CN113836278B - 通用对话模型的训练与对话生成方法、装置 - Google Patents
通用对话模型的训练与对话生成方法、装置 Download PDFInfo
- Publication number
- CN113836278B CN113836278B CN202110931304.XA CN202110931304A CN113836278B CN 113836278 B CN113836278 B CN 113836278B CN 202110931304 A CN202110931304 A CN 202110931304A CN 113836278 B CN113836278 B CN 113836278B
- Authority
- CN
- China
- Prior art keywords
- dialogue
- data
- answer
- conversation
- model
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种通用对话模型的训练与对话生成方法，涉及自然语言处理、深度学习等人工智能技术领域。通用对话模型的训练方法包括：获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；使用所述多类型对话集训练所述第一对话模型，得到通用对话模型。对话生成方法包括：获取当前对话语句与历史对话语句；将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及自然语言处理、深度学习等人工智能技术领域。提供了一种通用对话模型的训练与对话生成方法、装置、电子设备和可读存储介质。
背景技术
在用户和对话系统进行交互时，通常会存在不同的对话需求，例如闲聊对话、任务对话、问答对话、知识对话、画像对话等。但是，目前的对话系统仅能够处理其中的一种对话需求，难以处理多种对话需求，例如在闲聊过程中出现问答或者任务对话的情景。
另一方面，目前的对话系统大多只能被动地承接用户的对话，缺乏主动引导的能力，导致用户不清楚对话系统能做什么、擅长什么领域等，降低了用户的对话体验。
发明内容
根据本公开的第一方面，提供了一种通用对话模型的训练方法，包括：获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；使用所述多类型对话集训练所述第一对话模型，得到通用对话模型。
根据本公开的第二方面，提供了一种对话生成方法，包括：获取当前对话语句与历史对话语句；将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句。
根据本公开的第三方面，提供了一种通用对话模型的训练装置，包括：第一获取单元，用于获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；处理单元，用于使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；构建单元，用于根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；训练单元，用于使用所述多类型对话集训练所述第一对话模型，得到通用对话模型。
根据本公开的第四方面，提供了一种对话装置，包括：第二获取单元，用于获取当前对话语句与历史对话语句；生成单元，用于将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句。
根据本公开的第五方面，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所述的方法。
根据本公开的第六方面，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如上所述的方法。
根据本公开的第七方面，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如上所述的方法。
由以上技术方案可以看出，本实施例通过所获取的闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集来训练得到通用对话模型，使得训练得到的通用对话模型在能够处理不同对话需求的基础上，还具有主动引导的对话能力，从而增强通用对话模型的性能，提升用户的对话体验。
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是用来实现本公开实施例的通用对话模型的训练与对话生成方法的电子设备的框图。
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机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示，本实施例的通用对话模型的训练方法，具体可以包括如下步骤：
S101、获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；
S102、使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；
S103、根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；
S104、使用所述多类型对话集训练所述第一对话模型，得到通用对话模型。
本实施例的通用对话模型的训练方法，首先通过不同类型的对话集训练神经网络模型得到第一对话模型，所得到的第一对话模型为能够处理不同对话需求的多技能对话模型，然后再根据由闲聊对话集、知识对话集与任务对话集中的对话数据构建的多类型对话集，训练第一对话模型得到通用对话模型，使得训练得到的通用对话模型在能够处理不同对话需求的基础上，还具有主动引导的对话能力，从而增强通用对话模型的性能，提升用户的对话体验。
本实施例在执行S101获取不同类型的对话集时，可以通过公开的数据集来获取不同类型的对话集；也可以根据从网络中获取的用户之间的对话数据来构建不同类型的对话集；还可以使用已有的对话推荐系统(例如self-play)来生成不同类型的对话数据，从而获取不同类型的对话集。
举例来说，本实施例可以获取不同社交平台上用户之间的对话数据来构建闲聊对话集；本实施例可以通过已公开的RiSAwoz数据集来获取任务对话集、通过已公开的KGQA数据集来获取单轮对话集、通过已公开的Duconv数据集来获取知识对话集；本实施例可以将相应的领域关键词输入对话推荐系统，根据对话推荐系统的输出结果来获取闲聊对话集。
