CN113868403A - 基于人工智能的人机多轮对话方法、装置、设备及介质 - Google Patents
基于人工智能的人机多轮对话方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113868403A CN113868403A CN202111268184.6A CN202111268184A CN113868403A CN 113868403 A CN113868403 A CN 113868403A CN 202111268184 A CN202111268184 A CN 202111268184A CN 113868403 A CN113868403 A CN 113868403A
- Authority
- CN
- China
- Prior art keywords
- intention
- business field
- business
- field
- round
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 210000001503 joint Anatomy 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
-
- 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
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及人工智能技术领域，揭示了一种基于人工智能的人机多轮对话方法、装置、设备及介质，其中方法包括：对第i轮的用户回答文本确定第i轮的业务领域有效意图；对第i轮的用户回答文本确定第i轮的非业务领域有效意图；基于获取的非业务领域树，根据各个第i轮的非业务领域有效意图生成第i轮的非业务领域有效意图树；根据第i轮的业务领域有效意图和第i轮的非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；根据预设单向流程队列确定第i+1轮的目标话术。在预设单向流程队列中采用花型的方式进行前后领域对接，根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求。
Description
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种基于人工智能的人机多轮对话方法、装置、设备及介质。
背景技术
人机对话是计算机的一种工作方式，即计算机操作员或用户与计算机之间，通过控制台或终端显示屏幕，以对话方式进行工作。目前在人机对话应用的过程中，用户在说一句话时一般包含多个意图；而且在继续业务流程的过程中，也会夹杂一些非业务类的要求，而这些非业务类的要求十分影响用户的实际体验，非业务类的要求也是业务领域无法识别到的部分；另外用户的前后回答往往具有一定的相关性，如果不考虑用户前面的回答而只是单纯考虑当前轮次的回答，导致容易给用户一种呆板的体验。
发明内容
本申请的主要目的为提供一种基于人工智能的人机多轮对话方法、装置、设备及介质，旨在解决现有技术的在人机对话应用的过程中忽略非业务类的要求，并且上下文衔接差，导致容易给用户一种呆板的体验的技术问题。
为了实现上述发明目的，本申请提出一种基于人工智能的人机多轮对话方法，所述方法包括：
获取第i轮的用户回答文本，i为大于0的整数；
对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
进一步的，所述对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图的步骤，包括：
采用预设业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到业务领域标准意图集；
采用获取的业务领域标准意图库，从所述业务领域标准意图集中获取有效的意图作为第i轮的所述业务领域有效意图。
进一步的，所述对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图的步骤，包括：
采用每个预设非业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到多个非业务领域标准意图集；
采用获取的非业务领域标准意图库，从每个所述非业务领域标准意图集中获取有效的意图作为每个所述非业务领域对应的第i轮的所述非业务领域有效意图。
进一步的，所述根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树的步骤，包括：
将第i轮的所述业务领域有效意图作为第i轮的所述流程子树的根节点；
将第i轮的所述非业务领域有效意图树作为第i轮的所述流程子树的所述根节点的子节点；
将第i轮的所述流程子树的所述根节点与所述预设单向流程队列中的第i-1轮的所述流程子树的所述根节点连接。
进一步的，所述根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术的步骤，包括：
采用预设业务领域轮数，从所述预设单向流程队列中获取所述业务领域有效意图，得到业务领域有效意图集；
采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术；
