致的对话信息样本，作为所述目标任务属性对应的负例。
通过基于意图名和词槽名，可以获得目标任务名和目标任务属性对应的正例和负例。
另外，在训练时，还可以对输入信息样本进行处理，处理比如包括：随机掩码（mask）和随机掉落（drop），以便提高对话理解模型的泛化能力。
上述以任务信息为用户预先定义的任务描述信息，或者称为关键字为例，上述的任务信息可以包括目标任务名和目标任务属性，此时不需要样本，即可以实现零样本进行对话理解模型的训练。
上述的任务信息还可以为目标任务对应的历史对话信息，比如，当前任务为订饮品，历史上用户输入的query包括“我要喝咖啡”，则任务信息还可以是“我要喝咖啡”。历史对话信息还可以称为样本，此情况下仅需要较少的样本量，比如，1~5条样本。
本实施例中，基于对话信息样本和目标任务的任务信息进行对话理解模型的训练，可以在零样本或少量样本的基础上进行对话理解模型的训练，降低对话理解所需的样本量。
图6是根据本公开第六实施例的示意图，本实施例提供一种对话理解装置。如图6所示，对话理解装置600包括：第一获取模块601、第二获取模块602和对话理解模块603。
第一获取模块601用于获取对话信息；第二获取模块602用于获取所述对话信息对应的当前任务的任务信息；对话理解模块603用于采用对话理解模型，基于所述当前任务的任务信息对所述对话信息进行处理，以获得对话理解结果。
一些实施例中，所述任务信息包括预设的关键字，所述关键字为至少一个，所述对话理解模块603具体用于：采用对话理解模型，将所述对话信息与所述至少一个关键字中的各个关键字进行匹配，以获得所述各个关键字对应的值，将所述各个关键字对应的值作为对话理解结果。
一些实施例中，所述关键字包括任务名和任务属性，所述对话理解模型包括：输入层、隐层和输出层，所述对话理解模块603进一步具体用于：采用所述输入层，将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；采用所述隐层，分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；采用所述输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值。
一些实施例中，所述输出层包括分类层和序列标注层，所述隐层输出向量包括第一隐层输出向量和第二隐层输出向量，所述对话理解模块603进一步具体用于：采用所述分类层对所述第一隐层输出向量进行处理，以获得分类结果，所述分类结果包括：第一分类结果，或者，第二分类结果，所述第一分类结果用于表明所述对话信息中是否包含与所述任务名一致的信息，所述第二分类结果用于表明所述对话信息中是否包含与所述任务属性一致的信息；若所述分类结果为所述第一分类结果，将所述第一分类结果作为所述任务名对应的值；若所述分类结果为所述第二分类结果，且所述第二分类结果表明所述对话信息中包含与所述任务属性一致的信息，采用所述序列标注层对所述第二隐层输出向量进行处理，以获得序列标注结果，将所述序列标注结果作为所述任务属性对应的值。
本实施例中，基于对话信息和任务信息进行对话理解，可以在零样本或少量样本的基础上进行对话理解，降低对话理解所需的样本量。另外，由于直接采用当前任务对应的任务信息进行对话理解，不需要对预训练模型进行调整，降低了调整所需的训练算力成本，并且，由于基于当前任务的任务信息进行处理，对于当前任务下，是实时地实现了对话理解。
图7是根据本公开第七实施例的示意图，本实施例提供一种对话理解模型的训练装置。如图7所示，对话理解模型的训练装置700包括：获取模块701和训练模块702。获取模块701用于获取训练数据，所述训练数据包括：对话信息样本和目标任务的任务信息；训练模块702用于采用所述训练数据，训练对话理解模型。
一些实施例中，所述训练模块702具体用于：基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例；采用所述正例和负例，训练对话理解模型。
一些实施例中，所述对话状态包括意图名和词槽名，所述训练模块702进一步具体用于：若所述目标任务的任务信息包括目标任务名，将意图名与所述目标任务名一致的对话信息样本，作为所述目标任务名对应的正例，将意图名与所述目标任务名不一致的对话信息样本，作为所述目标任务名对应的负例；和/或，若所述目标任务的任务信息包括目标任务属性，将词槽名与所述目标任务属性一致的对话信息样本，作为所述目标任务属性对应的正例，将词槽名与所述目标任务属性不一致的对话信息样本，作为所述目标任务属性对应的负例。
本实施例中，基于对话信息样本和目标任务的任务信息进行对话理解模型的训练，可以在零样本或少量样本的基础上进行对话理解模型的训练，降低对话理解所需的样本量。
可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。
可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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、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，个人数字助理、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/或者要求的本公开的实现。