本实施例执行S101获取的对话集中，不同类型的对话集中包含多个对话数据，每个对话数据中包含当前语句与回复语句；其中，闲聊对话集中包含多条用户之间闲聊的对话数据，单轮问答对话集中包含多条问题与回答的单轮对话数据，画像对话集中包含多条关于用户画像(年龄、性别、职业等)的对话数据，知识对话集中包含多条关于实体知识的对话数据，任务对话集中包含多条帮助用户完成特定任务的对话数据。
本实施例在执行S101获取了闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集之后，执行S102使用所获取的多种对话集训练神经网络模型，得到第一对话模型。其中，本实施例中的神经网络模型为对话生成的预训练模型，例如PLATO模型。
本实施例在执行S102使用所获取的对话集训练神经网络模型得到第一对话模型时，可以直接根据不同的对话集，将各对话集中的每个对话数据作为一个训练数据来训练神经网络模型，从而得到第一对话模型。
本实施例在执行S102使用所获取的对话集训练神经网络模型得到第一对话模型时，还可以根据闲聊对话集与单轮问答对话集生成多轮问答对话集之后，使用闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集来训练神经网络模型；多轮问答对话集的生成方式在下文进行描述。
可以理解的是，本实施例在使用对话数据训练神经网络模型时，采用将对话数据中的当前语句作为神经网络模型的输入、将对话数据中的回复语句作为神经网络模型的输出的方式进行训练。
本实施例在执行S102得到第一对话模型之后，执行S103根据闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集。
本实施例执行S103构建的多类型对话集中，包含多个多类型对话数据；每个多类型对话数据表示一个对话行为，具体包含闲聊对话数据、知识对话数据与任务对话数据。
具体地，本实施例在执行S103根据闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集时，可以采用的可选实现方式为：分别从闲聊对话集、知识对话集与任务对话集中选取一个对话数据；按照预设顺序将所选取的对话数据进行拼接，本实施例中的预设顺序可以为“闲聊对话-知识对话-任务对话”，闲聊对话数据用于将用户引导到某个话题(例如电影)，知识对话数据用于确定用户感兴趣的实体(例如喜欢看的电影)，任务对话数据用于完成预设目标(例如购买电影票)；将拼接结果作为一个多类型对话数据，从而根据所得到的多个多类型对话数据构建多类型对话集。
也就是说，本实施例通过从预设对话集中选取对话数据，将所选取的对话数据按照预设顺序进行拼接的方式，确保了对应一个对话行为的多类型对话数据中包含多种对话类型的对话数据，使得多类型对话数据具有特定的对话逻辑，从而具有主动引导性。
由于对话集中的对话数据对应于不同的领域，因此为了提升多类型对话数据的准确性，确保每个多类型对话数据中包含的对话数据与同一领域相对应，本实施例在执行S103分别从闲聊对话集、知识对话集与任务对话集中选取一个对话数据时，可以采用的可选实现方式为：获取领域关键词，本实施例中的领域关键词为电影、运动等；分别从闲聊对话集、知识对话集与任务对话集中选取一个与所获取的领域关键词对应的对话数据。
另外，为了实现由闲聊对话到知识对话的自然过渡，本实施例在执行S103从闲聊对话集中获取闲聊对话数据之后，还可以在所获取的闲聊对话数据中插入预设的模板句，例如在获取与“电影”关键词对应的闲聊对话数据之后，插入模板句“你喜欢看什么电影”。
本实施例在执行S103构建了多类型对话集之后，执行S104使用所构建的多类型对话集训练第一对话模型，得到通用对话模型。
由于多类型对话集中的每个多类型对话数据中包含多个对话数据，因此本实施例在执行S104使用多类型对话集训练第一对话模型时，可以将每个多类型对话数据中的多个对话数据作为一个训练数据，针对每个对话数据，采用将对话数据的当前语句作为第一对话模型的输入、将对话数据的回复语句作为第一对话模型的输出的方式进行训练。
由于第一对话模型已具备处理多种对话需求的能力，因此本实施例通过具有特定对话逻辑的多类型对话数据来训练第一对话模型的方式，使得训练得到的通用对话模型还具有主动引导对话的能力，从而避免了通用对话模型与用户聊自身不擅长的领域，进一步提升通用对话模型的性能。
图2是根据本公开第二实施例的示意图。如图2所示，本实施例在执行S102“使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型”，具体可以包括如下步骤：
S201、使用所述闲聊对话集训练神经网络模型，得到初始对话模型；
S202、根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集；
S203、使用所述训练对话集训练所述初始对话模型，得到所述第一对话模型。
也就是说，本实施例首先使用闲聊对话集训练神经网络模型得到初始对话模型，然后再根据全部类型对话集中的对话数据得到训练对话集，最后使用所得到的训练对话集训练初始对话模型得到第一对话模型，使得第一对话模型不会丢失闲聊对话的能力，并确保了第一对话模型能够处理多种类型的对话需求。
本实施例在执行S202根据闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据得到训练对话集时，可以采用的可选实现方式为：根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集；根据闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集中的对话数据，得到训练对话集。
也就是说，本实施例通过已获取的闲聊对话集与单轮问答对话集来构建多轮问答对话集的方式，能够增加用于训练第一对话模型的数据量，且经过实验发现，通过添加多轮问答对话集的训练对话集，能够提升第一对话模型的训练效果。
本实施例在执行S202根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，可以采用以下方式：分别从闲聊对话集与单轮问答对话集中随机选取一个对话数据；将所选取的对话数据进行拼接，将拼接结果作为多轮问答对话数据。