采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图；
将所述目标非业务领域有效意图对应的所述非业务领域作为目标非业务领域；
采用预设非业务领域轮数，从所述预设单向流程队列中获取与所述目标非业务领域的对应的所述非业务领域有效意图，得到非业务领域有效意图集；
采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术；
重复执行所述采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图的步骤，直至完成第i轮的所述非业务领域有效意图树的遍历；
基于所述预设单向流程队列中的所述第i轮的所述流程子树，根据所述目标业务领域话术和各个所述目标非业务领域话术进行话术组合，得到所述第i+1轮的目标话术。
进一步的，所述采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术的步骤，包括：
将所述业务领域有效意图集按轮次顺序组成关联数据，得到第一关联数据；
将所述第一关联数据在获取的业务领域话术库中进行关联数据查找，将在所述业务领域话术库中查找到的关联数据对应的业务领域话术作为所述目标业务领域话术。
进一步的，所述采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术的步骤，包括：
将所述非业务领域有效意图集按轮次顺序组成关联数据，得到第二关联数据；
将所述第二关联数据在获取的非业务领域话术库中进行关联数据查找，将在所述非业务领域话术库中查找到的关联数据对应的话术作为所述目标非业务领域对应的所述目标非业务领域话术。
本申请还提出了一种基于人工智能的人机多轮对话装置，所述装置包括：
数据获取模块，用于获取第i轮的用户回答文本，i为大于0的整数
业务领域有效意图确定模块，用于对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
非业务领域有效意图确定模块，用于对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
非业务领域有效意图树确定模块，用于基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
流程子树确定模块，用于根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
目标话术确定模块，用于根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于人工智能的人机多轮对话方法、装置、设备及介质，其中方法首先对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图，其次对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图，基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树，然后根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树，最后根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
附图说明
图1为本申请一实施例的基于人工智能的人机多轮对话方法的流程示意图；
图2为本申请一实施例的基于人工智能的人机多轮对话装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于人工智能的人机多轮对话方法，所述方法包括：
S1：获取第i轮的用户回答文本，i为大于0的整数；
S2：对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
S3：对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
S4：基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
S5：根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
S6：根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
本实施例首先对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图，其次对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图，基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树，然后根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树，最后根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
对于S1，可以从数据库中获取第i轮的用户回答文本，也可以从第三方应用系统中获取第i轮的用户回答文本，还可以从缓存中获取第i轮的用户回答文本。
可以理解的是，第i轮的用户回答文本是用户在第i轮的回答文本。
用户回答文本中包括一句话或多句话。
