CN114254094A - 用于对话系统的数据处理方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种用于对话系统的数据处理方法、装置、设备、介质和程序产品，涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术领域。具体实现方案为：获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；根据所述答案和预先生成的对话流程，完成与所述用户的对话。本公开只需预先配置好任务描述，即可实现对话系统的构建，由构建的对话系统基于阅读理解技术从对话中抽取任务描述的答案，从而根据答案和预先生成的对话流程完成与用户的对话，提高了对话系统的开发效率。

Description

用于对话系统的数据处理方法、装置、设备和介质

技术领域

本公开涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术领域，具体涉及一种用于对话系统的数据处理方法、装置、设备、介质和程序产品。

背景技术

任务型对话系统越来越多的被应用到各种实际的场景中，人们可以通过自助语音对话的方式，方便、快捷地实现不同场景下的需求，例如，商品的购买、票务预订等需求。

现有的任务型对话系统通常都是基于pipeline的方式实现的，这类对话系统划分为多个模块，每个模块负责不同的子任务，整体上协作完成对话目标。然而，这类系统构建复杂，每个模块都需要单独训练和设置，因此，需要开发者参与较多，这对于大多普通开发者而言门槛较高，既需要一定的学习使用的成本，又需要数据成本(在初期数据成本对开发者更为昂贵)，使得开发效率较低。

发明内容

本公开提供了一种用于对话系统的数据处理方法、装置、设备、介质和程序产品。

根据本公开的一方面，提供了一种用于对话系统的数据处理方法，包括：

获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；

基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；

根据所述答案和预先生成的对话流程，完成与所述用户的对话。

根据本公开的另一方面，提供了一种用于对话系统的数据处理装置，包括：

任务描述获取模块，用于获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；

阅读理解模块，用于基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；

对话模块，用于根据所述答案和预先生成的对话流程，完成与所述用户的对话。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开任意实施例所述的用于对话系统的数据处理方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开任意实施例所述的用于对话系统的数据处理方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开任意实施例所述的用于对话系统的数据处理方法。

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是根据本公开实施例的一种用于对话系统的数据处理方法的示意图；

图2是根据本公开实施例的一种用于对话系统的数据处理方法的示意图；

图3是本公开实施例中抽取答案的示例性示意图；

图4是根据本公开实施例的一种用于对话系统的数据处理方法的示意图；

图5是本公开实施例中生成对话流程的示意图；

图6是本公开实施例中确定对话策略的示例性示意图；

图7是根据本公开实施例的一种用于对话系统的数据处理装置的示意图；

图8是用来实现本公开实施例的用于对话系统的数据处理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结构的描述。

图1是根据本公开实施例的用于对话系统的数据处理方法的流程示意图，本实施例可适用于利用构建的对话系统完成与用户的对话任务的情况，涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术领域。该方法可由一种用于对话系统的数据处理装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：

S101、获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性。

开发者构建对话系统的意图即为其希望对话系统能够帮助用户完成某项任务。本公开实施例中，开发者在构建对话系统时，就需要预先配置好与任务有关的任务描述，包括任务名及其任务属性。例如，任务名可以是“订饮品”，对应的任务属性则可以包括“饮料种类”、“温度”和“杯数”等。其中，配置的任务名的数量可以为多个，这样，构建成功的对话系统则可以完成多个任务的对话。

S102、基于阅读理解技术，从与用户的当前对话内容中抽取与任务描述对应的答案。

其中，当前对话内容可以包括开启本轮对话后对话系统与用户之前产生的对话内容，包括对话系统给用户的回复信息以及用户输出的query。对话内容可以是语音数据，也可以是文本数据。

本公开实施例中，是基于阅读理解技术，从与用户的当前对话内容中抽取与任务描述对应的答案。与任务描述对应的答案即为用户想要完成的任务名是什么，以及对应的任务属性分别是什么。例如，用户是否想要“订饮品”，用户想要订的饮品是奶茶还是果汁，常温还是加冰，以及订几杯等。当对话系统抽取到与任务描述对应的答案，获取到执行某一项任务的全部任务属性，即可执行相应的任务，并结束对话。

S103、根据答案和预先生成的对话流程，完成与用户的对话。

对话流程是在构建对话系统时生成，用于根据抽取的答案决定对话策略，包括决定当前是否要执行任务、结束对话，还是通过澄清来继续收集任务描述的答案。有了对话策略，就可以基于该对话策略生成相应的对话回复信息返回给用户。通过多次对话过程，当对话系统收集到满足任务执行条件的答案，就可以执行任务并结束当前对话。