本实施例在执行S202根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，也可以采用以下方式：对闲聊对话集与单轮问答对话集中的对话数据进行实体识别；将具有重合实体的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为多轮问答对话数据。
本实施例在执行S202根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，还可以采用以下方式：计算闲聊对话集与单轮问答对话集中对话数据之间的相似度，例如计算单轮对话问答数据中的问题语句与闲聊对话数据之间的余弦相似度；将相似度计算结果超过预设阈值的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为多轮问答对话数据。
举例来说，本实施例所得到的多轮问答对话数据可以为“User：我想去泰山旅游。；Bot：想去就去吧。；User：你知道泰山有多高吗？；Bot：泰山的高度是1545米。”，即多轮问答对话数据的前半部分为闲聊，后半部分为问答。
本实施例在执行S202构建多轮问答对话集时，可以采用三种方式中的一种来构建多轮问答对话集，也可以结合上述三种方式中的两种来构建多轮问答对话集，还可以结合上述三种方式构建多轮问答对话集。
图3是根据本公开第三实施例的示意图。如图3所示，本实施例的对话生成方法，具体可以包括如下步骤：
S301、获取当前对话语句与历史对话语句；
S302、将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句。
本实施例的对话生成方法，将所获取的当前对话语句与历史对话语句输入预先训练得到的通用对话模型，即可根据通用对话模型的输出结果得到回复语句，由于该通用对话模型具有处理多种对话需求与主动引导对话的能力，因此本实施例能够提升所得到的回复语句的准确性。
本实施例执行S301所获取的历史对话语句，具体为本次对话过程中位于当前对话语句之前的一个或者多个对话语句。其中，本实施例可以预先设置所获取的历史对话语句中所包含的对话语句的个数，从而确保历史对话语句中包含的对话语句与当前对话语句之间具有较强的相关性。
图4是根据本公开第四实施例的示意图。如图4所示，本实施例的通用对话模型的训练装置400，包括：
第一获取单元401、用于获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；
处理单元402、用于使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；
构建单元403、用于根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；
训练单元404、用于使用所述多类型对话集训练所述第一对话模型，得到通用对话模型。
第一获取单元401在获取不同类型的对话集时，可以通过公开的数据集来获取不同类型的对话集；也可以根据从网络中获取的用户之间的对话数据来构建不同类型的对话集；还可以使用已有的对话推荐系统(例如self-play)来生成不同类型的对话数据，从而获取不同类型的对话集。
第一获取单元401获取的对话集中，不同类型的对话集中包含多个对话数据，每个对话数据中包含当前语句与回复语句；其中，闲聊对话集中包含多条用户之间闲聊的对话数据，单轮问答对话集中包含多条问题与回答的单轮对话数据，画像对话集中包含多条关于用户画像(年龄、性别、职业等)的对话数据，知识对话集中包含多条关于实体知识的对话数据，任务对话集中包含多条帮助用户完成特定任务的对话数据。
本实施例在由第一获取单元401获取了闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集之后，由处理单元402使用所获取的多种对话集训练神经网络模型，得到第一对话模型。其中，本实施例中的神经网络模型为对话生成的预训练模型，例如PLATO模型。
处理单元402在使用所获取的对话集训练神经网络模型得到第一对话模型时，可以直接根据不同的对话集，将各对话集中的每个对话数据作为一个训练数据来训练神经网络模型，从而得到第一对话模型。
处理单元402在使用所获取的对话集训练神经网络模型得到第一对话模型时，还可以根据闲聊对话集与单轮问答对话集生成多轮问答对话集之后，使用闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集来训练神经网络模型。
可以理解的是，处理单元402在使用对话数据训练神经网络模型时，采用将对话数据中的当前语句作为神经网络模型的输入、将对话数据中的回复语句作为神经网络模型的输出的方式进行训练。
处理单元402在使用闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型时，还可以采用以下方式：使用闲聊对话集训练神经网络模型，得到初始对话模型；根据闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集；使用所得到的训练对话集训练初始对话模型，得到所述第一对话模型。
处理单元402在根据闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据得到训练对话集时，可以采用的可选实现方式为：根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集；根据闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集中的对话数据，得到训练对话集。
处理单元402在根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，可以采用以下方式：分别从闲聊对话集与单轮问答对话集中随机选取一个对话数据；将所选取的对话数据进行拼接，将拼接结果作为多轮问答对话数据。
处理单元402在根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，也可以采用以下方式：对闲聊对话集与单轮问答对话集中的对话数据进行实体识别；将具有重合实体的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为多轮问答对话数据。
处理单元402在根据闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，还可以采用以下方式：计算闲聊对话集与单轮问答对话集中对话数据之间的相似度，例如计算单轮对话问答数据中的问题语句与闲聊对话数据之间的余弦相似度；将相似度计算结果超过预设阈值的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为多轮问答对话数据。