对于S2，对第i轮的所述用户回答文本进行业务领域的意图识别，对识别得到的意图进行有效意图筛选，将筛选得到的意图作为业务领域有效意图，将该业务领域有效意图作为第i轮的业务领域有效意图。
业务领域，是企业的业务活动的范围。
可以理解的是，为了确保业务领域有效意图的数据安全，业务领域有效意图可以存储在区块链中。
对于S3，对第i轮的所述用户回答文本进行每个非业务领域的意图识别，对识别得到每个非业务领域的意图进行有效意图筛选，将筛选得到的意图作为非业务领域有效意图，将确定的每个非业务领域有效意图作为第i轮的非业务领域有效意图。
所述非业务领域包括但不限于：咨询领域、检测领域、特殊领域、高风险领域、通用领域。
可以理解的是，为了确保非业务领域有效意图的数据安全，非业务领域有效意图可以存储在区块链中。
对于S4，将各个第i轮的所述非业务领域有效意图放入获取的非业务领域树中，根据放入了第i轮的所述非业务领域有效意图的非业务领域树生成第i轮的非业务领域有效意图树。
非业务领域树是树形结构的树，非业务领域树中的每个节点对应一个非业务领域。
对于S5，将第i轮的所述业务领域有效意图作为预设单向流程队列中的主干线的节点，将第i轮的各个所述非业务领域有效意图树作为预设单向流程队列中的第i轮的所述业务领域有效意图的子树，从而得到“花型”的预设单向流程队列，其中，第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树作为预设单向流程队列中的第i轮的流程子树。
可以理解的是，所述非业务领域有效意图树中可以包括1个或多个带有非业务领域有效意图的节点，所述非业务领域有效意图树中也可以只包含一个不包含意图的根节点。也就是说，当所述非业务领域有效意图树中只包含一个不包含意图的根节点时，该轮的流程子树只有与所述业务领域有效意图对应的节点。
对于S6，根据所述预设单向流程队列中第i轮的业务领域有效意图与第i轮以前的业务领域有效意图的依赖关系确定目标业务领域话术；根据所述预设单向流程队列中第i轮的每个非业务领域对应的非业务领域有效意图与第i轮以前的非业务领域有效意图的依赖关系确定每个非业务领域对应的目标非业务领域话术；根据所述目标业务领域话术和各个所述目标非业务领域话术进行话术组合，得到所述第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
可选的，所述根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术的步骤之后，还包括：将第i+1轮的所述目标话术实时发送至客户端，其中，所述客户端遍历第i+1轮的所述目标话术确定反馈的答复内容，将所述答复内容反馈至所述客户端对应的语音机器人，所述客户端对应的语音机器人将所述答复内容进行展示，从而实现了人机对话。
在一个实施例中，上述对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图的步骤，包括：
S21：采用预设业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到业务领域标准意图集；
S22：采用获取的业务领域标准意图库，从所述业务领域标准意图集中获取有效的意图作为第i轮的所述业务领域有效意图。
本实施例通过预设业务领域标准意图识别模型进行意图识别，然后通过业务领域标准意图库进行有效意图确定，从而提高了第i轮的业务领域有效意图的准确性，提高了预设单向流程队列的准确性。
对于S21，将第i轮的所述用户回答文本输入预设业务领域标准意图识别模型进行意图识别，将识别得到的各个意图作为业务领域标准意图集。
其中，预设业务领域标准意图识别模型，是采用多个第一训练样本对NER(命名实体识别)模型训练得到的模型。第一训练样本包括：第一文本和业务领域标准意图标定值。第一文本中包括一句话或多句话。业务领域标准意图标定值中包括业务领域中的一个或多个的意图。业务领域标准意图标定值是对第一文本中的业务领域的意图的准确标定结果。
对于S22，可以获取用户输入的业务领域标准意图库，也可以从第三方应用系统中获取业务领域标准意图库。
业务领域标准意图库包括：业务领域标准意图。
其中，将所述业务领域标准意图集中的每个意图在所述业务领域标准意图库中进行业务领域标准意图查找，根据查找到的各个业务领域标准意图确定第i轮的所述业务领域有效意图。
可选的，业务领域标准意图库中的业务领域标准意图携带有优先级。
可选的，所述根据查找到的各个业务领域标准意图确定第i轮的所述业务领域有效意图的步骤，包括：从查找到的各个业务领域标准意图中找出优先级最高的所述业务领域标准意图作为第i轮的所述业务领域有效意图。也就是说，第i轮的所述业务领域有效意图的数量为1个。
可选的，所述根据查找到的各个业务领域标准意图确定第i轮的所述业务领域有效意图的步骤，还包括：从查找到的各个业务领域标准意图中找出优先级最高的数量与第一预设意图数量相同的所述业务领域标准意图，将找出的每个所述业务领域标准意图作为第i轮的所述业务领域有效意图。也就是说，第i轮的所述业务领域有效意图的数量为1个或多个。
可以理解的是，当查找到的各个业务领域标准意图的数量小于第一预设意图数量时，将查找到的每个业务领域标准意图作为一个第i轮的所述非业务领域有效意图。
在一个实施例中，上述对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图的步骤，包括：