如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器（ROM）802中的计算机程序或者从存储单元808加载到随机访问存储器（RAM）803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如对话理解方法或者对话理解模型的训练方法。例如，在一些实施例中，对话理解方法或者对话理解模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的对话理解方法或者对话理解模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行对话理解方法或者对话理解模型的训练方法。
本文中以上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、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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（LAN）、广域网（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。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种对话理解方法，包括：
获取对话信息；其中，所述对话信息包括：当前轮之前的所有轮的对话信息；
获取所述对话信息对应的事先定义的当前任务的任务信息，所述任务信息包括预设的关键字，所述关键字包括任务名和任务属性；
采用对话理解模型的输入层，将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；
采用对话理解模型的隐层，分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；
采用对话理解模型的输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值；
将所述任务名对应的值，以及所述任务属性对应的值，作为对话理解结果；
其中，所述任务名对应的值是所述任务名的分类结果；所述任务属性对应的值包括：所述任务属性对应的序列标注结果。
2.根据权利要求1所述的方法，其中，所述输出层包括分类层和序列标注层，所述隐层输出向量包括第一隐层输出向量和第二隐层输出向量，所述采用所述输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值，包括：
采用所述分类层对所述第一隐层输出向量进行处理，以获得分类结果，所述分类结果包括：第一分类结果，或者，第二分类结果，所述第一分类结果用于表明所述对话信息中是否包含与所述任务名一致的信息，所述第二分类结果用于表明所述对话信息中是否包含与所述任务属性一致的信息；
若所述分类结果为所述第一分类结果，将所述第一分类结果作为所述任务名对应的值；
若所述分类结果为所述第二分类结果，且所述第二分类结果表明所述对话信息中包含与所述任务属性一致的信息，采用所述序列标注层对所述第二隐层输出向量进行处理，以获得序列标注结果，将所述序列标注结果作为所述任务属性对应的值。
3.一种对话理解模型的训练方法，包括：
获取训练数据，所述训练数据包括：对话信息样本和事先定义的目标任务的任务信息；其中，所述对话信息样本包括：当前轮之前的所有轮的对话信息样本；所述任务信息包括预设的关键字，所述关键字包括任务名和任务属性；
将所述对话信息和所述任务信息作为对话理解模型的输入，采用所述训练数据，训练所述对话理解模型，所述对话理解模型的输出包括对话理解结果，所述对话理解结果包括：所述任务名对应的值，以及所述任务属性对应的值；其中，所述任务名对应的值是所述任务名的分类结果；所述任务属性对应的值包括：所述任务属性对应的序列标注结果；
其中，所述对话理解模型包括：输入层、隐层和输出层，所述输入层用于将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；所述隐层用于分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；所述输出层用于对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值。
4.根据权利要求3所述的方法，其中，所述采用所述训练数据，训练对话理解模型，包括：
基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例；
采用所述正例和负例，训练对话理解模型。
5.根据权利要求4所述的方法，其中，所述对话状态包括意图名和词槽名，所述基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例，包括：
若所述目标任务的任务信息包括目标任务名，将意图名与所述目标任务名一致的对话信息样本，作为所述目标任务名对应的正例，将意图名与所述目标任务名不一致的对话信息样本，作为所述目标任务名对应的负例；和/或，