处理单元402在构建多轮问答对话集时，可以采用三种方式中的一种来构建多轮问答对话集，也可以结合上述三种方式中的两种来构建多轮问答对话集，还可以结合上述三种方式构建多轮问答对话集。
本实施例在由处理单元402得到第一对话模型之后，由构建单元403根据闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集。
构建单元403构建的多类型对话集中，包含多个多类型对话数据；每个多类型对话数据表示一个对话行为，具体包含闲聊对话数据、知识对话数据与任务对话数据。
具体地，构建单元403在根据闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集时，可以采用的可选实现方式为：分别从闲聊对话集、知识对话集与任务对话集中选取一个对话数据；按照预设顺序将所选取的对话数据进行拼接；将拼接结果作为一个多类型对话数据，从而根据所得到的多个多类型对话数据构建多类型对话集。
由于对话集中的对话数据对应于不同的领域，因此为了提升多类型对话数据的准确性，确保每个多类型对话数据中包含的对话数据与同一领域相对应，构建单元403在分别从闲聊对话集、知识对话集与任务对话集中选取一个对话数据时，可以采用的可选实现方式为：获取领域关键词；分别从闲聊对话集、知识对话集与任务对话集中选取一个与所获取的领域关键词对应的对话数据。
另外，为了实现由闲聊对话到知识对话的自然过渡，构建单元403在从闲聊对话集中获取闲聊对话数据之后，还可以在所获取的闲聊对话数据中插入预设的模板句。
本实施例在由构建单元403构建了多类型对话集之后，由训练单元404使用所构建的多类型对话集训练第一对话模型，得到通用对话模型。
由于多类型对话集中的每个多类型对话数据中包含多个对话数据，因此训练单元404使用多类型对话集训练第一对话模型时，可以将每个多类型对话数据中的多个对话数据作为一个训练数据，针对每个对话数据，采用将对话数据的当前语句作为第一对话模型的输入、将对话数据的回复语句作为第一对话模型的输出的方式进行训练。
由于第一对话模型已具备处理多种对话需求的能力，因此本实施例通过具有特定对话逻辑的多类型对话数据来训练第一对话模型的方式，使得训练得到的通用对话模型还具有主动引导对话的能力，从而避免了通用对话模型与用户聊自身不擅长的领域，进一步提升通用对话模型的性能。
图5是根据本公开第五实施例的示意图。如图5所示，本实施例的对话生成装置500，包括：
第二获取单元501、用于获取当前对话语句与历史对话语句；
生成单元502、用于将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句。
第二获取单元501所获取的历史对话语句，具体为本次对话过程中位于当前对话语句之前的一个或者多个对话语句。第二获取单元501可以预先设置所获取的历史对话语句中所包含的对话语句的个数，从而确保历史对话语句中包含的对话语句与当前对话语句之间具有较强的相关性。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
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。
如图6所示，是根据本公开实施例的通用对话模型的训练与对话生成方法的电子设备的框图。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、个人数字助理、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，个人数字处理、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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如通用对话模型的训练与对话生成方法。例如，在一些实施例中，通用对话模型的训练与对话生成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608。
在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的通用对话模型的训练与对话生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行通用对话模型的训练与对话生成方法。
此处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通用对话模型的训练与对话生成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 (14)
1.一种通用对话模型的训练方法，包括：
获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；
使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；
根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；
使用所述多类型对话集训练所述第一对话模型，得到通用对话模型；
其中，所述根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集包括：
分别从所述闲聊对话集、知识对话集与任务对话集中选取一个对话数据；
按照预设顺序将所选取的对话数据进行拼接，将拼接结果作为一个多类型对话数据。
2.根据权利要求1所述的方法，其中，所述使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型包括：
使用所述闲聊对话集训练神经网络模型，得到初始对话模型；
根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集；
使用所述训练对话集训练所述初始对话模型，得到所述第一对话模型。
3.根据权利要求2所述的方法，其中，所述根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集包括：
根据所述闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集；
根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集中的对话数据，得到所述训练对话集。