S31：采用每个预设非业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到多个非业务领域标准意图集；
S32：采用获取的非业务领域标准意图库，从每个所述非业务领域标准意图集中获取有效的意图作为每个所述非业务领域对应的第i轮的所述非业务领域有效意图。
本实施例通过预设非业务领域标准意图识别模型进行意图识别，然后通过非业务领域标准意图库进行有效意图确定，从而提高了第i轮的非业务领域有效意图的准确性，提高了预设单向流程队列的准确性。
对于S31，将第i轮的所述用户回答文本输入每个预设非业务领域标准意图识别模型进行意图识别，将识别得到的每个所述非业务领域的各个意图作为一个非业务领域标准意图集。也就是说，每个非业务领域标准意图集中的意图对应同一个非业务领域。
其中，预设非业务领域标准意图识别模型，是采用多个第二训练样本对NER模型训练得到的模型。第二训练样本包括：第二文本和非业务领域意图标定值。第二文本中包括一句话或多句话。非业务领域意图标定值中包括非业务领域中的一个或多个的意图。非业务领域意图标定值是对第二文本中的非业务领域的意图的准确标定结果。
对于S32，可以获取用户输入的非业务领域标准意图库，也可以从第三方应用系统中获取非业务领域标准意图库。
非业务领域标准意图库包括：非业务领域和非业务领域标准意图。
其中，将任一个非业务领域标准意图集作为目标非业务领域标准意图集；将目标非业务领域标准意图集中的每个意图和所述目标非业务领域标准意图集对应的非业务领域作为关联数据，得到目标非业务领域标准意图集中的每个意图对应的目标关联数据；将目标关联数据在所述非业务领域标准意图库中进行关联数据查找，根据查找到的各个关联数据各自对应的非业务领域标准意图作为待筛选的非业务领域标准意图集，根据待筛选的非业务领域标准意图集确定目标非业务领域标准意图集对应的第i轮的所述非业务领域有效意图。
可选的，所述根据待筛选的非业务领域标准意图集确定目标非业务领域标准意图集对应的第i轮的所述非业务领域有效意图的步骤，包括：从待筛选的非业务领域标准意图集中找出优先级最高的非业务领域标准意图作为目标非业务领域标准意图集对应的第i轮的所述非业务领域有效意图。也就是说，第i轮的所述非业务领域有效意图的数量为1个。
可选的，非业务领域标准意图库中的非业务领域标准意图携带有优先级。
可选的，所述根据待筛选的非业务领域标准意图集确定目标非业务领域标准意图集对应的第i轮的所述非业务领域有效意图的步骤，还包括：从待筛选的非业务领域标准意图集中找出优先级最高的数量与第二预设意图数量相同的所述非业务领域标准意图，将找出的每个所述非业务领域标准意图作为目标非业务领域标准意图集对应的第i轮的所述非业务领域有效意图。也就是说，每个所述非业务领域对应的第i轮的所述非业务领域有效意图的数量为1个或多个。
可以理解的是，当待筛选的非业务领域标准意图集的数量小于第二预设意图数量时，将待筛选的非业务领域标准意图集中的每个意图作为目标非业务领域标准意图集对应的一个第i轮的所述非业务领域有效意图。
在一个实施例中，上述根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树的步骤，包括：
S51：将第i轮的所述业务领域有效意图作为第i轮的所述流程子树的根节点；
S52：将第i轮的所述非业务领域有效意图树作为第i轮的所述流程子树的所述根节点的子节点；
S53：将第i轮的所述流程子树的所述根节点与所述预设单向流程队列中的第i-1轮的所述流程子树的所述根节点连接。
本实施例实现了将业务领域有效意图作为预设单向流程队列的主干线的节点，将非业务领域有效意图树作为预设单向流程队列的主干线的子节点，从而使预设单向流程队列呈现“花型”结构，实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
对于S51，将第i轮的所述业务领域有效意图作为第i轮的所述流程子树的根节点，从而为将业务领域有效意图作为预设单向流程队列的主干线的节点提供了基础。
对于S52，将第i轮的所述非业务领域有效意图树作为第i轮的所述流程子树的所述根节点的子节点，从而实现了第i轮的所述非业务领域有效意图树与第i轮的所述业务领域有效意图的关联。
对于S53，将第i轮的所述流程子树的所述根节点与所述预设单向流程队列中的第i-1轮的所述流程子树的所述根节点连接，从而使将业务领域有效意图作为预设单向流程队列的主干线的节点，将非业务领域有效意图树作为预设单向流程队列的主干线的子节点，将第i轮的所述非业务领域有效意图树只与第i轮的所述流程子树的所述根节点(对应第i轮的所述业务领域有效意图)关联，有利于清晰的表述业务领域的对接和以轮次关系进行领域依赖。
在一个实施例中，上述根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术的步骤，包括：
S61：采用预设业务领域轮数，从所述预设单向流程队列中获取所述业务领域有效意图，得到业务领域有效意图集；
S62：采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术；
S63：采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图；
S64：将所述目标非业务领域有效意图对应的所述非业务领域作为目标非业务领域；
S65：采用预设非业务领域轮数，从所述预设单向流程队列中获取与所述目标非业务领域的对应的所述非业务领域有效意图，得到非业务领域有效意图集；
