CN113688220A - 一种基于语义理解的文本机器人对话方法及系统 - Google Patents
一种基于语义理解的文本机器人对话方法及系统 Download PDFInfo
- Publication number
- CN113688220A CN113688220A CN202111024853.5A CN202111024853A CN113688220A CN 113688220 A CN113688220 A CN 113688220A CN 202111024853 A CN202111024853 A CN 202111024853A CN 113688220 A CN113688220 A CN 113688220A
- Authority
- CN
- China
- Prior art keywords
- information
- obtaining
- user
- text
- result
- 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
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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于语义理解的文本机器人对话方法及系统,所述方法包括:通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;进一步的,获得第一粒度分类结果,根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;通过所述第一质量控制模块获得第一用户兴趣特征,最终生成第一对话语料库进行对话。解决了现有技术中存在任务型机器人不能基于用户的一段文字指令判断用户意图并及时做出相应反馈,不能及时解决用户实际需求的技术问题。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于语义理解的文本机器人对话方法及系统。
背景技术
随着人工智能的迅速发展,理解人类语言并能够与人类对话、给出相应的信息反馈的机器人成为了最大的需求。在这样的背景下,智能聊天机器人慢慢走入人们的视野,在这股机器人热潮中,能够帮助用户解决日常生活中各种事情的任务型机器人应运而生。
任务型机器人对话的最大挑战就是要把人的自然语言翻译成机器可以听得懂的指令,并结合特定背景准确理解用户语义,从而快速给出相应的正确反馈。在用户仅输入一句指令的情况下,机器要想准确了解用户想要得到哪一类的反馈,需首先对用户输入的文本信息处理得到机器可以反馈的常规语料,明确用户对话的目的,才可以继续后面的操作,最终帮助用户解决一系列生活中遇到的问题。
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:
现有技术中存在任务型机器人无法快速准确地理解用户发出的文本信息,不能基于用户的一段文字指令判断用户意图并做出相应反馈,因此没能及时解决用户实际需求的技术问题。
发明内容
有鉴于此,本申请实施例通过提供一种基于语义理解的文本机器人对话方法及系统,所述方法包括:通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。解决了现有技术中存在任务型机器人无法快速准确地理解用户发出的文本信息,不能基于用户的一段文字指令判断用户意图并做出相应反馈,因此没能及时解决用户实际需求的技术问题。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
鉴于上述问题,本申请实施例提供了一种基于语义理解的文本机器人对话方法及系统。
第一方面,本申请提供了一种基于语义理解的文本机器人对话方法,所述方法通过一种基于语义理解的文本机器人对话系统实现,其中,所述方法包括:通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
另一方面,本申请还提供了一种基于语义理解的文本机器人对话系统,用于执行如第一方面所述的一种基于语义理解的文本机器人对话方法,所述系统包括第一质量控制模块,其中,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用户的第一对话文本信息;第一构建单元:所述第一构建单元用于基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;第二获得单元:所述第二获得单元用于根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;第一生成单元:所述第一生成单元用于根据所述第一粒度分类结果,生成第一模拟场景;第三获得单元:所述第三获得单元用于根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;第四获得单元:所述第四获得单元用于根据所述第一预测场景结果,获得第一兴趣知识图谱;第五获得单元:所述第五获得单元用于将所述第一兴趣知识图谱输入第一质量控制模块中,根据第一质量控制模块,获得第一用户兴趣特征;第二生成单元:所述第二生成单元用于根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
第三方面,本申请实施例还提供了一种基于语义理解的文本机器人对话系统,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上述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:
1.通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