4.根据权利要求3所述的方法，其中，所述根据所述闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集包括：
分别从所述闲聊对话集与单轮问答对话集中随机选取一个对话数据，将所选取的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据；和/或
对所述闲聊对话集与单轮问答对话集中的对话数据进行实体识别，将具有重合实体的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据；和/或
计算所述闲聊对话集与单轮问答对话集中对话数据之间的相似度，将相似度计算结果超过预设阈值的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据。
5.根据权利要求1所述的方法，其中，所述分别从所述闲聊对话集、知识对话集与任务对话集中选取一个对话数据包括：
获取领域关键词；
分别从所述闲聊对话集、知识对话集与任务对话集中选取一个与所述领域关键词对应的对话数据。
6.一种对话生成方法，包括：
获取当前对话语句与历史对话语句；
将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句；
其中，所述通用对话模型是根据权利要求1-5中任一项所述的方法预先训练得到的。
7.一种通用对话模型的训练装置，包括：
第一获取单元，用于获取闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集；
处理单元，用于使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型；
构建单元，用于根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集；
训练单元，用于使用所述多类型对话集训练所述第一对话模型，得到通用对话模型；
其中，所述构建单元在根据所述闲聊对话集、知识对话集与任务对话集中的对话数据，构建多类型对话集时，具体执行：
分别从所述闲聊对话集、知识对话集与任务对话集中选取一个对话数据；
按照预设顺序将所选取的对话数据进行拼接，将拼接结果作为一个多类型对话数据。
8.根据权利要求7所述的装置，其中，所述处理单元在使用所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集训练神经网络模型，得到第一对话模型时，具体执行：
使用所述闲聊对话集训练神经网络模型，得到初始对话模型；
根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集；
使用所述训练对话集训练所述初始对话模型，得到所述第一对话模型。
9.根据权利要求8所述的装置，其中，所述处理单元在根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集与任务对话集中的对话数据，得到训练对话集时，具体执行：
根据所述闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集；
根据所述闲聊对话集、单轮问答对话集、画像对话集、知识对话集、任务对话集与多轮问答对话集中的对话数据，得到所述训练对话集。
10.根据权利要求9所述的装置，其中，所述处理单元在根据所述闲聊对话集与单轮问答对话集中的对话数据，构建多轮问答对话集时，具体执行：
分别从所述闲聊对话集与单轮问答对话集中随机选取一个对话数据，将所选取的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据；和/或
对所述闲聊对话集与单轮问答对话集中的对话数据进行实体识别，将具有重合实体的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据；和/或
计算所述闲聊对话集与单轮问答对话集中对话数据之间的相似度，将相似度计算结果超过预设阈值的闲聊对话数据与单轮问答对话数据进行拼接，将拼接结果作为一个多轮问答对话数据。
11.根据权利要求7所述的装置，其中，所述构建单元在分别从所述闲聊对话集、知识对话集与任务对话集中选取一个对话数据时，具体执行：
获取领域关键词；
分别从所述闲聊对话集、知识对话集与任务对话集中选取一个与所述领域关键词对应的对话数据。
12.一种对话生成装置，包括：
第二获取单元，用于获取当前对话语句与历史对话语句；
生成单元，用于将所述当前对话语句与历史对话语句输入通用对话模型，将所述通用对话模型的输出结果作为回复语句；
其中，所述通用对话模型是根据权利要求7-11中任一项所述的装置预先训练得到的。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931304.XA CN113836278B (zh) | 2021-08-13 | 2021-08-13 | 通用对话模型的训练与对话生成方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110931304.XA CN113836278B (zh) | 2021-08-13 | 2021-08-13 | 通用对话模型的训练与对话生成方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113836278A CN113836278A (zh) | 2021-12-24 |
| CN113836278B true CN113836278B (zh) | 2023-08-11 |
Family
ID=78960566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110931304.XA Active CN113836278B (zh) | 2021-08-13 | 2021-08-13 | 通用对话模型的训练与对话生成方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836278B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114840653B (zh) * | 2022-04-26 | 2023-08-01 | 北京百度网讯科技有限公司 | 对话处理方法、装置、设备以及存储介质 |