S66：采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术；
S67：重复执行所述采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图的步骤，直至完成第i轮的所述非业务领域有效意图树的遍历；
S68：基于所述预设单向流程队列中的所述第i轮的所述流程子树，根据所述目标业务领域话术和各个所述目标非业务领域话术进行话术组合，得到所述第i+1轮的目标话术。
本实施例通过首先根据轮次关系进行业务领域的领域依赖确定目标业务领域话术，然后根据轮次关系进行每个非业务领域的领域依赖确定每个非业务领域的目标非业务领域话术，最后根据目标业务领域话术和各个目标非业务领域话术确定第i+1轮的目标话术，从而实现了根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
对于S61，采用预设业务领域轮数，从所述预设单向流程队列中获取所述业务领域有效意图，也就是说，业务领域有效意图集中的意图数量等于预设业务领域轮数。可以理解的是，所述预设单向流程队列的轮次小于预设业务领域轮数时，业务领域有效意图集中的意图数量小于预设业务领域轮数。
其中，预设业务领域轮数可以是1轮，也可以是2轮，还可以是多轮。
比如，当预设业务领域轮数是2时，则从所述预设单向流程队列中获取第i轮的所述业务领域有效意图和第i-1轮的所述业务领域有效意图，将第i轮的所述业务领域有效意图和第i-1轮的所述业务领域有效意图作为业务领域有效意图集，在此举例不做具体限定。
对于S62，将所述业务领域有效意图集中的业务领域有效意图按轮次顺序组成关联数据，得到第一关联数据；采用预设目标业务领域话术生成规则，根据所述第一关联数据进行话术生成，得到目标业务领域话术。
比如，当预设业务领域轮数是2时，第一关联数据依次包括：第i-1轮的所述业务领域有效意图和第i轮的所述业务领域有效意图，在此举例不做具体限定。
对于S63，采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，每次只获取一个所述非业务领域有效意图，并且将获取的所述非业务领域有效意图作为所述目标非业务领域有效意图。
对于S65，获取与所述目标非业务领域对应的非业务领域轮数作为预设非业务领域轮数。
采用预设非业务领域轮数，从所述预设单向流程队列中获取与所述目标非业务领域的对应的所述非业务领域有效意图，也就是说，非业务领域有效意图集中的意图数量小于或等于预设非业务领域轮数。可以理解的是，所述预设单向流程队列的轮次小于预设非业务领域轮数时，非业务领域有效意图集中的意图数量小于预设非业务领域轮数。
对于S66，将所述非业务领域有效意图集中的非业务领域有效意图按轮次顺序组成关联数据，得到第二关联数据；采用预设目标非业务领域话术生成规则，根据第二关联数据进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术。
对于S67，重复执行步骤S63至步骤S67，直至完成第i轮的所述非业务领域有效意图树的遍历。当完成第i轮的所述非业务领域有效意图树的遍历时，意味着确定了第i轮的每个非业务领域有效意图的目标非业务领域话术。
对于S68，基于所述预设单向流程队列中的所述第i轮的所述流程子树的树形结构，对所述目标业务领域话术和各个所述目标非业务领域话术进行话术组合，将组合后的话术作为所述第i+1轮的目标话术。
在一个实施例中，上述采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术的步骤，包括：
S621：将所述业务领域有效意图集按轮次顺序组成关联数据，得到第一关联数据；
S622：将所述第一关联数据在获取的业务领域话术库中进行关联数据查找，将在所述业务领域话术库中查找到的关联数据对应的业务领域话术作为所述目标业务领域话术。
本实施例实现了先将所述业务领域有效意图集按轮次顺序组成关联数据，然后根据该关联数据从业务领域话术库中确定目标业务领域话术。
对于S621，将所述业务领域有效意图集中的各个业务领域有效意图按轮次顺序组成关联数据，将组成的关联数据作为第一关联数据。
对于S622，可以从数据库中获取业务领域话术库，也可以从第三方应用系统中获取业务领域话术库；将所述第一关联数据在业务领域话术库中进行关联数据查找，将在所述业务领域话术库中查找到的关联数据对应的业务领域话术作为所述目标业务领域话术，从而实现根据预设单向流程队列中的轮次关系进行业务领域依赖判断以实现上下文对话。
业务领域话术库包括：关联数据和业务领域话术。
在一个实施例中，上述采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术的步骤，包括：
S661：将所述非业务领域有效意图集按轮次顺序组成关联数据，得到第二关联数据；
S662：将所述第二关联数据在获取的非业务领域话术库中进行关联数据查找，将在所述非业务领域话术库中查找到的关联数据对应的话术作为所述目标非业务领域对应的所述目标非业务领域话术。
本实施例实现了先将所述非业务领域有效意图集按轮次顺序组成关联数据，然后根据该关联数据从非业务领域话术库中确定目标非业务领域话术。
对于S661，将所述非业务领域有效意图集中的各个非业务领域有效意图按轮次顺序组成关联数据，将组成的关联数据作为第二关联数据。