2.系统包括的情感分析模块通过智能化分析用户输入的文字指令,可以了解用户语言的感情基调,更好地了解用户通过文本信息要表达的情绪和态度,有利于机器人知晓对话关键,达到与用户建立起有效对话的技术效果。
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
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简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例一种基于语义理解的文本机器人对话方法的流程示意图;
图2为本申请实施例获得第一用户兴趣特征方法的流程示意图;
图3为本申请实施例获得第二预测信息方法的流程示意图;
图4为本申请实施例获得第一兴趣知识图谱方法的流程示意图;
图5为本申请实施例一种基于语义理解的文本机器人对话系统的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明:
第一获得单元11,第一构建单元12,第二获得单元13,第一生成单元14,第三获得单元15,第四获得单元16,第五获得单元17,第二生成单元18,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于语义理解的文本机器人对话方法及系统,解决了现有技术中存在任务型机器人无法快速准确地理解用户发出的文本信息,不能基于用户的一段文字指令判断用户意图并做出相应反馈,因此没能及时解决用户实际需求的技术问题。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
下面,将参考附图对本申请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。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
申请概述
随着人工智能的迅速发展,理解人类语言并能够与人类对话、给出相应的信息反馈的机器人成为了最大的需求。在这样的背景下,智能聊天机器人慢慢走入人们的视野,在这股机器人热潮中,能够帮助用户解决日常生活中各种事情的任务型机器人应运而生。
任务型机器人对话的最大挑战就是要把人的自然语言翻译成机器可以听得懂的指令,并结合特定背景准确理解用户语义,从而快速给出相应的正确反馈。在用户仅输入一句指令的情况下,机器要想准确了解用户想要得到哪一类的反馈,需首先对用户输入的文本信息处理得到机器可以反馈的常规语料,明确用户对话的目的,才可以继续后面的操作,最终帮助用户解决一系列生活中遇到的问题。
现有技术中存在任务型机器人无法快速准确地理解用户发出的文本信息,不能基于用户的一段文字指令判断用户意图并做出相应反馈,因此没能及时解决用户实际需求的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于语义理解的文本机器人对话方法,所述方法应用于一种基于语义理解的文本机器人对话方法系统,其中,所述方法包括:通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
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。
实施例一
请参阅附图1所示,本申请实施例提供了一种基于语义理解的文本机器人对话方法,其中,所述方法应用于一种任务型机器人对话系统,所述系统包括第一质量控制模块,所述方法具体包括如下步骤:
步骤S100:获得第一用户的第一对话文本信息;
具体而言,所述语义理解是指通过一系列计算机算法将语言信息解析为结构化的、机器可读的信息形式,以便于互联网开发者更好的理解并满足用户的需求。所述基于语义理解的文本机器人是指能够半自主或全自主地感知、解析人类书面语言,而后针对文本内容做出相应反应的智能机器。所述智能机器具有感知、思考并做出反应等基本能力,可以模仿人类进行问题思考和对答交流,起到陪伴人类、给人类心灵以慰藉的同时甚至可以开导、帮助人类解决困难。
所述智能机器处于所述任务型机器人对话系统的控制中。所述第一用户是指与所述智能机器进行沟通交流、给所述智能机器发布任务命令的任意用户。所述第一对话文本信息通过对任务型机器人与用户之间的多轮对话的文本内容进行采集获得的信息,是指由所述第一用户对所述智能机器发出的任务或请求的书面形式,通常是具有完整、系统含义的一个或多个句子的组合。
通过获取用户对智能机器发出命令的文本信息,可以清晰、直观地了解到用户给智能机器的任务或请求内容。
步骤S200:基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;
具体而言,所述第一机器人是指用于执行用户命令或任务的任意智能机器。所述第一任务目标是指用户对所述智能机器发出的指令内容,即用户请求所述第一机器人解答的问题和困难或要求所述第一机器人必须达成的目标。所述任务型机器人对话系统基于第一机器人收到的第一任务目标,构建第一粗细粒度分类模型。
所述第一粗细粒度分类模型是指系统中对任务或请求的文本信息进行处理分析后,并将该任务或请求所要达到的目标根据其要实现的具体情况进行分类的模型。举例如了解一个项目的大纲是粗粒度,而了解该项目实现的细节则是细粒度,汽车是粗粒度的场景,考驾照、汽车维修就是细粒度。第一粗细粒度分类模型的构建,为系统后续理解、分析用户的任务或请求提供了切实可行的方法。
步骤S300:根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;
具体而言,所述第一粗细粒度分类模型通过对所述第一对话文本信息进行粗细粒度的识别进而获得对应的分类结果,其中,进行分类的过程中主要通过逻辑回归模型进行判断,进一步的,根据对话文本信息中的关键词进行词频统计后基于词频统计结果进行粗细粒度的分类,分类结果包括第一结果和第二结果,第一结果为粗粒度和第二结果为细粒度结果。通过对第一对话文本信息分类得到第一粒度分类结果后,系统可依据所得分类结果对用户与任务型机器人之间的文本对话信息进行场景预测和模拟,比如当分类结果为细粒度时能够对场景模拟进行细化和准确分析,进而控制智能机器快速进入所述第一对话对应的情境中,基于该情境完成与用户的交流。