| CN114881170B (zh) * | 2022-05-27 | 2023-07-14 | 北京百度网讯科技有限公司 | 用于对话任务的神经网络的训练方法和对话任务处理方法 |
| CN115878775B (zh) * | 2022-12-23 | 2024-04-12 | 北京百度网讯科技有限公司 | 生成跨类型对话数据的方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018157700A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 对话生成方法、装置及存储介质 |
| CN108681610A (zh) * | 2018-05-28 | 2018-10-19 | 山东大学 | 生成式多轮闲聊对话方法、系统及计算机可读存储介质 |
| WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| CN111177339A (zh) * | 2019-12-06 | 2020-05-19 | 百度在线网络技术（北京）有限公司 | 对话生成方法、装置、电子设备及存储介质 |
| CN112307188A (zh) * | 2020-12-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 对话生成方法、系统、电子设备和可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11651250B2 (en) * | 2019-11-20 | 2023-05-16 | International Business Machines Corporation | Automatically generated conversation output |
-
2021
- 2021-08-13 CN CN202110931304.XA patent/CN113836278B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018157700A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 对话生成方法、装置及存储介质 |
| WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| CN108681610A (zh) * | 2018-05-28 | 2018-10-19 | 山东大学 | 生成式多轮闲聊对话方法、系统及计算机可读存储介质 |
| CN111177339A (zh) * | 2019-12-06 | 2020-05-19 | 百度在线网络技术（北京）有限公司 | 对话生成方法、装置、电子设备及存储介质 |
| CN112307188A (zh) * | 2020-12-30 | 2021-02-02 | 北京百度网讯科技有限公司 | 对话生成方法、系统、电子设备和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Bing Liu等.Dialog context language modeling with recurrent neural networks.IEEE Xplore.2017,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113836278A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113836278B (zh) | 通用对话模型的训练与对话生成方法、装置 | |
| CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
| EP3475890A1 (en) | Reward augmented model training | |
| CN112307188B (zh) | 对话生成方法、系统、电子设备和可读存储介质 | |
| CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
| CN113641807A (zh) | 对话推荐模型的训练方法、装置、设备和存储介质 | |
| CN115309877A (zh) | 对话生成方法、对话模型训练方法及装置 | |
| 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 | |
| JP2023002690A (ja) | セマンティックス認識方法、装置、電子機器及び記憶媒体 | |
| CN113641829B (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
| CN112507104B (zh) | 对话系统获取方法、装置、存储介质及计算机程序产品 | |
| CN117371428A (zh) | 基于大语言模型的文本处理方法与装置 | |
| CN114722171B (zh) | 多轮对话处理方法、装置、电子设备及存储介质 | |
| CN114416941B (zh) | 融合知识图谱的对话知识点确定模型的生成方法及装置 | |
| CN115292467A (zh) | 信息处理与模型训练方法、装置、设备、介质及程序产品 | |
| CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
| JP2023026362A (ja) | 単語マイニング方法、装置、電子機器、及び読み取り可能な記憶媒体 | |
| CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
| CN113362218B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
| CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 | |
| CN117932015A (zh) | 问题解答模型的训练与问题解答方法、装置 | |
| CN114219067A (zh) | 推荐方法、装置、电子设备及可读存储介质 |
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 |