对于S662，可以从数据库中获取非业务领域话术库，也可以从第三方应用系统中获取非业务领域话术库；将所述第二关联数据在非业务领域话术库中进行关联数据查找，将在所述非业务领域话术库中查找到的关联数据对应的话术作为所述目标非业务领域对应的所述目标非业务领域话术，从而实现根据预设单向流程队列中的轮次关系进行每个非业务领域依赖判断以实现上下文对话。
非业务领域话术库包括：关联数据和非业务领域话术。
参照图2，本申请还提出了一种基于人工智能的人机多轮对话装置，所述装置包括：
数据获取模块100，用于获取第i轮的用户回答文本，i为大于0的整数
业务领域有效意图确定模块200，用于对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
非业务领域有效意图确定模块300，用于对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
非业务领域有效意图树确定模块400，用于基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
流程子树确定模块500，用于根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
目标话术确定模块600，用于根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
本实施例首先对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图，其次对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图，基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树，然后根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树，最后根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的人机多轮对话方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的人机多轮对话方法。所述基于人工智能的人机多轮对话方法，包括：获取第i轮的用户回答文本，i为大于0的整数对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
本实施例首先对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图，其次对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图，基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树，然后根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树，最后根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的人机多轮对话方法，包括步骤：获取第i轮的用户回答文本，i为大于0的整数对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
上述执行的基于人工智能的人机多轮对话方法，首先对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图，其次对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图，基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树，然后根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树，最后根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。实现了在预设单向流程队列中采用“花型”的方式进行前后领域对接，然后根据预设单向流程队列中的轮次关系进行领域依赖判断以实现上下文对话，充分考虑了业务类要求和非业务类要求，提高了人机对话的灵活性和准确性，提高了人机对话的用户体验。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于人工智能的人机多轮对话方法，其特征在于，所述方法包括：
获取第i轮的用户回答文本，i为大于0的整数；
对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
2.根据权利要求1所述的基于人工智能的人机多轮对话方法，其特征在于，所述对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图的步骤，包括：
采用预设业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到业务领域标准意图集；
采用获取的业务领域标准意图库，从所述业务领域标准意图集中获取有效的意图作为第i轮的所述业务领域有效意图。
3.根据权利要求1所述的基于人工智能的人机多轮对话方法，其特征在于，所述对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图的步骤，包括：