若所述目标任务的任务信息包括目标任务属性，将词槽名与所述目标任务属性一致的对话信息样本，作为所述目标任务属性对应的正例，将词槽名与所述目标任务属性不一致的对话信息样本，作为所述目标任务属性对应的负例。
6.一种对话理解装置，包括：
第一获取模块，用于获取对话信息；其中，所述对话信息包括：当前轮之前的所有轮的对话信息；
第二获取模块，用于获取所述对话信息对应的事先定义的当前任务的任务信息，所述任务信息包括预设的关键字，所述关键字包括任务名和任务属性；
对话理解模块，用于采用对话理解模型的输入层，将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；采用对话理解模型的隐层，分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；采用对话理解模型的输出层，对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值；将所述任务名对应的值，以及所述任务属性对应的值，作为对话理解结果；其中，所述任务名对应的值是所述任务名的分类结果；所述任务属性对应的值包括：所述任务属性对应的序列标注结果。
7.根据权利要求6所述的装置，其中，所述输出层包括分类层和序列标注层，所述隐层输出向量包括第一隐层输出向量和第二隐层输出向量，所述对话理解模块进一步具体用于：
采用所述分类层对所述第一隐层输出向量进行处理，以获得分类结果，所述分类结果包括：第一分类结果，或者，第二分类结果，所述第一分类结果用于表明所述对话信息中是否包含与所述任务名一致的信息，所述第二分类结果用于表明所述对话信息中是否包含与所述任务属性一致的信息；
若所述分类结果为所述第一分类结果，将所述第一分类结果作为所述任务名对应的值；
若所述分类结果为所述第二分类结果，且所述第二分类结果表明所述对话信息中包含与所述任务属性一致的信息，采用所述序列标注层对所述第二隐层输出向量进行处理，以获得序列标注结果，将所述序列标注结果作为所述任务属性对应的值。
8.一种对话理解模型的训练装置，包括：
获取模块，用于获取训练数据，所述训练数据包括：对话信息样本和事先定义的目标任务的任务信息；其中，所述对话信息样本包括：当前轮之前的所有轮的对话信息样本；所述任务信息包括预设的关键字，所述关键字包括任务名和任务属性；
训练模块，用于将所述对话信息和所述任务信息作为对话理解模型的输入，采用所述训练数据，训练所述对话理解模型，所述对话理解模型的输出包括对话理解结果，所述对话理解结果包括：所述任务名对应的值，以及所述任务属性对应的值；其中，所述任务名对应的值是所述任务名的分类结果；所述任务属性对应的值包括：所述任务属性对应的序列标注结果；
其中，所述对话理解模型包括：输入层、隐层和输出层，所述输入层用于将所述对话信息转换为对话输入向量，将所述任务名转换为任务名输入向量，将所述任务属性转换为任务属性输入向量；所述隐层用于分别匹配所述对话输入向量和所述任务名输入向量，以及所述对话输入向量和所述任务属性输入向量，以获得隐层输出向量；所述输出层用于对所述隐层输出向量进行处理，以获得所述任务名对应的值，以及所述任务属性对应的值。
9.根据权利要求8所述的装置，其中，所述训练模块具体用于：
基于所述对话信息样本对应的对话状态，获得所述目标任务的任务信息对应的正例和负例；
采用所述正例和负例，训练对话理解模型。
10.根据权利要求9所述的装置，其中，所述对话状态包括意图名和词槽名，所述训练模块进一步具体用于：
若所述目标任务的任务信息包括目标任务名，将意图名与所述目标任务名一致的对话信息样本，作为所述目标任务名对应的正例，将意图名与所述目标任务名不一致的对话信息样本，作为所述目标任务名对应的负例；和/或，
若所述目标任务的任务信息包括目标任务属性，将词槽名与所述目标任务属性一致的对话信息样本，作为所述目标任务属性对应的正例，将词槽名与所述目标任务属性不一致的对话信息样本，作为所述目标任务属性对应的负例。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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根据权利要求1-5中任一项所述的方法。
CN202110772319.6A 2021-07-08 2021-07-08 对话理解及模型训练方法、装置、设备和存储介质 Active CN113282736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110772319.6A CN113282736B (zh) 2021-07-08 2021-07-08 对话理解及模型训练方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110772319.6A CN113282736B (zh) 2021-07-08 2021-07-08 对话理解及模型训练方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113282736A CN113282736A (zh) 2021-08-20
CN113282736B true CN113282736B (zh) 2022-07-22

Family

ID=77286514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110772319.6A Active CN113282736B (zh) 2021-07-08 2021-07-08 对话理解及模型训练方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113282736B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254094A (zh) * 2021-12-17 2022-03-29 北京百度网讯科技有限公司 用于对话系统的数据处理方法、装置、设备和介质
CN114490968B (zh) * 2021-12-29 2022-11-25 北京百度网讯科技有限公司 对话状态跟踪方法、模型训练方法、装置以及电子设备
CN114444462B (zh) * 2022-01-26 2022-11-29 北京百度网讯科技有限公司 模型训练方法及人机交互方法、装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018102240A1 (en) * 2016-12-02 2018-06-07 Microsoft Technology Licensing, Llc Joint language understanding and dialogue management

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6510411B1 (en) * 1999-10-29 2003-01-21 Unisys Corporation Task oriented dialog model and manager
CN109063035B (zh) * 2018-07-16 2021-11-09 哈尔滨工业大学 一种面向出行领域的人机多轮对话方法
CN109858030B (zh) * 2019-02-11 2020-11-06 北京邮电大学 双向的意图槽值交叉相关的任务型对话理解系统及方法
CN110704594A (zh) * 2019-09-27 2020-01-17 北京百度网讯科技有限公司 基于人工智能的任务型对话交互处理方法、装置
CN111639168B (zh) * 2020-05-21 2023-06-09 北京百度网讯科技有限公司 一种多轮对话的处理方法、装置、电子设备及存储介质
CN112507099B (zh) * 2020-12-18 2021-12-24 北京百度网讯科技有限公司 对话理解模型的训练方法、装置、设备和存储介质
CN112507103A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 任务型对话及模型训练方法、装置、设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018102240A1 (en) * 2016-12-02 2018-06-07 Microsoft Technology Licensing, Llc Joint language understanding and dialogue management

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任务型对话系统研究综述;赵阳洋 等;《计算机学报》;20201031;第43卷(第10期);全文 *
基于小样本机器学习的跨任务对话系统;刘继明等;《重庆邮电大学学报(自然科学版)》;20190630(第03期);全文 *

Also Published As

Publication number Publication date
CN113282736A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN113282736B (zh) 对话理解及模型训练方法、装置、设备和存储介质
CN112507706B (zh) 知识预训练模型的训练方法、装置和电子设备
CN113407851B (zh) 基于双塔模型的确定推荐信息的方法、装置、设备和介质
CN113157874B (zh) 确定用户的意图的方法、装置、设备、介质和程序产品
CN114490985B (zh) 对话生成方法、装置、电子设备和存储介质
CN113378855A (zh) 用于处理多任务的方法、相关装置及计算机程序产品
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN112507103A (zh) 任务型对话及模型训练方法、装置、设备和存储介质
CN117421398A (zh) 人机交互方法、装置、设备以及存储介质
CN113836316B (zh) 三元组数据的处理方法、训练方法、装置、设备及介质
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN114244795A (zh) 一种信息的推送方法、装置、设备及介质
CN113743127B (zh) 任务型对话的方法、装置、电子设备及存储介质
CN113204616B (zh) 文本抽取模型的训练与文本抽取的方法、装置
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
CN115329132A (zh) 生成视频标签的方法、装置、设备以及存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN113850072A (zh) 文本情感分析方法、情感分析模型训练方法、装置、设备及介质
CN113554062A (zh) 多分类模型的训练方法、设备和存储介质
CN112989805A (zh) 一种文本检测方法、装置、设备及存储介质
CN112580620A (zh) 标志图片处理方法、装置、设备和介质
CN113032540B (zh) 人机交互方法、装置、设备和存储介质
CN113076080B (zh) 模型训练方法和装置、意图识别方法和装置
CN115965018B (zh) 信息生成模型的训练方法、信息生成方法和装置
CN113705206B (zh) 情感预测模型的训练方法、装置、设备及存储介质

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