需要说明的是，现有技术中构建对话系统通常需要根据使用场景获取大量的意图数据来训练意图识别模型，通过意图识别模型对用户的输入进行意图识别，然后根据用户意图完成对话。这不仅对开发者提出了更高的技术要求，需要一定的学习使用的成本，而且还需要很高的数据成本，尤其是初期的数据成本对开发者而言更为昂贵，这就使得很多开发者难以快速入手构建属于自己的对话系统，造成构建对话系统的开发成本高，且效率低。

本公开实施例的技术方案，不同于现有技术，本公开的对话系统是基于任务描述的对话系统，不需要获取大量的意图数据来训练意图识别模型，只需预先配置好任务描述，即可实现对话系统的构建，由构建的对话系统基于阅读理解技术从用户当前对话内容中抽取任务描述的答案，从而根据答案和预先生成的对话流程完成与用户的对话。对开发者而言，其构建对话系统的数据成本低，且入门简单，因此，提高了对话系统的开发效率。

图2是根据本公开实施例的用于对话系统的数据处理方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：

S201、获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性。

S202、基于阅读理解技术，将本轮对话中与用户的对话历史、用户当前query和任务描述作为预先训练的关键信息抽取模型的输入信息，利用所述关键信息抽取模型抽取与任务描述对应的答案。

其中，关键信息抽取模型是预先训练的用于基于阅读理解技术从用户对话内容中抽取答案的模型。而输入至模型的数据则包括对话历史、用户当前query(用户当前输入的文本或语音)和任务描述。其中，对话历史包括本轮对话开启时一直到用户当前query之前，对话系统与用户之间的对话内容。用户当前query即为用户针对上一次对话系统的对话回复信息而输出的对话，每次获取到新的用户当前query，就会将之前的对话历史、该用户当前query和开发者预先配置的任务描述输入至模型，由模型进行识别，从中抽取出当前的答案。之后，对话系统会根据当前的答案再次做出响应，将生成的对话回复信息再次返回至用户。如此，在与用户的多次对话过程中，不断地收集答案，直到满足任务执行条件为止。

此外，任务描述还可以包括任务名和任务属性的多个样例，例如，对于“饮料种类”的任务属性，其样例可以为“果汁”、“奶茶”或“可乐”等例子。这样，样例和任务名、任务属性一起共同作为信息抽取的目标，进一步提高模型抽取答案的准确性。

在一种实施方式中，关键信息抽取模型具体用于：

根据输入信息进行四分类，所述四分类的结果用于表示当前对话内容中是否表达有任务名，或者是否表达有任务属性；

响应于四分类的结果为当前对话内容中表达有任务属性，对输入信息中的用户当前query进行序列标注，所述序列标注的结果表示任务属性对应的答案在用户当前query中的位置；

根据四分类的结果和序列标注的结果，确定与任务描述对应的答案。

在一种实施方式中，假如，预先配置的任务描述中，任务名包括“订票”和“听歌”，“订票”的任务属性包括“出发地”、“目的地”、“日期”和“坐席”，“听歌”的任务属性包括“歌曲名”和“歌手名”。开启本轮对话内容后，如果用户说“帮我订张明天到北京的火车票”，关键信息抽取模型会先进行四分类，识别出当前对话内容中表达有任务名“订票”，但没有表达有任务名“听歌”，以及表达有“订票”有关的任务属性，但是没有表达有“听歌”有关的任务属性。接着，会对用户当前query进行序列标注，标注出任务属性对应的答案在用户当前query中的位置，根据位置则可以提取出任务属性“目的地”为北京，“日期”为明天。于是，任务名为“订票”、“目的地”为北京以及“日期”为明天，就作为当前抽取到的答案。

进一步的，关键信息抽取模型的主体可以采用预训练语义识别模型。该语义识别模型例如可以是预训练模型ernie。预训练语义识别模型具有强大的语义识别能力，在此基础上进行适应性地训练，就可以得到适用于当前场景下的关键信息抽取模型，提高开发效率。其中，用于训练关键信息抽取模型的训练样本数据，可以是来自于现有的对话定制平台上的大规模日志或其他的对话样本，包括对话历史和对话状态，对话状态中存在的意图和词槽分别作为任务名和任务属性的正例，对话状态中不存在的意图和词槽分别作为任务名和任务属性的负例。此外，还可以对多个负例进行采样，以平衡正负样本的比例。

图3是本公开实施例中抽取答案的示例性示意图。从图中可以看出，从对话历史中可以抽取出任务描述对应的答案。其中，“YES”表示对话内容中表达了“订饮品”这一任务名，于是抽取与“订饮品”任务的任务属性有关的答案。“奶茶”、“热”和“两杯”分别表示相应任务属性的答案。根据最终抽取的答案即可完成为用户订饮品的任务。

S203、根据答案和预先生成的对话流程，完成与用户的对话。

本公开实施例的技术方案，基于阅读理解技术，将对话历史、用户当前query和任务描述作为预先训练的关键信息抽取模型的输入信息，利用关键信息抽取模型抽取与任务描述对应的答案，最后根据答案和预先生成的对话流程，即可完成与用户的对话。在构建本公开实施例的对话系统的过程中，由于关键信息抽取模型是基于阅读理解技术从对话内容中抽取任务描述对应的答案，其与现有技术中的意图识别模型不同，不需要开发者获取大量的意图数据来训练，只需预先配置好任务描述即可实现对话系统的构建。因此，对开发者而言，其构建基于任务描述的对话系统的数据成本低，解决了零样本的冷启动问题，且配置成本低、入门简单，整体上提高了对话系统的开发效率。

图4是根据本公开实施例的一种用于对话系统的数据处理方法的示意图，本实施例在上述实施例的基础上进一步进行优化。如图4所示，该方法具体包括如下：

S401、获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性。

S402、基于阅读理解技术，从与用户的当前对话内容中抽取与任务描述对应的答案。

S403、将答案填充进预先生成的对话流程，并基于填充后的对话流程确定对话策略，其中，对话流程用于确认根据当前抽取的答案是否满足任务执行条件，对话策略用于在答案不满足任务执行条件时，通过澄清以获取满足任务执行条件的答案。

在对话系统中，抽取出答案之后需要根据答案和预先生成的对话流程来确定对话策略，根据对话策略生成对话回复信息返回给用户。其中，对话流程用于确认根据当前抽取的答案是否满足任务执行条件，如果满足条件，那么对话策略可以是生成结束语后结束对话，如果不满足条件则需要进一步收集答案，使之满足任务执行条件，因此，需要通过澄清以获取满足任务执行条件的答案。

本公开实施例中，对话流程是根据任务描述生成。图5是本公开实施例中生成对话流程的示意图。如图所示，配置的任务描述中可以包括多个任务名，例如任务名a、任务名b和任务名c，对应不同的任务名包括多个任务属性i-j。当识别出对话内容中表示有任务名a，则继续收集任务名a对应的各个任务属性，当没有获取到任务属性时可通过澄清来再次获取。当获取到任务流程中任务名a下的所有任务与属性，则判断满足任务执行条件，从而结束对话流程，执行任务。因此，对话策略还用于当答案满足任务执行条件则结束对话。此外，还可以对澄清的次数设置上限值，以避免进入死循环，也即：当答案不满足任务执行条件，且澄清的次数达到预设上限值，则结束对话。

为了进一步提高对话系统的开发效率，本公开实施例中的对话流程可以根据开发者预先配置的任务描述，基于Schema Guided(基于规则模式引导)技术自动生成。区别于现有技术中需要开发者通过图形化界面定制出对话流程图的方案，本公开实施例则无需开发者参与定制，只需要配置任务描述即可实现自动构建，自动化程度更高。

图6是本公开实施例中确定对话策略的示例性示意图。如图所示，配置的任务描述中，任务名为“订车票”，对应的任务属性包括“时间”、“出发地”、“目的地”和“座位类型”。在抽取到答案后，会将答案填充进预先生成的对话流程，并判断是否满足任务执行条件，如果不满足，则通过澄清继续收集任务属性，直到任务描述对应的答案满足任务执行条件为止。

图6中，当用户说“订张车票”，对话系统可以从该对话内容中抽取出其表达有任务名“订车票”，但是并没有表达任何任务属性。于是，对话策略会向用户提出问题“您要订哪天的呢？”，用来收集任务属性“时间”的答案。当用户说“明天的，去北京”，对话系统可以从中抽取出任务属性“时间”为明天，“目的地”为北京，于是，对话策略会继续收集任务属性“出发地”，并说“从哪里出发？”。当用户说“我要从天津走”，对话系统则抽取到任务属性“出发地”为天津，对话策略则需要继续收集任务属性“座位类型”的答案，于是问“座位类型您需要哪种？”但是用户反馈说“北京热么？”此时，对话系统识别出对话内容中并未表达任何任务属性，于是澄清“请问座位类型您订哪种？”用户回答“硬座就行”，于是对话系统抽取到任务属性“座位类型”的答案为硬座。将全部任务名和任务属性的答案已经填充进任务流程，并且已经满足任务执行条件，于是在执行任务订票之后，可以回复用户“已帮您订了明天从天津到北京的硬座车票，祝您旅途愉快”作为结束语，并结束当前对话。

S404、根据对话策略生成对话回复信息返回给用户。

具体而言，生成对话回复信息可以包括：

根据对话策略和预先在对话流程的执行节点配置的回复模板，生成第一对话回复信息集合；

根据对话策略，利用预先训练的对话模型生成第二对话回复信息集合；

利用预先训练的打分模型分别对第一对话回复信息集合和第二对话回复信息集合中的每个对话回复信息进行打分；

根据打分的结果确定返回给所述用户的对话回复信息。

其中，第一种方式是基于Schema Guided生成对话回复信息，开发者预先在对话流程中的流程执行节点设置回复模板，对话系统会根据对话策略和回复模板生成第一对话回复信息集合；第二种方式是根据对话策略，利用预先训练的对话模型生成第二对话回复信息集合。其中，对话模型是基于可控文本生成框架生成，例如使用大规模隐变量对话模型PLATO，基于Finetune的PLATO模型可以生成更为流畅、多样的回复。

基于Schema Guided的生成策略可控简单、和任务相关性强，但是比较呆板，形式固定，不一定适合所有的场景。基于模型的生成策略生成的回复较为流畅，多样性强，但是相关性和可控性较弱。因此，本公开实施例的基于任务描述的对话系统同时采用了上述两种生成策略，综合了两种策略的优点，并通过预先训练的打分模型，对两种策略生成的多种回复信息统一进行打分，综合考虑相关性和流畅性，根据打分的结果选择出最合适的对话回复信息。其中，打分模型可以使用LSTM/GRU(Long Short-Term Memory/Gated RecurrentUnit)为主要网络结构，数据采用众包形式进行标注，并采用现有的训练方法进行模型训练，因此此处不再赘述。

本公开实施例的技术方案，开发者只需要配置任务描述，即可自动生成对话流程，并在对话过程中，基于阅读理解技术从对话历史内容中抽取与任务描述对应的答案，然后根据答案和预先生成的对话流程确定对话策略，最后根据对话策略得到对话回复信息，从而完成与用户的对话。因此，本公开实施例的对话系统是基于任务描述的对话系统，对开发者而言，其构建对话系统的数据成本低，解决了零样本的冷启动问题，且配置成本低、入门简单，整体上提高了对话系统的开发效率。整个对话系统的自动化程度高，开箱即用。对话理解、对话策略和对话生成都无需开发者参与定制，整个系统在开发者提供任务描述后，可自动构建完成。而且开发者扩展多个任务场景只需提供多个任务描述即可，无需额外配置，扩展更加灵活。

图7是根据本公开实施例的用于对话系统的数据处理装置的结构示意图，本实施例可适用于利用构建的对话系统完成与用户的对话任务的情况，涉及数据处理技术领域，尤其涉及人工智能、自然语言处理、语音技术和深度学习技术领域。该装置可实现本公开任意实施例所述的用于对话系统的数据处理方法。如图7所示，该装置700具体包括：

任务描述获取模块701，用于获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；

阅读理解模块702，用于基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；

对话模块703，用于根据所述答案和预先生成的对话流程，完成与所述用户的对话。

可选的，所述阅读理解模块702具体用于：

基于阅读理解技术，将本轮对话中与所述用户的对话历史、用户当前query和所述任务描述作为预先训练的关键信息抽取模型的输入信息，利用所述关键信息抽取模型抽取与所述任务描述对应的答案。

可选的，所述关键信息抽取模型具体用于：

根据所述输入信息进行四分类，所述四分类的结果用于表示当前对话内容中是否表达有任务名，或者是否表达有任务属性；

响应于所述四分类的结果为当前对话内容中表达有任务属性，对所述输入信息中的用户当前query进行序列标注，所述序列标注的结果表示任务属性对应的答案在所述用户当前query中的位置；

根据所述四分类的结果和所述序列标注的结果，确定与所述任务描述对应的答案。

可选的，所述关键信息抽取模型的主体由预训练语义识别模型实现。

可选的，训练所述关键信息抽取模型的训练样本数据，包括对话历史和对话状态，所述对话状态中存在的意图和词槽分别作为任务名和任务属性的正例，所述对话状态中不存在的意图和词槽分别作为任务名和任务属性的负例。

可选的，对话模块703包括：

对话策略确定单元，用于将所述答案填充进预先生成的对话流程，并基于填充后的对话流程确定对话策略，其中，所述对话流程用于确认根据当前抽取的答案是否满足任务执行条件，所述对话策略用于在答案不满足所述任务执行条件时，通过澄清以获取满足任务执行条件的答案；

对话回复信息生成单元，用于根据所述对话策略生成对话回复信息返回给所述用户。

可选的，所述对话策略还用于：

当所述答案不满足所述任务执行条件，且所述澄清的次数达到预设上限值，则结束对话；以及

当所述答案满足所述任务执行条件，则结束对话。

可选的，所述对话回复信息生成单元具体用于：

根据所述对话策略和预先在所述对话流程的执行节点配置的回复模板，生成第一对话回复信息集合；

根据所述对话策略，利用预先训练的对话模型生成第二对话回复信息集合；

利用预先训练的打分模型分别对所述第一对话回复信息集合和第二对话回复信息集合中的每个对话回复信息进行打分；

根据所述打分的结果确定返回给所述用户的对话回复信息。

可选的，所述对话流程是根据所述任务描述生成。

可选的，所述任务描述还包括所述任务名和任务属性的多个样例。

上述产品可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如用于对话系统的数据处理方法。例如，在一些实施例中，用于对话系统的数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于对话系统的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于对话系统的数据处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

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。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。

云计算(cloud computing)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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提供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)

1.一种用于对话系统的数据处理方法，包括：

获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；

基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；

根据所述答案和预先生成的对话流程，完成与所述用户的对话。

2.根据权利要求1所述的方法，所述基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案，包括：

基于阅读理解技术，将本轮对话中与所述用户的对话历史、用户当前query和所述任务描述作为预先训练的关键信息抽取模型的输入信息，利用所述关键信息抽取模型抽取与所述任务描述对应的答案。

3.根据权利要求2所述的方法，其中，所述关键信息抽取模型具体用于：

根据所述输入信息进行四分类，所述四分类的结果用于表示当前对话内容中是否表达有任务名，或者是否表达有任务属性；

响应于所述四分类的结果为当前对话内容中表达有任务属性，对所述输入信息中的用户当前query进行序列标注，所述序列标注的结果表示任务属性对应的答案在所述用户当前query中的位置；

根据所述四分类的结果和所述序列标注的结果，确定与所述任务描述对应的答案。

4.根据权利要求2所述的方法，其中，所述关键信息抽取模型的主体由预训练语义识别模型实现。

5.根据权利要求2所述的方法，其中，训练所述关键信息抽取模型的训练样本数据，包括对话历史和对话状态，所述对话状态中存在的意图和词槽分别作为任务名和任务属性的正例，所述对话状态中不存在的意图和词槽分别作为任务名和任务属性的负例。

6.根据权利要求1所述的方法，其中，所述根据所述答案和预先生成的对话流程，完成与所述用户的对话，包括：

将所述答案填充进预先生成的对话流程，并基于填充后的对话流程确定对话策略，其中，所述对话流程用于确认根据当前抽取的答案是否满足任务执行条件，所述对话策略用于在答案不满足所述任务执行条件时，通过澄清以获取满足任务执行条件的答案；

根据所述对话策略生成对话回复信息返回给所述用户。

7.根据权利要求6所述的方法，其中，所述对话策略还用于：

当所述答案不满足所述任务执行条件，且所述澄清的次数达到预设上限值，则结束对话；以及

当所述答案满足所述任务执行条件，则结束对话。

8.根据权利要求6所述的方法，其中，所述根据所述对话策略生成对话回复信息返回给所述用户，包括：

根据所述对话策略和预先在所述对话流程的执行节点配置的回复模板，生成第一对话回复信息集合；

根据所述对话策略，利用预先训练的对话模型生成第二对话回复信息集合；

利用预先训练的打分模型分别对所述第一对话回复信息集合和第二对话回复信息集合中的每个对话回复信息进行打分；

根据所述打分的结果确定返回给所述用户的对话回复信息。

9.根据权利要求6所述的方法，其中，所述对话流程是根据所述任务描述生成。

10.根据权利要求1所述的方法，其中，所述任务描述还包括所述任务名和任务属性的多个样例。

11.一种用于对话系统的数据处理装置，包括：

任务描述获取模块，用于获取预先配置的任务描述，所述任务描述包括至少一个任务名和每个任务名对应的至少一个任务属性；

阅读理解模块，用于基于阅读理解技术，从与用户的当前对话内容中抽取与所述任务描述对应的答案；

对话模块，用于根据所述答案和预先生成的对话流程，完成与所述用户的对话。

12.一种电子设备，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1-10中任一项所述的用于对话系统的数据处理方法。

13.一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计算机执行根据权利要求1-10中任一项所述的用于对话系统的数据处理方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的用于对话系统的数据处理方法。

Images