采用每个预设非业务领域标准意图识别模型，对第i轮的所述用户回答文本进行意图识别，得到多个非业务领域标准意图集；
采用获取的非业务领域标准意图库，从每个所述非业务领域标准意图集中获取有效的意图作为每个所述非业务领域对应的第i轮的所述非业务领域有效意图。
4.根据权利要求1所述的基于人工智能的人机多轮对话方法，其特征在于，所述根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树的步骤，包括：
将第i轮的所述业务领域有效意图作为第i轮的所述流程子树的根节点；
将第i轮的所述非业务领域有效意图树作为第i轮的所述流程子树的所述根节点的子节点；
将第i轮的所述流程子树的所述根节点与所述预设单向流程队列中的第i-1轮的所述流程子树的所述根节点连接。
5.根据权利要求1所述的基于人工智能的人机多轮对话方法，其特征在于，所述根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术的步骤，包括：
采用预设业务领域轮数，从所述预设单向流程队列中获取所述业务领域有效意图，得到业务领域有效意图集；
采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术；
采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图；
将所述目标非业务领域有效意图对应的所述非业务领域作为目标非业务领域；
采用预设非业务领域轮数，从所述预设单向流程队列中获取与所述目标非业务领域的对应的所述非业务领域有效意图，得到非业务领域有效意图集；
采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术；
重复执行所述采用遍历方式从所述预设单向流程队列中的第i轮的所述非业务领域有效意图树中获取一个所述非业务领域有效意图，得到目标非业务领域有效意图的步骤，直至完成第i轮的所述非业务领域有效意图树的遍历；
基于所述预设单向流程队列中的所述第i轮的所述流程子树，根据所述目标业务领域话术和各个所述目标非业务领域话术进行话术组合，得到所述第i+1轮的目标话术。
6.根据权利要求5所述的基于人工智能的人机多轮对话方法，其特征在于，所述采用预设目标业务领域话术生成规则，根据所述业务领域有效意图集进行话术生成，得到目标业务领域话术的步骤，包括：
将所述业务领域有效意图集按轮次顺序组成关联数据，得到第一关联数据；
将所述第一关联数据在获取的业务领域话术库中进行关联数据查找，将在所述业务领域话术库中查找到的关联数据对应的业务领域话术作为所述目标业务领域话术。
7.根据权利要求5所述的基于人工智能的人机多轮对话方法，其特征在于，所述采用预设目标非业务领域话术生成规则，根据所述非业务领域有效意图集进行话术生成，得到所述目标非业务领域对应的目标非业务领域话术的步骤，包括：
将所述非业务领域有效意图集按轮次顺序组成关联数据，得到第二关联数据；
将所述第二关联数据在获取的非业务领域话术库中进行关联数据查找，将在所述非业务领域话术库中查找到的关联数据对应的话术作为所述目标非业务领域对应的所述目标非业务领域话术。
8.一种基于人工智能的人机多轮对话装置，其特征在于，所述装置包括：
数据获取模块，用于获取第i轮的用户回答文本，i为大于0的整数；
业务领域有效意图确定模块，用于对第i轮的所述用户回答文本进行业务领域的意图识别及有效意图确定，得到第i轮的业务领域有效意图；
非业务领域有效意图确定模块，用于对第i轮的所述用户回答文本进行每个非业务领域的意图识别及有效意图确定，得到每个所述非业务领域对应的第i轮的非业务领域有效意图；
非业务领域有效意图树确定模块，用于基于获取的非业务领域树，根据各个第i轮的所述非业务领域有效意图生成第i轮的非业务领域有效意图树；
流程子树确定模块，用于根据第i轮的所述业务领域有效意图和第i轮的所述非业务领域有效意图树生成预设单向流程队列中的第i轮的流程子树；
目标话术确定模块，用于根据所述预设单向流程队列生成第i轮的所述用户回答文本对应的话术，得到第i+1轮的目标话术。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268184.6A CN113868403A (zh) | 2021-10-29 | 2021-10-29 | 基于人工智能的人机多轮对话方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268184.6A CN113868403A (zh) | 2021-10-29 | 2021-10-29 | 基于人工智能的人机多轮对话方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113868403A true CN113868403A (zh) | 2021-12-31 |
Family