步骤S400:根据所述第一粒度分类结果,生成第一模拟场景;
步骤S500:根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;
具体而言,系统根据得到的第一粒度分类结果,可以基于分类结果生成一个合理的对话场景,即所述第一模拟场景。进一步的,系统根据所述第一模拟场景对所述第一用户的基本情况进行分析预测,基于预测场景信息进一步获得所述第一用户的基本信息,即为所述第一预测场景结果。所述第一预测场景结果包括系统基于第一对话文本信息分析得到的用户的性格特点、兴趣范围、行业背景等相关信息及当前用户所处场景或环境等信息。
通过基于对话文本分类结果预测用户的对话场景,并基于所得场景对所述用户进行初步判断、初步了解,智能机器在了解对话对象的基础上,可以与相应用户进行更合理的对话交流,达到了提高机器人智能化的技术效果。
步骤S600:根据所述第一预测场景结果,获得第一兴趣知识图谱;
具体而言,系统可以根据得到的第一预测场景结果,智能化综合分析得到相应用户的兴趣范围等信息,相应可以获得用户的知识背景、兴趣爱好等情况,即可得到所述第一兴趣知识图谱。通过系统智能化的综合分析,得到了对用户知识背景、兴趣爱好的初步判断,基于对用户的了解可以实现更智能、更合理的对话。
步骤S700:将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;
具体而言,所述第一质量控制模块嵌入在所述任务型机器人对话系统中,所述第一质量控制模块是指可对用户兴趣知识图谱进行处理和分析,得到用户与智能机器此次对话的主要兴趣知识范围的系统模块。将所述第一兴趣知识图谱输入所述第一质量控制模块中,通过质量控制模块处理,可以得到所述第一用户最准确的兴趣特征。
通过第一质量控制模块的处理,使得到的用户兴趣特征点更加精准,同时缩小了智能机器与用户对话时的参考的兴趣范围,提高了机器人对话的效率和有效性。
步骤S800:根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
具体而言,根据所得第一用户兴趣特征,预设与这些兴趣特征相关的话题及常用讨论交流话术,构成与此用户对话的话语数据库,即为所述第一对话语料库。当用户与智能机器进行该类对话时,智能机器可以通过预设的对话语料进行对话。第一对话语料库的使用,提高了机器人回复用户对话速度的同时也提高了机器人回复对话的准确率,更真实地模拟真人与用户进行对话。
进一步的,如附图2所示,本申请实施例步骤S700还包括:
步骤S710:所述第一质量控制模块包括多个子模块,其中,所述多个子模块包括歧义消解模块、信息清洗模块以及信息分析模块;
步骤S720:根据所述第一预测场景结果,获得第一预测信息;
步骤S730:根据所述歧义消解模块、所述信息清洗模块以及所述信息分析模块对所述第一预测信息进行流程处理,获得第二预测信息;
步骤S740:通过对所述第二预测信息进行场景语义分析,构建所述第一兴趣知识图谱。
具体而言,所述第一质量控制模块中包括歧义消解模块、信息清洗模块以及信息分析模块等多个子模块。所述歧义消解模块用于对预测场景信息中存在两种或多种不同意义的预测信息进行判断甄选,最终确定预测场景的唯一合理信息;所述信息清洗模块用于对最终确定的预测场景信息中的多余无关信息进行去除,只保留有实际意义和价值的预测信息;所述信息分析模块用于对最终确定的重要预测场景信息进行整体感知分析,以得到对机器人进行对话和答复交流有实际参考价值的精华预测信息,即为所述第二预测信息。也就是说,基于第一预测场景结果得到的第一预测信息需要再次经过第一质量控制模块中歧义消解模块、信息清洗模块以及信息分析模块的信息理解、概括及检验等处理,才能最终确定预测信息。
进一步的,结合模拟场景,对所述第二预测信息进行语义分析,通过相应用户的兴趣话题和相关知识背景分析信息,构建相应用户的兴趣知识框架,即所述第一兴趣知识图谱。
通过构建第一兴趣知识图谱,系统可以概括得到相应用户的兴趣爱好特征,在基于对用户基本情况了解的前提的情况下,指导机器人与其进行对话交流,为人机顺畅对话奠定了信息基础。
进一步的,如附图3所示,本申请实施例步骤S730还包括:
步骤S731:获得所述信息清洗模块的第一清洗输出信息;
步骤S732:所述信息分析模块包括热度分析模块、关联分析模块;
步骤S733:根据所述热度分析模块对所述第一清洗输出信息进行热度特征分析,获得第一热度特征;
步骤S734:根据所述关联分析模块对所述第一清洗输出信息进行关联强度分析,获得第一关联强度;
步骤S735:根据所述第一热度特征和所述第一关联强度,获得所述第二预测信息。
具体而言,所述信息清洗模块用于对最终确定的预测场景信息中的多余无关信息进行去除,只保留有实际意义和价值的预测信息。所述第一清洗输出信息即为经过信息清洗模块处理得到的对用户信息预测最有价值和意义的主要信息。
其中,所述信息分析模块又包括热度分析模块和关联分析模块两个模块。所述热度分析模块是指用户对系统预测得到的各个兴趣特征信息的感兴趣程度,通过对第一清洗输出信息进行热度特征分析,可以得到用户对所述预测特征的感兴趣程度,即所述第一热度特征。所述关联分析模块是指用于分析用户对系统预测得到的各个兴趣特征的关联程度,通过对第一清洗输出信息进行关联强度分析,可以得到所述各个预测特征的关联程度,即所述第一关联强度。系统最终智能化将所述第一热度特征和所述第一关联强度进行综合性分析,得到对指导机器人答复用户有实际参考意义的精华预测信息,即所述第二预测信息。
系统通过热度分析模块和关联分析模块的分别作用使第一预测信息清洗过程更加具体完整,达到了去除无关预测信息点,仅保留有参考价值的信息以指导机器人对答用户的技术效果,有效提高了机器人对答用户任务或指令的准确性。
进一步的,本申请实施例步骤S900还包括:
步骤S910:根据所述第一机器人的所述第一任务目标,获得第一应用场景信息;
步骤S920:通过对第一企业信息进行领域细分,获得第一企业领域信息;
步骤S930:根据所述第一应用场景信息和所述第一企业领域信息,生成行业情感标注集;
步骤S940:根据所述行业情感标注集,获得第一情感分析结果。
具体而言,根据所述第一机器人的所述第一任务目标,可以得到所述第一用户与机器人进行对话的原因和背景,分析用户对话机器人的原因和背景,可以得到所述智能机器的试用场景,即所述第一应用场景信息。与此同时,系统也对所述第一企业信息进行了领域细分,所述第一企业信息为所述用户使用智能机器的企业情况,包括企业所处行业背景和企业基本营业情况等,即所述第一企业领域信息。由于文本信息无法直观准确地表达出发表者的真实情感,同一个词语在不同的行业领域亦会有不同的情感,因此系统将结合所述第一应用场景信息和所述第一企业领域信息,快速爬取相关行业情况和该企业目前的行业地位等具体情况,基于以上背景信息,系统提前对文本中关键词进行情感标注,所有标注形成所述行业情感标注集。
通过构建行业情感标注集,使得系统在分析用户文本信息时可以参考所述行业情感标注集进行文本分析,得到更加准确的文本分析结果,更加准确地理解用户语言的深层含义。
进一步的,本申请实施例步骤S940还包括:
步骤S941:通过对所述第一对话文本信息进行对话关键词提取,获得第一文本关键词;
步骤S942:判断所述第一文本关键词是否处于预设行业关键词库中;
步骤S943:若所述第一文本关键词处于所述预设行业关键词库中,根据所述行业情感标注集,生成第一约束条件;
步骤S944:将所述第一约束条件输入所述第一情感分析模块中,获得第一用户情感倾向;
步骤S945:根据所述第一用户情感倾向,获得第三预测信息。
具体而言,部分词汇在不同行业背景下有其特定的含义,因此系统将这些在不同行业领域中有特定的含义的词语提前添加进入系统中,提前构建行业关键词库。所述行业关键词库中包括行业领域信息、词语及词语的特定含义、特定的情感标注。
在用户发出任务或命令的指令后,系统第一时间对用户指令的文本信息进行分析,首先提取所述第一对话文本信息中的对话关键词,将提取到的对话关键词与系统预设行业关键词库中的词语进行对比,若所述第一文本关键词处于预设行业关键词库中,系统即提取所述关键词对应的行业情感标注,基于所述行业情感标注集,限定分析和理解该词语的情感基调,即所述第一约束条件。将所述第一约束条件输入所述第一情感分析模块中,可以得到所述第一用户发出所述第一文本信息时的情感倾向,根据所述情感倾向,对用户发出的文本信息进行具体分析,得到第三预测信息。
通过了解用户语言的感情基调,可以更好地了解用户通过所述文本信息要表达的情绪和态度,有利于机器人知晓对话关键,与用户建立起有效的对话。
进一步的,本申请实施例步骤S300还包括:
步骤S310:通过对所述第一文本关键词进行从属关系分析,获得第一类别关键词和第二类别关键词,其中,所述第一类别关键词为粗粒度关键词,所述第二类别关键词为细粒度关键词;
步骤S320:分别对所述第一类别关键词和第二类别关键词进行文本词频统计,获得第一词频统计数据;
步骤S330:根据所述第一词频统计数据,获得所述第一粒度分类结果,所述第一粒度分类结果包括第一结果和第二结果,所述第一结果为粗粒度,所述第二结果为细粒度。
具体而言,系统通过分析文本中各关键词从属关系和词频统计,对用户的任务或指令进行分层次提取,对所述第一文本关键词进行从属关系分析,可以得到文本中第一类别关键词和第二类别关键词,其中,所述第一类别关键词为粗粒度关键词,所述第二类别关键词为细粒度关键词。然后,分别对所述第一类别关键词和第二类别关键词在用户文本中出现的次数进行统计,即为所述第一词频统计数据。最后,在用户指令中提取主句中词频低的关键词,得到大致指令信息,即为所述粗粒度;提取从句中词频高的关键词,得到详细指令信息,即为所述细粒度。通过第一词频统计数据得到用户文本信息的第一粒度分类结果。
通过主从关系、关键词词频两个方面综合分析确定了用户指令中的粗细粒度情况,为后续准确理解用户表达的文本信息打下了基础。
进一步的,如附图4所示,本申请实施例步骤S600还包括:
步骤S610:根据所述第一兴趣知识图谱的节点相关性进行知识扩充,获得第一扩充知识信息;
步骤S620:将所述第一兴趣知识图谱中的信息与所述第一扩充知识信息进行冲突检测,获得第一冲突信息;
步骤S630:将所述第一冲突信息从所述第一扩充知识信息进行剔除,生成第二扩充知识信息;
步骤S640:根据所述第二扩充知识信息,获得第一辅助知识图谱。
具体而言,系统根据所得第一兴趣知识图谱中用户的各兴趣节点和知识节点进行相关内容的扩充,所得相关扩充内容为所述第一扩充知识信息。进一步的,系统将所述第一兴趣知识图谱中的信息与所述第一扩充知识信息进行对比,得到两信息范围中存在矛盾和冲突的部分,所述冲突部分即为所述第一冲突信息。将所述第一冲突信息从所述第一扩充知识信息进行剔除,剔除冲突部分后剩下的第一扩充知识信息即为所述第二扩充知识信息。根据所述第二扩充知识信息,得到与所述第一兴趣知识图谱相关联的扩充知识图谱,即为所述第一辅助知识图谱。
通过从用户发出文本中挖掘用户表达内容的相关信息,可以了解用户所表达内容的背景情况,可以更好地了解用户知识背景、兴趣爱好及性格特点和真正准确理解用户所要表达的含义,为机器人与用户顺利交流提供了基础。
综上所述,本申请实施例所提供的一种基于语义理解的文本机器人对话方法具有如下技术效果:
1.通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
2.系统包括的情感分析模块通过智能化分析用户输入的文字指令,可以了解用户语言的感情基调,更好地了解用户通过文本信息要表达的情绪和态度,有利于机器人知晓对话关键,达到与用户建立起有效对话的技术效果。
实施例二
基于与前述实施例中一种基于语义理解的文本机器人对话方法,同样发明构思,本发明还提供了一种基于语义理解的文本机器人对话系统,请参阅附图5所示,所述系统包括:
第一获得单元11:所述第一获得单元11用于获得第一用户的第一对话文本信息;
第一构建单元12:所述第一构建单元12用于基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;
第二获得单元13:所述第二获得单元13用于根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;
第一生成单元14:所述第一生成单元14用于根据所述第一粒度分类结果,生成第一模拟场景;
第三获得单元15:所述第三获得单元15用于根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;
第四获得单元16:所述第四获得单元16用于根据所述第一预测场景结果,获得第一兴趣知识图谱;
第五获得单元17:所述第五获得单元17用于将所述第一兴趣知识图谱输入第一质量控制模块中,根据第一质量控制模块,获得第一用户兴趣特征;
第二生成单元18:所述第二生成单元18用于根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于所述第一质量控制模块包括多个子模块,其中,所述多个子模块包括歧义消解模块、信息清洗模块以及信息分析模块;
第六获得单元:所述第六获得单元用于根据所述第一预测场景结果,获得第一预测信息;
第七获得单元:所述第七获得单元用于根据所述歧义消解模块、所述信息清洗模块以及所述信息分析模块对所述第一预测信息进行流程处理,获得第二预测信息;
第三构建单元,所述第三构建单元用于通过对所述第二预测信息进行场景语义分析,构建所述第一兴趣知识图谱。
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获得所述信息清洗模块的第一清洗输出信息;
第四构建单元,所述第四构建单元用于所述信息分析模块包括热度分析模块、关联分析模块;
第九获得单元:所述第九获得单元用于根据所述热度分析模块对所述第一清洗输出信息进行热度特征分析,获得第一热度特征;
第十获得单元:所述第十获得单元用于根据所述关联分析模块对所述第一清洗输出信息进行关联强度分析,获得第一关联强度;
第十一获得单元:所述第十一获得单元用于根据所述第一热度特征和所述第一关联强度,获得所述第二预测信息。
进一步的,所述系统还包括:
第十二获得单元:所述第十二获得单元用于通过对第一企业信息进行领域细分,获得第一企业领域信息;
第三生成单元:所述第三生成单元用于根据所述第一应用场景信息和所述第一企业领域信息,生成行业情感标注集;
第十三获得单元:所述第十三获得单元用于根据所述行业情感标注集,获得第一情感分析结果。
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通过对所述第一对话文本信息进行对话关键词提取,获得第一文本关键词;
第一判断单元,所述第一判断单元用于判断所述第一文本关键词是否处于预设行业关键词库中;
第四生成单元:所述第四生成单元用于若所述第一文本关键词处于所述预设行业关键词库中,根据所述行业情感标注集,生成第一约束条件;
第十五获得单元:所述第十五获得单元用于将所述第一约束条件输入所述第一情感分析模块中,获得第一用户情感倾向;
第十六获得单元:所述第十六获得单元用于根据所述第一用户情感倾向,获得第三预测信息。
进一步的,所述系统还包括:
第十七获得单元:所述第十七获得单元用于通过对所述第一文本关键词进行从属关系分析,获得第一类别关键词和第二类别关键词,其中,所述第一类别关键词为粗粒度关键词,所述第二类别关键词为细粒度关键词;
第十八获得单元:所述第十八获得单元用于分别的所述第一类别关键词和第二类别关键词进行文本词频统计,获得第一词频统计数据;
第十九获得单元:所述第十九获得单元用于根据所述第一词频统计数据,获得所述第一粒度分类结果,所述第一粒度分类结果包括第一结果和第二结果,所述第一结果为粗粒度,所述第二结果为细粒度。
进一步的,所述系统还包括:
第二十获得单元:所述第二十获得单元用于根据所述第一兴趣知识图谱的节点相关性进行知识扩充,获得第一扩充知识信息;
第二十一获得单元:所述第二十一获得单元用于将所述第一兴趣知识图谱中的信息与所述第一扩充知识信息进行冲突检测,获得第一冲突信息;
第五生成单元:所述第五生成单元用于将所述第一冲突信息从所述第一扩充知识信息进行剔除,生成第二扩充知识信息;
第二十二获得单元:所述第二十二获得单元用于根据所述第二扩充知识信息,获得第一辅助知识图谱。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于语义理解的文本机器人对话方法和具体实例同样适用于本实施例的一种基于语义理解的文本机器人对话系统,通过前述对一种基于语义理解的文本机器人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语义理解的文本机器人对话系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6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语义理解的文本机器人对话方法的发明构思,本发明还提供一种基于语义理解的文本机器人对话系统,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血液净化中心护理的应急预案方法的任一方法的步骤。
其中,在图6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305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装置通信的单元。
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。
本申请提供了一种基于语义理解的文本机器人对话方法,所述方法应用于一种基于语义理解的文本机器人对话系统,其中,所述方法包括:通过获得第一用户的第一对话文本信息;基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;根据所述第一粒度分类结果,生成第一模拟场景;根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;根据所述第一预测场景结果,获得第一兴趣知识图谱;将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;根据所述第一用户兴趣特征,生成第一对话语料库进行对话。解决了现有技术中存在任务型机器人无法快速准确地理解用户发出的文本信息,不能基于用户的一段文字指令判断用户意图并做出相应反馈,因此没能及时解决用户实际需求的技术问题。达到了通过场景化和质量控制丰富对话语料库,提高反馈质量和效率的技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外,本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于:U盘、移动硬盘、只读存储器(Read-0nly Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory,简称 CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照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)
1.一种基于语义理解的文本机器人对话方法,其中,所述方法应用于一种任务型机器人对话系统,所述系统包括第一质量控制模块,所述方法包括:
获得第一用户的第一对话文本信息;
基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;
根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;
根据所述第一粒度分类结果,生成第一模拟场景;
根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;
根据所述第一预测场景结果,获得第一兴趣知识图谱;
将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征;
根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
2.如权利要求1所述的方法,其中,所述将所述第一兴趣知识图谱输入所述第一质量控制模块中,根据所述第一质量控制模块,获得第一用户兴趣特征,所述方法还包括:
所述第一质量控制模块包括多个子模块,其中,所述多个子模块包括歧义消解模块、信息清洗模块以及信息分析模块;
根据所述第一预测场景结果,获得第一预测信息;
根据所述歧义消解模块、所述信息清洗模块以及所述信息分析模块对所述第一预测信息进行流程处理,获得第二预测信息;
通过对所述第二预测信息进行场景语义分析,构建所述第一兴趣知识图谱。
3.如权利要求2所述的方法,所述根据所述歧义消解模块、所述信息清洗模块以及所述信息分析模块对所述第一预测信息进行流程处理,获得第二预测信息,所述方法还包括:
获得所述信息清洗模块的第一清洗输出信息;
所述信息分析模块包括热度分析模块、关联分析模块;
根据所述热度分析模块对所述第一清洗输出信息进行热度特征分析,获得第一热度特征;
根据所述关联分析模块对所述第一清洗输出信息进行关联强度分析,获得第一关联强度;
根据所述第一热度特征和所述第一关联强度,获得所述第二预测信息。
4.如权利要求1所述的方法,所述方法还包括:
根据所述第一机器人的所述第一任务目标,获得第一应用场景信息;
通过对第一企业信息进行领域细分,获得第一企业领域信息;
根据所述第一应用场景信息和所述第一企业领域信息,生成行业情感标注集;
根据所述行业情感标注集,获得第一情感分析结果。
5.如权利要求4所述的方法,其中,所述根据所述行业情感标注集,获得第一情感分析结果,所述系统还包括第一情感分析模块,所述方法还包括:
通过对所述第一对话文本信息进行对话关键词提取,获得第一文本关键词;
判断所述第一文本关键词是否处于预设行业关键词库中;
若所述第一文本关键词处于所述预设行业关键词库中,根据所述行业情感标注集,生成第一约束条件;
将所述第一约束条件输入所述第一情感分析模块中,获得第一用户情感倾向;
根据所述第一用户情感倾向,获得第三预测信息。
6.如权利要求5所述的方法,所述根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果,所述方法还包括:
通过对所述第一文本关键词进行从属关系分析,获得第一类别关键词和第二类别关键词,其中,所述第一类别关键词为粗粒度关键词,所述第二类别关键词为细粒度关键词;
分别的所述第一类别关键词和第二类别关键词进行文本词频统计,获得第一词频统计数据;
根据所述第一词频统计数据,获得所述第一粒度分类结果,所述第一粒度分类结果包括第一结果和第二结果,所述第一结果为粗粒度,所述第二结果为细粒度。
7.如权利要求1所述的方法,其中,所述根据所述第一预测场景结果,获得第一兴趣知识图谱,所述方法还包括:
根据所述第一兴趣知识图谱的节点相关性进行知识扩充,获得第一扩充知识信息;
将所述第一兴趣知识图谱中的信息与所述第一扩充知识信息进行冲突检测,获得第一冲突信息;
将所述第一冲突信息从所述第一扩充知识信息进行剔除,生成第二扩充知识信息;
根据所述第二扩充知识信息,获得第一辅助知识图谱。
8.一种基于语义理解的文本机器人对话系统,其中,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用户的第一对话文本信息;
第一构建单元:所述第一构建单元用于基于第一机器人的第一任务目标,构建第一粗细粒度分类模型;
第二获得单元:所述第二获得单元用于根据所述第一粗细粒度分类模型,对所述第一对话文本信息进行分类,获得第一粒度分类结果;
第一生成单元:所述第一生成单元用于根据所述第一粒度分类结果,生成第一模拟场景;
第三获得单元:所述第三获得单元用于根据所述第一模拟场景对所述第一用户进行信息预测,获得第一预测场景结果;
第四获得单元:所述第四获得单元用于根据所述第一预测场景结果,获得第一兴趣知识图谱;
第五获得单元:所述第五获得单元用于将所述第一兴趣知识图谱输入第一质量控制模块中,根据第一质量控制模块,获得第一用户兴趣特征;
第二生成单元:所述第二生成单元用于根据所述第一用户兴趣特征,生成第一对话语料库进行对话。
9.一种基于语义理解的文本机器人对话系统,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权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024853.5A CN113688220B (zh) | 2021-09-02 | 2021-09-02 | 一种基于语义理解的文本机器人对话方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024853.5A CN113688220B (zh) | 2021-09-02 | 2021-09-02 | 一种基于语义理解的文本机器人对话方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113688220A true CN113688220A (zh) | 2021-11-23 |
CN113688220B CN113688220B (zh) | 2022-05-24 |
Family
ID=78584964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111024853.5A Active CN113688220B (zh) | 2021-09-02 | 2021-09-02 | 一种基于语义理解的文本机器人对话方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688220B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257794A1 (en) * | 2013-03-11 | 2014-09-11 | Nuance Communications, Inc. | Semantic Re-Ranking of NLU Results in Conversational Dialogue Applications |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
WO2018133761A1 (zh) * | 2017-01-17 | 2018-07-26 | 华为技术有限公司 | 一种人机对话的方法和装置 |
CN110287297A (zh) * | 2019-05-22 | 2019-09-27 | 深圳壹账通智能科技有限公司 | 对话答复方法、装置、计算机设备及计算机可读存储介质 |
CN111026932A (zh) * | 2019-12-20 | 2020-04-17 | 北京百度网讯科技有限公司 | 人机对话交互方法、装置、电子设备和存储介质 |
CN111737441A (zh) * | 2020-08-07 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于神经网络的人机交互方法、装置和介质 |
WO2020214011A1 (en) * | 2019-04-19 | 2020-10-22 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electronic device and computer readable storage medium |
CN111816173A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 对话数据处理方法、装置、存储介质及计算机设备 |
US20210192142A1 (en) * | 2020-01-15 | 2021-06-24 | Beijing Baidu Netcom Science Technology Co., Ltd. | Multimodal content processing method, apparatus, device and storage medium |
-
2021
- 2021-09-02 CN CN202111024853.5A patent/CN113688220B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257794A1 (en) * | 2013-03-11 | 2014-09-11 | Nuance Communications, Inc. | Semantic Re-Ranking of NLU Results in Conversational Dialogue Applications |
WO2018133761A1 (zh) * | 2017-01-17 | 2018-07-26 | 华为技术有限公司 | 一种人机对话的方法和装置 |
CN107358315A (zh) * | 2017-06-26 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种信息预测方法及终端 |
WO2020214011A1 (en) * | 2019-04-19 | 2020-10-22 | Samsung Electronics Co., Ltd. | Information processing method, apparatus, electronic device and computer readable storage medium |
CN110287297A (zh) * | 2019-05-22 | 2019-09-27 | 深圳壹账通智能科技有限公司 | 对话答复方法、装置、计算机设备及计算机可读存储介质 |
CN111026932A (zh) * | 2019-12-20 | 2020-04-17 | 北京百度网讯科技有限公司 | 人机对话交互方法、装置、电子设备和存储介质 |
US20210192142A1 (en) * | 2020-01-15 | 2021-06-24 | Beijing Baidu Netcom Science Technology Co., Ltd. | Multimodal content processing method, apparatus, device and storage medium |
CN111816173A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 对话数据处理方法、装置、存储介质及计算机设备 |
CN111737441A (zh) * | 2020-08-07 | 2020-10-02 | 北京百度网讯科技有限公司 | 基于神经网络的人机交互方法、装置和介质 |
Non-Patent Citations (2)
Title |
---|
HEMACHANDRA,SACHITHRA等: "Learning Spatial-Semantic Representations from Natural Language Descriptions and Scene Classifications", 《2014 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
贾冬柏: "基于跨模态特征融合的用户兴趣挖掘算法的研究与实现", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113688220B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pandian | Performance evaluation and comparison using deep learning techniques in sentiment analysis | |
CN110795913B (zh) | 一种文本编码方法、装置、存储介质及终端 | |
CN110795544B (zh) | 内容搜索方法、装置、设备和存储介质 | |
CN113326374B (zh) | 基于特征增强的短文本情感分类方法及系统 | |
CN108363693A (zh) | 文本处理方法和装置 | |
WO2018174816A1 (en) | Method and apparatus for semantic coherence analysis of texts | |
CN113988071A (zh) | 一种基于金融知识图谱的智能对话方法及装置、电子设备 | |
WO2018174815A1 (en) | Method and apparatus for semantic coherence analysis of texts | |
CN113158674A (zh) | 一种人工智能领域文档关键信息抽取方法 | |
CN112199486A (zh) | 一种办公场景的任务型多轮对话方法及系统 | |
Giachos et al. | Inquiring natural language processing capabilities on robotic systems through virtual assistants: A systemic approach | |
CN114492391A (zh) | 意图推理方法及装置 | |
CN116541517A (zh) | 文本信息处理方法、装置、设备、软件程序以及存储介质 | |
CN111783425B (zh) | 基于句法分析模型的意图识别方法及相关装置 | |
CN110188190B (zh) | 对话解析方法、装置、服务器及可读存储介质 | |
CN113688220B (zh) | 一种基于语义理解的文本机器人对话方法及系统 | |
CN116795971A (zh) | 一种基于生成式语言模型的人机对话场景构建系统 | |
CN117237479A (zh) | 基于扩散模型的产品风格自动生成方法、装置及设备 | |
Hershcovich et al. | It’s the meaning that counts: the state of the art in NLP and semantics | |
Kim et al. | Evaluation of BERT and ChatGPT models in inference, paraphrase and similarity tasks | |
CN116303945A (zh) | 视觉问答模型的样本生成方法及相关设备 | |
CN116070642A (zh) | 一种基于表情嵌入的文本情感分析方法及相关装置 | |
CN112328774B (zh) | 基于多文档的任务型人机对话任务的实现方法 | |
CN115098665A (zh) | 一种对话数据扩展方法、装置及设备 | |
CN114117069A (zh) | 一种用于知识图谱智能问答的语义理解方法及系统 |
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 |