CN113326365A - 回复语句生成方法、装置、设备及存储介质 - Google Patents

回复语句生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113326365A
CN113326365A CN202110703677.1A CN202110703677A CN113326365A CN 113326365 A CN113326365 A CN 113326365A CN 202110703677 A CN202110703677 A CN 202110703677A CN 113326365 A CN113326365 A CN 113326365A
Authority
CN
China
Prior art keywords
information
vector
preset
acquiring
sentence
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.)
Granted
Application number
CN202110703677.1A
Other languages
English (en)
Other versions
CN113326365B (zh
Inventor
谭维
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.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China 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 Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202110703677.1A priority Critical patent/CN113326365B/zh
Publication of CN113326365A publication Critical patent/CN113326365A/zh
Application granted granted Critical
Publication of CN113326365B publication Critical patent/CN113326365B/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
    • 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
    • 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
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明涉及人工智能，提供一种回复语句生成方法、装置、设备及存储介质。该方法能够根据语句生成请求获取对话信息，识别对话信息中的实体信息，根据实体信息生成编码向量，根据编码向量提取对话信息中的语义特征，得到语义向量，将语义向量输入至预先训练好的分类预测模型中，得到预测操作，检测预测操作是否为预设操作，当所述预测操作不为预设操作时，获取对话信息的目标时间，并获取当前时间，若目标时间与当前时间的时间差大于预设值，根据语义向量获取待填充槽位，根据待填充槽位及语义向量生成回复语句。本发明能够准确生成回复语句。此外，本发明还涉及区块链技术，所述回复语句可存储于区块链中。

Description

回复语句生成方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种回复语句生成方法、装置、设备及存储介质。
背景技术
在目前的人机交互系统中，通常是根据当前对话状态从知识库中搜索出相应结果进行分析，然而，通过对搜索结果进行分析无法全面获取到整个当前对话状态的语义，导致预测机器人操作的准确性低下，进而使生成的回复语句也不准确，从而造成在任务型对话中对话环节的增多，以及非任务型对话中的泛化能力低下。
发明内容
鉴于以上内容，有必要提供一种回复语句生成方法、装置、设备及存储介质，能够准确的生成回复语句。
一方面，本发明提出一种回复语句生成方法，所述回复语句生成方法包括：
当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
根据所述待填充槽位及所述语义向量生成回复语句。
根据本发明优选实施例，所述根据所述语句生成请求获取对话信息包括：
解析所述语句生成请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取指示发送的地址作为发送地址；
将与所述发送地址对应的设备确定为触发设备；
获取所述语句生成请求的请求生成时间；
从所述触发设备中获取与所述请求生成时间对应的日志作为目标日志；
从所述目标日志中获取指示位置的信息作为存储路径；
获取所述存储路径中的所有信息作为所述对话信息。
根据本发明优选实施例，所述识别所述对话信息中的实体信息包括：
获取所述对话信息中每个对话语句的信息生成时间；
根据所述信息生成时间从小至大的顺序对所述对话语句进行排序，得到语句文本信息；
根据预设词典对所述语句文本信息进行切分，得到多个路径及每个路径对应的路径分词；
从所述预设词典中获取所述路径分词的分词权值，并计算所述分词权值的总和，得到每个路径的路径概率；
将所述路径概率最大的路径对应的所述路径分词确定为初始分词；
剔除所述初始分词中的停用词，得到多个语句分词；
分析每个语句分词在所述语句文本信息中的语句词性；
将与预设词性相同的所述语句词性对应的语句分词确定为所述实体信息。
根据本发明优选实施例，所述根据所述实体信息生成所述对话信息的编码向量包括：
计算所述多个语句分词的分词总量；
以所述分词总量作为维度创建初始向量；
获取所述实体信息在所述多个语句分词中的分词序号；
根据所述分词序号确定所述实体信息在所述初始向量中的信息位置；
基于预设数值对所述信息位置进行更新，得到所述编码向量。
根据本发明优选实施例，所述根据所述编码向量提取所述对话信息中的语义特征，得到语义向量包括：
将所述编码向量输入至预设网络中，得到第一特征向量；
对所述编码向量进行反向处理，得到反编向量；
将所述反编向量输入至所述预设网络中，得到第二特征向量；
计算所述第一特征向量中的第一元素与所述第二特征向量中与所述第一元素相同位置的第二元素的总和，得到目标特征向量；
对所述目标特征向量中的目标元素进行归一化处理，得到所述语义向量。
根据本发明优选实施例，所述根据所述语义向量获取待填充槽位包括：
将所述语义向量输入至预设意图识别模型中，得到意图向量；
从所述预设意图识别模型中获取意图映射表，并根据所述意图映射表对所述意图向量进行映射处理，得到信息意图；
获取与所述信息意图对应的所有槽位信息作为所述信息意图的执行槽位；
拼接所述语义向量及所述意图向量，得到拼接向量；
将所述拼接向量输入至预设槽位识别模型中，得到槽位向量；
从所述预设槽位识别模型中获取槽位映射表，并根据所述槽位映射表对所述槽位向量进行映射处理，得到信息槽位；
将所述信息槽位从所述执行槽位中剔除，得到所述待填充槽位。
根据本发明优选实施例，所述根据所述待填充槽位及所述语义向量生成回复语句包括：
对所述语义向量进行映射处理，得到语义信息；
将所述语义信息写入第一预设模板中，得到待确认信息；
将所述待填充槽位写入第二预设模板中，得到槽位请求信息；
合并所述待确认信息及所述槽位请求信息，得到所述回复语句。
另一方面，本发明还提出一种回复语句生成装置，所述回复语句生成装置包括：
获取单元，用于当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
生成单元，用于识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
提取单元，用于根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
检测单元，用于将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
所述获取单元，还用于当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
所述获取单元，还用于若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
所述生成单元，还用于根据所述待填充槽位及所述语义向量生成回复语句。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述回复语句生成方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述回复语句生成方法。
由以上技术方案可以看出，本发明通过所述语义向量及所述分类预测模型能够准确的确定出所述预测操作，进而根据所述对话信息中的相关信息生成与所述预测操作相应的回复语句，不仅提高了所述回复语句的生成准确性及全面性，还提高非任务型对话的泛化能力，同时，本发明通过全面的所述回复语句能够减少任务型对话过程中的对话环节，从而能够提高服务效率。此外，本发明通过所述语义向量能够直接获取到所述待填充槽位，从而能够提高所述回复语句的生成效率。
附图说明
图1是本发明回复语句生成方法的较佳实施例的流程图。
图2是本发明回复语句生成装置的较佳实施例的功能模块图。
图3是本发明实现回复语句生成方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明回复语句生成方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述回复语句生成方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到语句生成请求时，根据所述语句生成请求获取对话信息。
在本发明的至少一个实施例中，所述语句生成请求可以由任务型机器人触发生成，也可以由非任务型机器人触发生成。
所述语句生成请求携带的信息包括请求生成时间、地址信息等。
所述对话信息是指机器人与用户的聊天对话，所述对话信息中可以包括多轮聊天对话，每轮聊天对话有且包含一句机器人触发生成的聊天语句。
在本发明的至少一个实施例中，所述电子设备根据所述语句生成请求获取对话信息包括：
解析所述语句生成请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取指示发送的地址作为发送地址；
将与所述发送地址对应的设备确定为触发设备；
获取所述语句生成请求的请求生成时间；
从所述触发设备中获取与所述请求生成时间对应的日志作为目标日志；
从所述目标日志中获取指示位置的信息作为存储路径；
获取所述存储路径中的所有信息作为所述对话信息。
其中，所述地址信息包括：所述发送地址及所述电子设备的地址。
进一步地，所述发送地址是指将所述语句生成请求发送至所述电子设备中的地址，所述发送地址可以是任意机器人的设备地址。
所述请求生成时间可以是一个时间点，也可以是一个时间段。
所述存储路径中存储有与所述语句生成请求对应的人机对话数据。
通过解析所述报文头，由于无需解析所述语句生成请求的方法体，因此，能够提高所述地址信息的获取效率，从而提高所述触发设备的确定效率，通过所述请求生成时间及所述触发设备能够准确的确定出所述目标日志，进而能够准确的获取到所述对话信息。
S11，识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量。
在本发明的至少一个实施例中，所述实体信息是指在所述对话信息中词性为预设词性的分词。
所述编码向量用于表征所述对话信息。
在本发明的至少一个实施例中，所述电子设备识别所述对话信息中的实体信息包括：
获取所述对话信息中每个对话语句的信息生成时间；
根据所述信息生成时间从小至大的顺序对所述对话语句进行排序，得到语句文本信息；
根据预设词典对所述语句文本信息进行切分，得到多个路径及每个路径对应的路径分词；
从所述预设词典中获取所述路径分词的分词权值，并计算所述分词权值的总和，得到每个路径的路径概率；
将所述路径概率最大的路径对应的所述路径分词确定为初始分词；
剔除所述初始分词中的停用词，得到多个语句分词；
分析每个语句分词在所述语句文本信息中的语句词性；
将与预设词性相同的所述语句词性对应的语句分词确定为所述实体信息。
其中，所述信息生成时间是指所述对话语句显示到用户界面的时间。
所述预设词典中包括多个自定义词及每个自定义词的切分权值。
所述停用词可以从预设停用词表中确定。
所述预设词性可以是动词，所述预设词性也可以是名词。
通过所述信息生成时间生成所述语句文本信息，能够避免所述信息生成时间对所述语句文本信息中语义的影响，由于预测操作与所述预设词性有关，因此通过对所述语句分词的词性分析以及所述语句词性与所述预设词性的比较能够准确的确定出实体信息。
在本发明的至少一个实施例中，所述电子设备根据所述实体信息生成所述对话信息的编码向量包括：
计算所述多个语句分词的分词总量；
以所述分词总量作为维度创建初始向量；
获取所述实体信息在所述多个语句分词中的分词序号；
根据所述分词序号确定所述实体信息在所述初始向量中的信息位置；
基于预设数值对所述信息位置进行更新，得到所述编码向量。
其中，所述分词序号是指所述实体信息在所述语句文本信息切分后得到的所述多个语句分词中的位置。
所述预设数值是指与所述初始向量中的初始设定值不同的值。
通过所述分词总量创建所述初始向量，能够使所述初始向量中包含有所述多个语句分词的信息，进而提高所述编码向量的编码准确性，此外，通过所述实体信息生成所述编码向量，有利于后续能够快速提取语义特征。
S12，根据所述编码向量提取所述对话信息中的语义特征，得到语义向量。
在本发明的至少一个实施例中，所述语义向量用于指示所述对话信息的语义。
在本发明的至少一个实施例中，所述电子设备根据所述编码向量提取所述对话信息中的语义特征，得到语义向量包括：
将所述编码向量输入至预设网络中，得到第一特征向量；
对所述编码向量进行反向处理，得到反编向量；
将所述反编向量输入至所述预设网络中，得到第二特征向量；
计算所述第一特征向量中的第一元素与所述第二特征向量中与所述第一元素相同位置的第二元素的总和，得到目标特征向量；
对所述目标特征向量中的目标元素进行归一化处理，得到所述语义向量。
其中，所述预设网络中包括遗忘门层、更新门层及输出门层，所述遗忘门层用于提取所述编码向量中当前元素与前一元素有关的重要信息，所述更新门层用于提取所述当前元素中的重要信息，所述输出门层用于输出所述编码向量的特征信息。
通过上述实施方式，由于通过所述预设网络对所述编码向量进行特征提取，能够得到具有利用过去时刻的编码信息分析的第一特征向量，以及，通过所述预设网络对所述反编向量进行特征提取，能够得到具有利用未来时刻的编码信息分析的第二特征向量，因此，通过同一网络能够同时利用过去时刻和未来时刻的编码信息，从而能够快速并准确的生成所述语义向量。
S13，将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作。
在本发明的至少一个实施例中，所述分类预测模型中定义有任务操作，以及完成该任务操作所需的槽位信息。
所述预测操作是指根据所述对话信息确定出的下一步处理操作，所述预测操作可以是所述多个执行操作中的任一操作，也可以是请求操作。
所述多个执行操作包括，但不限于：查询操作、订票操作等，进一步地，所述查询操作可以包括查询天气、查询航班等。
在本发明的至少一个实施例中，所述电子设备将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作包括：
获取所述分类预测模型中的权重矩阵及偏置值；
计算所述语义向量与所述预设权重矩阵的乘积，得到中间向量；
计算所述中间向量中每个元素与所述预设偏置值的总和，得到分数向量；
对所述分数向量进行归一化处理，得到类别向量；
将所述类别向量中取值最大的元素对应的操作确定为所述预测操作。
其中，所述权值矩阵及所述偏置值可以根据所述分类预测模型的学习率进行调整。
通过所述权重矩阵及所述偏置值能够准确的将所述语义向量中的特征映射到操作类别上，从而能够准确的确定出所述预测操作，同时，通过归一化处理能够快速确定出所述预测操作。
在本发明的至少一个实施例中，所述电子设备检测所述预测操作是否为预设操作包括：
获取所述预设操作中的所有操作，将所述预测操作与所述所有操作进行比较；
当所述预测操作与所述所有操作都不同时，确定所述预测操作不为所述预设操作；或者
当所述预测操作与所述所有操作中的任一操作相同，确定所述预测操作为所述预设操作。
S14，当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间。
在本发明的至少一个实施例中，所述预测操作不为所述预设操作，也就是说，执行用户任务所需的槽位信息不足。
在本发明的至少一个实施例中，所述目标时间是指所述对话信息中距离当前时刻最近的语句的生成时间。
所述当前时间是指所述电子设备接收到所述语句生成请求的时间。
在本发明的至少一个实施例中，所述电子设备获取所述对话信息的目标时间包括：
从所述信息生成时间中获取取值最大的时间作为所述目标时间。
由于取值最大的信息生成时间距离当前时刻最近，因此，通过上述实施方式，能够准确的确定出所述目标时间。
在本发明的至少一个实施例中，所述电子设备获取当前时间包括：
获取所述语句生成请求的请求编号；
获取与所述请求编号对应的接收日志；
从所述接收日志中获取所述当前时间。
S15，若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位。
在本发明的至少一个实施例中，所述预设值可以根据场景需求自定义设置。
所述待填充槽位是指在所述对话信息中执行用户任务所需的其他槽位，所述其他槽位是指在所述对话信息中未提及的槽位。
在本发明的至少一个实施例中，所述电子设备根据所述语义向量获取待填充槽位包括：
将所述语义向量输入至预设意图识别模型中，得到意图向量；
从所述预设意图识别模型中获取意图映射表，并根据所述意图映射表对所述意图向量进行映射处理，得到信息意图；
获取与所述信息意图对应的所有槽位信息作为所述信息意图的执行槽位；
拼接所述语义向量及所述意图向量，得到拼接向量；
将所述拼接向量输入至预设槽位识别模型中，得到槽位向量；
从所述预设槽位识别模型中获取槽位映射表，并根据所述槽位映射表对所述槽位向量进行映射处理，得到信息槽位；
将所述信息槽位从所述执行槽位中剔除，得到所述待填充槽位。
其中，所述预设意图识别模型是根据多个第一信息样本训练得到的，每个第一信息样本包括训练信息及训练意图，所述意图映射表是根据所述训练意图编码确定的。
所述预设槽位识别模型是根据多个第二信息样本训练得到的，每个第二信息样本包括所述训练信息、所述训练意图及训练槽位，所述槽位映射表是根据所述训练槽位编码确定的。
通过所述预设意图识别模型及所述预设槽位识别模型直接分析所述语义向量，由于无需重复提取所述对话信息中的语义特征，因此，能够提高所述信息意图及所述信息槽位的确认效率，此外，结合所述语义向量及所述意图向量对所述槽位向量进行确定，由于所述预设槽位识别模型通过从所述意图向量所在的维度分析所述语义向量中包含的槽位，因此，能够准确的确定出所述槽位向量，从而能够准确的确定出所述待填充槽位。
S16，根据所述待填充槽位及所述语义向量生成回复语句。
在本发明的至少一个实施例中，所述回复语句是指所述对话信息的答复语句。
需要强调的是，为进一步保证上述回复语句的私密和安全性，上述回复语句还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备根据所述待填充槽位及所述语义向量生成回复语句包括：
对所述语义向量进行映射处理，得到语义信息；
将所述语义信息写入第一预设模板中，得到待确认信息；
将所述待填充槽位写入第二预设模板中，得到槽位请求信息；
合并所述待确认信息及所述槽位请求信息，得到所述回复语句。
其中，所述第一预设模板中包含请求确认的语句信息，例如，该语句信息可以包括：请确认如下信息是否准确。
所述第二预设模板中包含请求填充的语句信息。
通过所述第一预设模板及所述第二预设模板分别能够快速生成所述待确认信息及所述槽位请求信息，从而能够快速回复用户，此外，通过所述待确认信息的生成，以便用户进行信息确认，有利于后续能够准确的执行用户需求。
在本发明的至少一个实施例中，在根据所述待填充槽位及所述语义向量生成回复语句后，所述方法还包括：
根据所述请求编号及所述回复语句生成提示信息；
采用对称加密技术加密所述提示信息，得到密文；
将所述密文发送至所述触发设备。
通过上述实施方式，不仅能够将所述回复语句快速发送至所述触发设备中，还能够提高所述回复语句的安全性。
如图2所示，是本发明回复语句生成装置的较佳实施例的功能模块图。所述回复语句生成装置11包括获取单元110、生成单元111、提取单元112、检测单元113、加密单元114及发送单元115。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到语句生成请求时，获取单元110根据所述语句生成请求获取对话信息。
在本发明的至少一个实施例中，所述语句生成请求可以由任务型机器人触发生成，也可以由非任务型机器人触发生成。
所述语句生成请求携带的信息包括请求生成时间、地址信息等。
所述对话信息是指机器人与用户的聊天对话，所述对话信息中可以包括多轮聊天对话，每轮聊天对话有且包含一句机器人触发生成的聊天语句。
在本发明的至少一个实施例中，所述获取单元110根据所述语句生成请求获取对话信息包括：
解析所述语句生成请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取指示发送的地址作为发送地址；
将与所述发送地址对应的设备确定为触发设备；
获取所述语句生成请求的请求生成时间；
从所述触发设备中获取与所述请求生成时间对应的日志作为目标日志；
从所述目标日志中获取指示位置的信息作为存储路径；
获取所述存储路径中的所有信息作为所述对话信息。
其中，所述地址信息包括：所述发送地址及所述电子设备的地址。
进一步地，所述发送地址是指将所述语句生成请求发送至电子设备中的地址，所述发送地址可以是任意机器人的设备地址。
所述请求生成时间可以是一个时间点，也可以是一个时间段。
所述存储路径中存储有与所述语句生成请求对应的人机对话数据。
通过解析所述报文头，由于无需解析所述语句生成请求的方法体，因此，能够提高所述地址信息的获取效率，从而提高所述触发设备的确定效率，通过所述请求生成时间及所述触发设备能够准确的确定出所述目标日志，进而能够准确的获取到所述对话信息。
生成单元111识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量。
在本发明的至少一个实施例中，所述实体信息是指在所述对话信息中词性为预设词性的分词。
所述编码向量用于表征所述对话信息。
在本发明的至少一个实施例中，所述生成单元111识别所述对话信息中的实体信息包括：
获取所述对话信息中每个对话语句的信息生成时间；
根据所述信息生成时间从小至大的顺序对所述对话语句进行排序，得到语句文本信息；
根据预设词典对所述语句文本信息进行切分，得到多个路径及每个路径对应的路径分词；
从所述预设词典中获取所述路径分词的分词权值，并计算所述分词权值的总和，得到每个路径的路径概率；
将所述路径概率最大的路径对应的所述路径分词确定为初始分词；
剔除所述初始分词中的停用词，得到多个语句分词；
分析每个语句分词在所述语句文本信息中的语句词性；
将与预设词性相同的所述语句词性对应的语句分词确定为所述实体信息。
其中，所述信息生成时间是指所述对话语句显示到用户界面的时间。
所述预设词典中包括多个自定义词及每个自定义词的切分权值。
所述停用词可以从预设停用词表中确定。
所述预设词性可以是动词，所述预设词性也可以是名词。
通过所述信息生成时间生成所述语句文本信息，能够避免所述信息生成时间对所述语句文本信息中语义的影响，由于预测操作与所述预设词性有关，因此通过对所述语句分词的词性分析以及所述语句词性与所述预设词性的比较能够准确的确定出实体信息。
在本发明的至少一个实施例中，所述生成单元111根据所述实体信息生成所述对话信息的编码向量包括：
计算所述多个语句分词的分词总量；
以所述分词总量作为维度创建初始向量；
获取所述实体信息在所述多个语句分词中的分词序号；
根据所述分词序号确定所述实体信息在所述初始向量中的信息位置；
基于预设数值对所述信息位置进行更新，得到所述编码向量。
其中，所述分词序号是指所述实体信息在所述语句文本信息切分后得到的所述多个语句分词中的位置。
所述预设数值是指与所述初始向量中的初始设定值不同的值。
通过所述分词总量创建所述初始向量，能够使所述初始向量中包含有所述多个语句分词的信息，进而提高所述编码向量的编码准确性，此外，通过所述实体信息生成所述编码向量，有利于后续能够快速提取语义特征。
提取单元112根据所述编码向量提取所述对话信息中的语义特征，得到语义向量。
在本发明的至少一个实施例中，所述语义向量用于指示所述对话信息的语义。
在本发明的至少一个实施例中，所述提取单元112根据所述编码向量提取所述对话信息中的语义特征，得到语义向量包括：
将所述编码向量输入至预设网络中，得到第一特征向量；
对所述编码向量进行反向处理，得到反编向量；
将所述反编向量输入至所述预设网络中，得到第二特征向量；
计算所述第一特征向量中的第一元素与所述第二特征向量中与所述第一元素相同位置的第二元素的总和，得到目标特征向量；
对所述目标特征向量中的目标元素进行归一化处理，得到所述语义向量。
其中，所述预设网络中包括遗忘门层、更新门层及输出门层，所述遗忘门层用于提取所述编码向量中当前元素与前一元素有关的重要信息，所述更新门层用于提取所述当前元素中的重要信息，所述输出门层用于输出所述编码向量的特征信息。
通过上述实施方式，由于通过所述预设网络对所述编码向量进行特征提取，能够得到具有利用过去时刻的编码信息分析的第一特征向量，以及，通过所述预设网络对所述反编向量进行特征提取，能够得到具有利用未来时刻的编码信息分析的第二特征向量，因此，通过同一网络能够同时利用过去时刻和未来时刻的编码信息，从而能够快速并准确的生成所述语义向量。
检测单元113将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作。
在本发明的至少一个实施例中，所述分类预测模型中定义有任务操作，以及完成该任务操作所需的槽位信息。
所述预测操作是指根据所述对话信息确定出的下一步处理操作，所述预测操作可以是所述多个执行操作中的任一操作，也可以是请求操作。
所述多个执行操作包括，但不限于：查询操作、订票操作等，进一步地，所述查询操作可以包括查询天气、查询航班等。
在本发明的至少一个实施例中，所述检测单元113将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作包括：
获取所述分类预测模型中的权重矩阵及偏置值；
计算所述语义向量与所述预设权重矩阵的乘积，得到中间向量；
计算所述中间向量中每个元素与所述预设偏置值的总和，得到分数向量；
对所述分数向量进行归一化处理，得到类别向量；
将所述类别向量中取值最大的元素对应的操作确定为所述预测操作。
其中，所述权值矩阵及所述偏置值可以根据所述分类预测模型的学习率进行调整。
通过所述权重矩阵及所述偏置值能够准确的将所述语义向量中的特征映射到操作类别上，从而能够准确的确定出所述预测操作，同时，通过归一化处理能够快速确定出所述预测操作。
在本发明的至少一个实施例中，所述检测单元113检测所述预测操作是否为预设操作包括：
获取所述预设操作中的所有操作，将所述预测操作与所述所有操作进行比较；
当所述预测操作与所述所有操作都不同时，确定所述预测操作不为所述预设操作；或者
当所述预测操作与所述所有操作中的任一操作相同，确定所述预测操作为所述预设操作。
当所述预测操作不为所述预设操作时，所述获取单元110获取所述对话信息的目标时间，并获取当前时间。
在本发明的至少一个实施例中，所述预测操作不为所述预设操作，也就是说，执行用户任务所需的槽位信息不足。
在本发明的至少一个实施例中，所述目标时间是指所述对话信息中距离当前时刻最近的语句的生成时间。
所述当前时间是指所述获取单元110接收到所述语句生成请求的时间。
在本发明的至少一个实施例中，所述获取单元110获取所述对话信息的目标时间包括：
从所述信息生成时间中获取取值最大的时间作为所述目标时间。
由于取值最大的信息生成时间距离当前时刻最近，因此，通过上述实施方式，能够准确的确定出所述目标时间。
在本发明的至少一个实施例中，所述获取单元110获取当前时间包括：
获取所述语句生成请求的请求编号；
获取与所述请求编号对应的接收日志；
从所述接收日志中获取所述当前时间。
若所述目标时间与所述当前时间的时间差大于预设值，所述获取单元110根据所述语义向量获取待填充槽位。
在本发明的至少一个实施例中，所述预设值可以根据场景需求自定义设置。
所述待填充槽位是指在所述对话信息中执行用户任务所需的其他槽位，所述其他槽位是指在所述对话信息中未提及的槽位。
在本发明的至少一个实施例中，所述获取单元110根据所述语义向量获取待填充槽位包括：
将所述语义向量输入至预设意图识别模型中，得到意图向量；
从所述预设意图识别模型中获取意图映射表，并根据所述意图映射表对所述意图向量进行映射处理，得到信息意图；
获取与所述信息意图对应的所有槽位信息作为所述信息意图的执行槽位；
拼接所述语义向量及所述意图向量，得到拼接向量；
将所述拼接向量输入至预设槽位识别模型中，得到槽位向量；
从所述预设槽位识别模型中获取槽位映射表，并根据所述槽位映射表对所述槽位向量进行映射处理，得到信息槽位；
将所述信息槽位从所述执行槽位中剔除，得到所述待填充槽位。
其中，所述预设意图识别模型是根据多个第一信息样本训练得到的，每个第一信息样本包括训练信息及训练意图，所述意图映射表是根据所述训练意图编码确定的。
所述预设槽位识别模型是根据多个第二信息样本训练得到的，每个第二信息样本包括所述训练信息、所述训练意图及训练槽位，所述槽位映射表是根据所述训练槽位编码确定的。
通过所述预设意图识别模型及所述预设槽位识别模型直接分析所述语义向量，由于无需重复提取所述对话信息中的语义特征，因此，能够提高所述信息意图及所述信息槽位的确认效率，此外，结合所述语义向量及所述意图向量对所述槽位向量进行确定，由于所述预设槽位识别模型通过从所述意图向量所在的维度分析所述语义向量中包含的槽位，因此，能够准确的确定出所述槽位向量，从而能够准确的确定出所述待填充槽位。
所述生成单元111根据所述待填充槽位及所述语义向量生成回复语句。
在本发明的至少一个实施例中，所述回复语句是指所述对话信息的答复语句。
需要强调的是，为进一步保证上述回复语句的私密和安全性，上述回复语句还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述生成单元111根据所述待填充槽位及所述语义向量生成回复语句包括：
对所述语义向量进行映射处理，得到语义信息；
将所述语义信息写入第一预设模板中，得到待确认信息；
将所述待填充槽位写入第二预设模板中，得到槽位请求信息；
合并所述待确认信息及所述槽位请求信息，得到所述回复语句。
其中，所述第一预设模板中包含请求确认的语句信息，例如，该语句信息可以包括：请确认如下信息是否准确。
所述第二预设模板中包含请求填充的语句信息。
通过所述第一预设模板及所述第二预设模板分别能够快速生成所述待确认信息及所述槽位请求信息，从而能够快速回复用户，此外，通过所述待确认信息的生成，以便用户进行信息确认，有利于后续能够准确的执行用户需求。
在本发明的至少一个实施例中，在根据所述待填充槽位及所述语义向量生成回复语句后，所述生成单元111根据所述请求编号及所述回复语句生成提示信息；
加密单元114采用对称加密技术加密所述提示信息，得到密文；
发送单元115将所述密文发送至所述触发设备。
通过上述实施方式，不仅能够将所述回复语句快速发送至所述触发设备中，还能够提高所述回复语句的安全性。
如图3所示，是本发明实现回复语句生成方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如回复语句生成程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、生成单元111、提取单元112、检测单元113、加密单元114及发送单元115。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种回复语句生成方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
根据所述待填充槽位及所述语义向量生成回复语句。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
根据所述待填充槽位及所述语义向量生成回复语句。
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，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种回复语句生成方法，其特征在于，所述回复语句生成方法包括：
当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
根据所述待填充槽位及所述语义向量生成回复语句。
2.如权利要求1所述的回复语句生成方法，其特征在于，所述根据所述语句生成请求获取对话信息包括：
解析所述语句生成请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中获取指示发送的地址作为发送地址；
将与所述发送地址对应的设备确定为触发设备；
获取所述语句生成请求的请求生成时间；
从所述触发设备中获取与所述请求生成时间对应的日志作为目标日志；
从所述目标日志中获取指示位置的信息作为存储路径；
获取所述存储路径中的所有信息作为所述对话信息。
3.如权利要求1所述的回复语句生成方法，其特征在于，所述识别所述对话信息中的实体信息包括：
获取所述对话信息中每个对话语句的信息生成时间；
根据所述信息生成时间从小至大的顺序对所述对话语句进行排序，得到语句文本信息；
根据预设词典对所述语句文本信息进行切分，得到多个路径及每个路径对应的路径分词；
从所述预设词典中获取所述路径分词的分词权值，并计算所述分词权值的总和，得到每个路径的路径概率；
将所述路径概率最大的路径对应的所述路径分词确定为初始分词；
剔除所述初始分词中的停用词，得到多个语句分词；
分析每个语句分词在所述语句文本信息中的语句词性；
将与预设词性相同的所述语句词性对应的语句分词确定为所述实体信息。
4.如权利要求3所述的回复语句生成方法，其特征在于，所述根据所述实体信息生成所述对话信息的编码向量包括：
计算所述多个语句分词的分词总量；
以所述分词总量作为维度创建初始向量；
获取所述实体信息在所述多个语句分词中的分词序号；
根据所述分词序号确定所述实体信息在所述初始向量中的信息位置；
基于预设数值对所述信息位置进行更新，得到所述编码向量。
5.如权利要求1所述的回复语句生成方法，其特征在于，所述根据所述编码向量提取所述对话信息中的语义特征，得到语义向量包括：
将所述编码向量输入至预设网络中，得到第一特征向量；
对所述编码向量进行反向处理，得到反编向量；
将所述反编向量输入至所述预设网络中，得到第二特征向量；
计算所述第一特征向量中的第一元素与所述第二特征向量中与所述第一元素相同位置的第二元素的总和，得到目标特征向量；
对所述目标特征向量中的目标元素进行归一化处理，得到所述语义向量。
6.如权利要求1所述的回复语句生成方法，其特征在于，所述根据所述语义向量获取待填充槽位包括：
将所述语义向量输入至预设意图识别模型中，得到意图向量；
从所述预设意图识别模型中获取意图映射表，并根据所述意图映射表对所述意图向量进行映射处理，得到信息意图；
获取与所述信息意图对应的所有槽位信息作为所述信息意图的执行槽位；
拼接所述语义向量及所述意图向量，得到拼接向量；
将所述拼接向量输入至预设槽位识别模型中，得到槽位向量；
从所述预设槽位识别模型中获取槽位映射表，并根据所述槽位映射表对所述槽位向量进行映射处理，得到信息槽位；
将所述信息槽位从所述执行槽位中剔除，得到所述待填充槽位。
7.如权利要求1所述的回复语句生成方法，其特征在于，所述根据所述待填充槽位及所述语义向量生成回复语句包括：
对所述语义向量进行映射处理，得到语义信息；
将所述语义信息写入第一预设模板中，得到待确认信息；
将所述待填充槽位写入第二预设模板中，得到槽位请求信息；
合并所述待确认信息及所述槽位请求信息，得到所述回复语句。
8.一种回复语句生成装置，其特征在于，所述回复语句生成装置包括：
获取单元，用于当接收到语句生成请求时，根据所述语句生成请求获取对话信息；
生成单元，用于识别所述对话信息中的实体信息，并根据所述实体信息生成所述对话信息的编码向量；
提取单元，用于根据所述编码向量提取所述对话信息中的语义特征，得到语义向量；
检测单元，用于将所述语义向量输入至预先训练好的分类预测模型中，得到预测操作，并检测所述预测操作是否为预设操作，所述预设操作包括多个执行操作；
所述获取单元，还用于当所述预测操作不为所述预设操作时，获取所述对话信息的目标时间，并获取当前时间；
所述获取单元，还用于若所述目标时间与所述当前时间的时间差大于预设值，根据所述语义向量获取待填充槽位；
所述生成单元，还用于根据所述待填充槽位及所述语义向量生成回复语句。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的回复语句生成方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的回复语句生成方法。
CN202110703677.1A 2021-06-24 2021-06-24 回复语句生成方法、装置、设备及存储介质 Active CN113326365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110703677.1A CN113326365B (zh) 2021-06-24 2021-06-24 回复语句生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110703677.1A CN113326365B (zh) 2021-06-24 2021-06-24 回复语句生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113326365A true CN113326365A (zh) 2021-08-31
CN113326365B CN113326365B (zh) 2023-11-07

Family

ID=77424557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110703677.1A Active CN113326365B (zh) 2021-06-24 2021-06-24 回复语句生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113326365B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925181A (zh) * 2022-04-28 2022-08-19 支付宝(杭州)信息技术有限公司 数据处理方法及装置、计算机存储介质及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460115A (zh) * 2020-03-17 2020-07-28 深圳市优必选科技股份有限公司 智能人机对话模型训练方法、模型训练装置及电子设备
CN112163067A (zh) * 2020-09-24 2021-01-01 平安直通咨询有限公司上海分公司 一种语句答复方法、语句答复装置及电子设备
WO2021027198A1 (zh) * 2019-08-15 2021-02-18 苏州思必驰信息科技有限公司 语音对话处理方法及装置
CN113012687A (zh) * 2021-03-05 2021-06-22 北京嘀嘀无限科技发展有限公司 一种信息交互方法、装置及电子设备
CN113010661A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 解析语句的方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027198A1 (zh) * 2019-08-15 2021-02-18 苏州思必驰信息科技有限公司 语音对话处理方法及装置
CN111460115A (zh) * 2020-03-17 2020-07-28 深圳市优必选科技股份有限公司 智能人机对话模型训练方法、模型训练装置及电子设备
CN112163067A (zh) * 2020-09-24 2021-01-01 平安直通咨询有限公司上海分公司 一种语句答复方法、语句答复装置及电子设备
CN113012687A (zh) * 2021-03-05 2021-06-22 北京嘀嘀无限科技发展有限公司 一种信息交互方法、装置及电子设备
CN113010661A (zh) * 2021-04-22 2021-06-22 中国平安人寿保险股份有限公司 解析语句的方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925181A (zh) * 2022-04-28 2022-08-19 支付宝(杭州)信息技术有限公司 数据处理方法及装置、计算机存储介质及终端

Also Published As

Publication number Publication date
CN113326365B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN111694826B (zh) 基于人工智能的数据增强方法、装置、电子设备及介质
CN113032528B (zh) 案件分析方法、装置、设备及存储介质
CN113283675B (zh) 指标数据分析方法、装置、设备及存储介质
CN113656547B (zh) 文本匹配方法、装置、设备及存储介质
CN113408278B (zh) 意图识别方法、装置、设备及存储介质
CN113408268B (zh) 槽位填充方法、装置、设备及存储介质
CN113094478B (zh) 表情回复方法、装置、设备及存储介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN113435196B (zh) 意图识别方法、装置、设备及存储介质
CN113064973A (zh) 文本分类方法、装置、设备及存储介质
CN113342977A (zh) 发票图像分类方法、装置、设备及存储介质
CN113535925A (zh) 语音播报方法、装置、设备及存储介质
CN113268597A (zh) 文本分类方法、装置、设备及存储介质
CN112199494A (zh) 医疗信息搜索方法、装置、电子设备及存储介质
CN113420143B (zh) 文书摘要生成方法、装置、设备及存储介质
CN113536770B (zh) 基于人工智能的文本解析方法、装置、设备及存储介质
CN114418398A (zh) 场景任务开发方法、装置、设备及存储介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113326365B (zh) 回复语句生成方法、装置、设备及存储介质
CN113420545B (zh) 摘要生成方法、装置、设备及存储介质
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN113408265B (zh) 基于人机交互的语义解析方法、装置、设备及存储介质
CN114943474A (zh) 研发工作量检测方法、装置、设备及存储介质
CN112989044B (zh) 文本分类方法、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