ID=78985968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268184.6A Pending CN113868403A (zh) | 2021-10-29 | 2021-10-29 | 基于人工智能的人机多轮对话方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113868403A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115129878A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019725A (zh) * | 2017-12-22 | 2019-07-16 | 科沃斯商用机器人有限公司 | 人机交互方法、系统及其电子设备 |
| CN111783439A (zh) * | 2020-06-28 | 2020-10-16 | 平安普惠企业管理有限公司 | 人机交互对话处理方法、装置、计算机设备及存储介质 |
| CN112685546A (zh) * | 2020-12-29 | 2021-04-20 | 平安普惠企业管理有限公司 | 人机多轮对话方法、装置及计算机可读存储介质 |
-
2021
- 2021-10-29 CN CN202111268184.6A patent/CN113868403A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019725A (zh) * | 2017-12-22 | 2019-07-16 | 科沃斯商用机器人有限公司 | 人机交互方法、系统及其电子设备 |
| CN111783439A (zh) * | 2020-06-28 | 2020-10-16 | 平安普惠企业管理有限公司 | 人机交互对话处理方法、装置、计算机设备及存储介质 |
| CN112685546A (zh) * | 2020-12-29 | 2021-04-20 | 平安普惠企业管理有限公司 | 人机多轮对话方法、装置及计算机可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115129878A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Canonico et al. | A comparison and critique of natural language understanding tools | |
| CN109614627B (zh) | 一种文本标点预测方法、装置、计算机设备及存储介质 | |
| CN112925945A (zh) | 会议纪要生成方法、装置、设备及存储介质 | |
| CN113270103A (zh) | 基于语义增强的智能语音对话方法、装置、设备及介质 | |
| CN110472136B (zh) | 查询结果的推送方法、装置、存储介质和计算机设备 | |
| CN112800748B (zh) | 适用于多音字的音素预测方法、装置、设备及存储介质 | |
| DE102020215954A1 (de) | Dialogsystem und verfahren zum steuern desselben | |
| DE102015109379A1 (de) | Systeme und Verfahren für ein Navigationssystem, das eine Suche mit Diktieren und Teilübereinstimmung verwendet | |
| CN112541738B (zh) | 基于智能对话技术的审批方法、装置、设备及介质 | |
| CN114595158A (zh) | 基于人工智能的测试用例生成方法、装置、设备及介质 | |
| CN111223476A (zh) | 语音特征向量的提取方法、装置、计算机设备和存储介质 | |
| CN110931002B (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
| CN113868403A (zh) | 基于人工智能的人机多轮对话方法、装置、设备及介质 | |
| CN111858890A (zh) | 基于机器人的咨询方法、咨询机器人、计算机设备及介质 | |
| CN114155853A (zh) | 一种拒识方法、装置、设备及存储介质 | |
| CN118035425A (zh) | 基于自然语言模型的交互方法、装置、电子设备及介质 | |
| CN112541739B (zh) | 问答意图分类模型的测试方法、装置、设备及介质 | |
| CN110609618A (zh) | 一种人机对话方法、装置、计算机设备及存储介质 | |
| CN111243593A (zh) | 语音识别纠错方法、移动终端和计算机可读存储介质 | |
| CN117271727A (zh) | 基于化工安全的智慧交互方法、装置、电子设备和介质 | |
| CN115019802A (zh) | 语音意图识别的方法、装置、计算机设备和存储介质 | |
| CN113887243A (zh) | 语义分类模型的训练方法、装置、设备及存储介质 | |
| CN113657496A (zh) | 基于相似度匹配模型的信息匹配方法、装置、设备及介质 | |
| CN113448982A (zh) | Ddl语句的解析方法、装置、计算机设备及存储介质 | |
| CN111708861A (zh) | 基于双重匹配的匹配集获取方法、装置和计算机设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |