CN115145980A - 对话回复生成方法和装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种对话回复生成方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取本地数据库的本地数据以及目标用户端的用户数据；对本地数据进行上下文特征提取，得到本地语义表征向量；对用户数据进行编码处理，得到问题语义向量；通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量；通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，答案检索语句为SQL语句；根据答案检索语句对本地数据库进行检索处理，得到目标回复内容，本申请能够提高生成的回复内容的准确性。

Description

对话回复生成方法和装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种对话回复生成方法和装置、电子设备及存储介质。

背景技术

在智能对话领域，常常需要通过智能算法快速地对用户话语进行解析，从而生成对应的回复语句，回复语句的生成常常需要依赖于固定的对话模板生成，而通过这一方式生成的回复内容的准确性较差，因此，如何提高生成的回复内容的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种对话回复生成方法和装置、电子设备及存储介质，旨在提高生成的回复内容的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种对话回复生成方法，所述对话回复生成方法包括：

获取本地数据库的本地数据以及目标用户端的用户数据；

对所述本地数据进行上下文特征提取，得到本地语义表征向量；

对所述用户数据进行编码处理，得到问题语义向量；

通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量；

通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句，其中，所述答案检索语句为SQL语句；

根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容。

在一些实施例，所述本地数据包括表名数据以及每一所述表名数据对应的列名数据，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述对所述本地数据进行上下文特征提取，得到本地语义表征向量的步骤，包括：

将所述表名数据和所述列名数据输入至预设的预训练模型中，其中，所述预训练模型包括编码层和注意力层；

通过所述编码层对所述表名数据进行编码处理，得到表特征嵌入向量，并通过所述编码层对所述列名数据进行编码处理，得到列特征嵌入向量；

通过所述注意力层对所述表特征嵌入向量进行语义分析，得到所述表特征表征向量，并通过所述注意力层对所述列特征嵌入向量进行语义分析，得到所述列特征表征向量。

在一些实施例，所述图结构模型包括边构建网络以及图注意力网络，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量的步骤，包括：

通过所述边构建网络对所述列特征表征向量和所述表特征表征向量进行匹配处理，得到第一边特征；

通过所述边构建网络对所述列特征表征向量和所述问题语义向量进行匹配处理，得到第二边特征；

通过所述边构建网络对所述表特征表征向量和所述问题语义向量进行匹配处理，得到第三边特征；

通过所述图注意力网络和预设的权重参数对所述第一边特征、所述第二边特征、所述第三边特征进行注意力计算，得到所述图结构表征向量。

在一些实施例，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述解码网络包括第一解码网络和第二解码网络，所述通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量的步骤，包括：

对所述问题语义向量和所述图结构表征向量进行拼接处理，得到融合问题序列隐向量；

通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量；

对所述列特征表征向量、所述表特征表征向量和所述图结构表征向量进行拼接处理，得到融合索引隐向量；

通过所述第二解码网络对所述融合索引隐向量进行解码处理，得到所述索引表征向量。

在一些实施例，所述第一解码网络包括自注意力层和GRU层，所述通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量的步骤，包括：

通过所述自注意力层对所述融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量；

通过所述GRU层对所述目标问题序列隐向量进行解码处理，得到所述问题序列表征向量。

在一些实施例，所述对问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句的步骤，包括：

根据预设的SQL语法规则对所述问题序列表征向量进行解析处理，得到初始检索语句；

根据预设的关系映射表对所述索引表征向量进行解析处理，得到初始索引信息；

根据所述初始索引信息对初始检索语句进行填充处理，得到所述答案检索语句。

在一些实施例，所述根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容的步骤，包括：

根据所述答案检索语句遍历所述本地数据库，得到初始回复内容；

对所述初始回复内容进行筛选处理，得到所述目标回复内容。

为实现上述目的，本申请实施例的第二方面提出了一种对话回复生成装置，所述对话回复生成装置包括：

数据获取模块，用于获取本地数据库的本地数据以及目标用户端的用户数据；

特征提取模块，用于对所述本地数据进行上下文特征提取，得到本地语义表征向量；

编码模块，用于对所述用户数据进行编码处理，得到问题语义向量；

重构模块，用于通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量；

解码模块，用于通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

解析模块，用于对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句，其中，所述答案检索语句为SQL语句；

检索模块，用于根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的对话回复生成方法、对话回复生成装置、电子设备及存储介质，其通过获取本地数据库的本地数据以及目标用户端的用户数据；对本地数据进行上下文特征提取，得到本地语义表征向量，能够较好地保留本地数据的上下文语义信息，提高本地数据的语义完整性。进一步地，对用户数据进行编码处理，得到问题语义向量，并通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量，能够充分地考虑用户数据与本地数据之间的映射关系，实现本地语义表征向量以及问题语义向量的关系构建，从而提高生成的答案检索语句的准确性。进一步地，通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；并对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句，这一方式通过解码和解析两个步骤能够实现对图结构表征向量的分层解析，提高生成的答案检索语句的逻辑性。最后，根据答案检索语句对本地数据库进行检索处理，得到目标回复内容，能够较好地搜索到与答案检索语句的匹配度较高的回复内容，提高生成的目标回复内容的准确性。

附图说明

图1是本申请实施例提供的对话回复生成方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S104的流程图；

图4是图1中的步骤S105的流程图；

图5是图4中的步骤S402的流程图；

图6是图1中的步骤S106的流程图；

图7是图1中的步骤S107的流程图；

图8是本申请实施例提供的对话回复生成装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

网络爬虫：又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

图结构：是一种常见的数据结构，例如网络爬虫抓取的网页就是一种典型的图结构。图结构中，一个结点可以链接到任意结点，所有结点链接而成的结构，即为图结构。图结构中的链接可以是有向的，也可以是无向的(双向链接)。树结构是一种特殊的图结构。图结构没有根，可以有环，但是在一个图结构中，不能存在两个或以上的孤立结点。

编码(encoder)：将输入序列转化成一个固定长度的向量。

解码(decoder)：将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。

索引(数据库术语)：是Mysql数据库中的一种数据结构，就是一种数据的组织方式，这种数据结构又称为Key(主键)。在关系数据库中，索引是一种单独的、物理的对数据库表中一列或多列的值进行排序的一种存储结构，它是某个表中一列或若干列值的集合和相应的指向表中物理标识这些值的数据页的逻辑指针清单。索引的作用相当于图书的目录，可以根据目录中的页码快速找到所需的内容。索引提供指向存储在表的指定列中的数据值的指针，然后根据您指定的排序顺序对这些指针排序。数据库使用索引以找到特定值，然后顺指针找到包含该值的行。这样可以使对应于表的SQL语句执行得更快，可快速访问数据库表中的特定信息。

MySQL：MySQL是一种关系型数据库管理系统，关系数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性。MySQL所使用的SQL语言是用于访问数据库的最常用标准化语言。

自注意力机制(Attention Mechanism)：注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力，选择特定的输入，可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。

在智能对话领域，常常需要通过智能算法快速地对用户话语进行解析，从而生成对应的回复语句，回复语句的生成常常需要依赖于固定的对话模板生成，而通过这一方式生成的回复内容的准确性较差，因此，如何提高生成的回复内容的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种对话回复生成方法、对话回复生成装置、电子设备及存储介质，旨在提高生成的回复内容的准确性。

本申请实施例提供的对话回复生成方法、对话回复生成装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的对话回复生成方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的对话回复生成方法，涉及人工智能技术领域。本申请实施例提供的对话回复生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现对话回复生成方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的对话回复生成方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。

步骤S101，获取本地数据库的本地数据以及目标用户端的用户数据；

步骤S102，对本地数据进行上下文特征提取，得到本地语义表征向量；

步骤S103，对用户数据进行编码处理，得到问题语义向量；

步骤S104，通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量；

步骤S105，通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

步骤S106，对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句；

步骤S107，根据答案检索语句对本地数据库进行检索处理，得到目标回复内容。

本申请实施例所示意的步骤S101至步骤S107，通过获取本地数据库的本地数据以及目标用户端的用户数据；对本地数据进行上下文特征提取，得到本地语义表征向量，能够较好地保留本地数据的上下文语义信息，提高本地数据的语义完整性。进一步地，对用户数据进行编码处理，得到问题语义向量，并通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量，能够充分地考虑用户数据与本地数据之间的映射关系，实现本地语义表征向量以及问题语义向量的关系构建，从而提高生成的答案检索语句的准确性。进一步地，通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；并对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句，这一方式通过解码和解析两个步骤能够实现对图结构表征向量的分层解析，提高生成的答案检索语句的逻辑性。最后，根据答案检索语句对本地数据库进行检索处理，得到目标回复内容，能够较好地搜索到与答案检索语句的匹配度较高的回复内容，提高生成的目标回复内容的准确性。

在一些实施例的步骤S101中，可以通过编写网络爬虫,设置好数据源之后进行有目标性地爬取数据，得到本地数据库的本地数据以及目标用户端的用户数据。也可以通过其他方式获取本地数据库的本地数据以及目标用户端的用户数据，不限于此。其中，本地数据库可以是MYSQL数据库，本地数据包括表名数据以及每一表名数据对应的列名数据，表名数据即为本地数据库中数据表的表名集合，列名数据即为对应每张数据表的列名集合。目标用户端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，用户数据主要包括目标用户的问题数据。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本申请实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

请参阅图2，在一些实施例中，本地数据包括表名数据以及每一表名数据对应的列名数据，本地语义表征向量包括列特征表征向量和表特征表征向量，步骤S102可以包括但不限于包括步骤S201至步骤S203：

步骤S201，将表名数据和列名数据输入至预设的预训练模型中，其中，预训练模型包括编码层和注意力层；

步骤S202，通过编码层对表名数据进行编码处理，得到表特征嵌入向量，并通过编码层对列名数据进行编码处理，得到列特征嵌入向量；

步骤S203，通过注意力层对表特征嵌入向量进行语义分析，得到表特征表征向量，并通过注意力层对列特征嵌入向量进行语义分析，得到列特征表征向量。

在一些实施例的步骤S201中，预训练模型可以根据BERT模型以及Bi-GRU模型等构建而成，预训练模型包括编码层和注意力层，其编码层基于BERT模型构建而成，其注意力层基于Bi-GRU模型构建而成。具体地，将表名数据和列名数据输入至预训练模型中，编码层主要用于对输入数据进行编码处理，实现输入数据从语义空间到向量空间的映射，注意力层主要用于捕捉输入数据的重要特征信息。

在一些实施例的步骤S202中，通过编码层对表名数据进行编码处理，实现表名数据从语义空间到向量空间的映射，得到表特征嵌入向量；通过编码层对列名数据进行编码处理，实现列名数据从语义空间到向量空间的映射，得到列特征嵌入向量。

在一些实施例的步骤S203中，通过由Bi-GRU模型构建而成的注意力层对表特征嵌入向量进行从左到右的序列特征提取，再对表特征嵌入向量进行从右到左的序列特征提取，将两次提取的序列特征进行拼接处理，得到表特征表征向量。同样地，通过由Bi-GRU模型构建而成的注意力层对列特征嵌入向量进行从左到右的序列特征提取，再对列特征嵌入向量进行从右到左的序列特征提取，将两次提取的序列特征进行拼接处理，得到列特征表征向量。这一方式能够有效地捕捉表特征嵌入向量中的长序列之间的语义关联以及列特征嵌入向量中的长序列之间的语义关联，并缓解梯度消失或者爆炸现象，使得得到的表特征表征向量和列特征嵌入向量包含丰富的上下文语义信息。

在一些实施例的步骤S103中，通过BERT编码器对用户数据进行编码处理，实现用户数据从语义空间到向量空间的映射，得到问题语义向量，这一方式能够方便地将文本形式的问题数据转换为向量形式的问题数据。

请参阅图3，在一些实施例中，图结构模型包括边构建网络以及图注意力网络，本地语义表征向量包括列特征表征向量和表特征表征向量，步骤S104可以包括但不限于包括步骤S301至步骤S304：

步骤S301，通过边构建网络对列特征表征向量和表特征表征向量进行匹配处理，得到第一边特征；

步骤S302，通过边构建网络对列特征表征向量和问题语义向量进行匹配处理，得到第二边特征；

步骤S303，通过边构建网络对表特征表征向量和问题语义向量进行匹配处理，得到第三边特征；

步骤S304，通过图注意力网络和预设的权重参数对第一边特征、第二边特征、第三边特征进行注意力计算，得到图结构表征向量。

在一些实施例的步骤S301中，通过边构建网络对列特征表征向量和表特征表征向量进行匹配处理，其中，匹配关系包括完全匹配、部分匹配以及不匹配，当列特征表征向量存在表特征表征向量之中，即当前的数据表存在这一列，且这一列为主键，则列特征表征向量和表特征表征向量完全匹配，若当前的数据表存在这一列，但这一列不为主键，则列特征表征向量和表特征表征向量部分匹配，或者当前的数据表不存在这一列，则列特征表征向量和表特征表征向量不匹配；根据列特征表征向量和表特征表征向量的三种匹配关系，得到第一边特征。

在一些实施例的步骤S302中，通过边构建网络对列特征表征向量和问题语义向量进行匹配处理，其中，匹配关系包括完全匹配、部分匹配以及不匹配，若问题词为列名，则列特征表征向量和问题语义向量完全匹配；若问题词为列名的一部分，则列特征表征向量和问题语义向量部分匹配，若问题词不在列名中，则列特征表征向量和问题语义向量不匹配。根据列特征表征向量和问题语义向量的三种匹配关系，得到第二边特征。

在一些实施例的步骤S303中，通过边构建网络对表特征表征向量和问题语义向量进行匹配处理，其中，匹配关系包括完全匹配、部分匹配以及不匹配，若问题词为表名，则表特征表征向量和问题语义向量完全匹配；若问题词为表名的一部分，则表特征表征向量和问题语义向量部分匹配，若问题词不在表名中，则表特征表征向量和问题语义向量不匹配。根据表特征表征向量和问题语义向量的三种匹配关系，得到第三边特征。

在一些实施例的步骤S304中，预设的权重参数可以根据实际业务需求设置，不做限制，通过图注意力网络和预设的权重参数对第一边特征、第二边特征、第三边特征进行加权计算，能够根据不同边特征的重要程度赋予其不同的权重大小，从而使得生成的图结构表征向量能够更好地反映出问题、表名以及列名的语义信息。

上述步骤S301至步骤S304，能够充分地考虑用户数据与本地数据之间的映射关系，利用图结构模型来进行结构化信息的构建和提取，能充分捕捉问题、列名和表名之间的关系及重要性，实现本地语义表征向量以及问题语义向量的关系构建，从而提高生成的答案检索语句的准确性。

请参阅图4，在一些实施例中，本地语义表征向量包括列特征表征向量和表特征表征向量，解码网络包括第一解码网络和第二解码网络，步骤S105可以包括但不限于包括步骤S401至步骤S404：

步骤S401，对问题语义向量和图结构表征向量进行拼接处理，得到融合问题序列隐向量；

步骤S402，通过第一解码网络对融合问题序列隐向量进行解码处理，得到问题序列表征向量；

步骤S403，对列特征表征向量、表特征表征向量和图结构表征向量进行拼接处理，得到融合索引隐向量；

步骤S404，通过第二解码网络对融合索引隐向量进行解码处理，得到索引表征向量。

在一些实施例的步骤S401中，对问题语义向量和图结构表征向量的拼接处理可以是对问题语义向量和图结构表征向量进行向量相加，得到融合问题序列隐向量。

在一些实施例的步骤S402中，第一解码网络包括自注意力层和GRU层，通过自注意力层对融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量，再通过GRU层对目标问题序列隐向量进行解码处理，得到问题序列表征向量。

在一些实施例的步骤S403中，对列特征表征向量、表特征表征向量和图结构表征向量的拼接处理可以是对列特征表征向量、表特征表征向量和图结构表征向量进行向量相加，得到融合索引隐向量。

在一些实施例的步骤S404中，第二解码网络可以是指针网络，通过第二解码网络对融合索引隐向量进行解码处理时，首先通过第二解码网络对融合索引隐向量的对应值进行求解，并通过softmax函数将融合索引隐向量的对应值转化为融合索引隐向量的概率分布，并以最大值方式输出可能的值向量，该值向量即为索引表征向量。

请参阅图5，在一些实施例中，第一解码网络包括自注意力层和GRU层，步骤S402可以包括但不限于包括步骤S501至步骤S502：

步骤S501，通过自注意力层对融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量；

步骤S502，通过GRU层对目标问题序列隐向量进行解码处理，得到问题序列表征向量。

在一些实施例的步骤S501中，通过自注意力层对融合问题序列隐向量进行自注意力计算时，先通过自注意力机制在融合问题序列隐向量的每一特征部分的注意力分布，再根据注意力分布对每一特征部分进行加权平均，得到目标问题序列隐向量。

在一些实施例的步骤S502中，GRU层为门控循环单元结构，GRU层包括更新门和重置门，通过GRU层对目标问题序列隐向量进行解码处理时，首先计算更新门的门值向量和重置门的门值向量,再对更新门的门值向量和重置门的门值向量进行拼接处理，并对拼接之后的向量进行线性变换，从而得到问题序列表征向量。

请参阅图6，在一些实施例，步骤S106包括但不限于包括步骤S601至步骤S603：

步骤S601，根据预设的SQL语法规则对问题序列表征向量进行解析处理，得到初始检索语句；

步骤S602，根据预设的关系映射表对索引表征向量进行解析处理，得到初始索引信息；

步骤S603，根据初始索引信息对初始检索语句进行填充处理，得到答案检索语句。

在一些实施例的步骤S601中，预设的SQL语法规则可以基于SQL通用语法设定，不做限制。根据预设的SQL语法规则对问题序列表征向量进行解析处理，可以得到SemQL语句，该SemQL语句为自然语言与SQL问题之间的中间表达，将该SemQL语句作为初始检索语句。

在一些实施例的步骤S602中，预设的关系映射表包括表征向量与运算符A、列名索引C、表名索引T之间的对应关系，因此，根据预设的关系映射表对索引表征向量进行解析处理，可以分别得到列名表征对应的列名索引信息以及表名表征对应的表名索引信息，从而对所有的索引信息进行整合处理，可以方便地得到初始索引信息。

在一些实施例的步骤S603中，由于从自然语言得到SemQL语句，再对SemQL语句进行解码处理就可以得到SQL语句，因此，根据三类索引信息对SemSQL语句进行填充处理，可以方便地生成最终的SQL语句，将最终的SQL语句作为答案检索语句。

通过步骤S401至步骤S404、和步骤S601至步骤S603的解码和解析两个过程能够实现对图结构表征向量的分层解析，从而提高生成的答案检索语句的逻辑性。进一步地，步骤S601至步骤S603通过在输出上进行一些SQL语法限制，能够更好地关注生成的SQL语句的逻辑结构，从而使得生成的答案检索语句的语法合理性更高，从而提高基于本地数据库查询的对话精度。

请参阅图7，在一些实施例中，步骤S107可以包括但不限于包括步骤S701至步骤S702：

步骤S701，根据答案检索语句遍历本地数据库，得到初始回复内容；

步骤S702，对初始回复内容进行筛选处理，得到目标回复内容。

在一些实施例的步骤S701中，根据答案检索语句遍历本地数据库，在本地数据库中检索与答案检索语句相匹配的回复内容，得到初始回复内容。

在一些实施例的步骤S702中，可以结合当前的对话语境对初始回复内容进行筛选处理，选取符合当前对话语境的初始回复内容作为目标回复内容。或者，通过比较每一初始回复内容与答案检索语句的匹配度，选取匹配度最高的初始回复内容作为目标回复内容，其中，匹配度可以采用余弦相似度算法或者其他协同过滤算法计算得到，不做限制。

通过上述步骤S701至步骤S702可以较为方便地根据SQL语句形式的答案检索语句对本地数据库进行检索，并对查询到的初始回复内容进行筛选处理，选取目标回复内容作为查询结果，并根据该查询结果生成对话响应反馈至目标用户端，以对用户提出的问题进行答复，提高了对话可靠性。

本申请实施例的对话回复生成方法，其通过获取本地数据库的本地数据以及目标用户端的用户数据；对本地数据进行上下文特征提取，得到本地语义表征向量，能够较好地保留本地数据的上下文语义信息，提高本地数据的语义完整性。进一步地，对用户数据进行编码处理，得到问题语义向量，并通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量，能够充分地考虑用户数据与本地数据之间的映射关系，实现本地语义表征向量以及问题语义向量的关系构建，从而提高生成的答案检索语句的准确性。进一步地，通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；并对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句，这一方式通过解码和解析两个步骤能够实现对图结构表征向量的分层解析，提高生成的答案检索语句的逻辑性。最后，根据答案检索语句对本地数据库进行检索处理，得到目标回复内容，能够较好地搜索到与答案检索语句的匹配度较高的回复内容，提高生成的目标回复内容的准确性。

请参阅图8，本申请实施例还提供一种对话回复生成装置，可以实现上述对话回复生成方法，该装置包括：

数据获取模块801，用于获取本地数据库的本地数据以及目标用户端的用户数据；

特征提取模块802，用于对本地数据进行上下文特征提取，得到本地语义表征向量；

编码模块803，用于对用户数据进行编码处理，得到问题语义向量；

重构模块804，用于通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量；

解码模块805，用于通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

解析模块806，用于对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句；

检索模块807，用于根据答案检索语句对本地数据库进行检索处理，得到目标回复内容。

在一些实施例中，本地数据包括表名数据以及每一表名数据对应的列名数据，本地语义表征向量包括列特征表征向量和表特征表征向量，特征提取模块802包括：

输入单元，用于将表名数据和列名数据输入至预设的预训练模型中，其中，预训练模型包括编码层和注意力层；

编码单元，用于通过编码层对表名数据进行编码处理，得到表特征嵌入向量，并通过编码层对列名数据进行编码处理，得到列特征嵌入向量；

语义分析单元，用于通过注意力层对表特征嵌入向量进行语义分析，得到表特征表征向量，并通过注意力层对列特征嵌入向量进行语义分析，得到列特征表征向量。

在一些实施例中，图结构模型包括边构建网络以及图注意力网络，本地语义表征向量包括列特征表征向量和表特征表征向量，重构模块804包括：

第一匹配单元，用于通过边构建网络对列特征表征向量和表特征表征向量进行匹配处理，得到第一边特征；

第一匹配单元，用于通过边构建网络对列特征表征向量和问题语义向量进行匹配处理，得到第二边特征；

第一匹配单元，用于通过边构建网络对表特征表征向量和问题语义向量进行匹配处理，得到第三边特征；

注意力计算单元，用于通过图注意力网络和预设的权重参数对第一边特征、第二边特征、第三边特征进行注意力计算，得到图结构表征向量。

在一些实施例中，本地语义表征向量包括列特征表征向量和表特征表征向量，解码网络包括第一解码网络和第二解码网络，解码模块805包括：

第一拼接单元，用于对问题语义向量和图结构表征向量进行拼接处理，得到融合问题序列隐向量；

第一解码单元，用于通过第一解码网络对融合问题序列隐向量进行解码处理，得到问题序列表征向量；

第二拼接单元，用于对列特征表征向量、表特征表征向量和图结构表征向量进行拼接处理，得到融合索引隐向量；

第二解码单元，用于通过第二解码网络对融合索引隐向量进行解码处理，得到索引表征向量。

在一些实施例中，第一解码网络包括自注意力层和GRU层，第一解码单元包括：

计算子单元，用于通过自注意力层对融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量；

解码子单元，用于通过GRU层对目标问题序列隐向量进行解码处理，得到问题序列表征向量。

在一些实施例中，解析模块806包括：

第一解析单元，用于根据预设的SQL语法规则对问题序列表征向量进行解析处理，得到初始检索语句；

第二解析单元，用于根据预设的关系映射表对索引表征向量进行解析处理，得到初始索引信息；

填充单元，用于根据初始索引信息对初始检索语句进行填充处理，得到答案检索语句。

在一些实施例中，检索模块807包括：

遍历单元，用于根据答案检索语句遍历本地数据库，得到初始回复内容；

筛选单元，用于对初始回复内容进行筛选处理，得到目标回复内容。

该对话回复生成装置的具体实施方式与上述对话回复生成方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述对话回复生成方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的对话回复生成方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述对话回复生成方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的对话回复生成方法、对话回复生成装置、电子设备及存储介质，其通过获取本地数据库的本地数据以及目标用户端的用户数据；对本地数据进行上下文特征提取，得到本地语义表征向量，能够较好地保留本地数据的上下文语义信息，提高本地数据的语义完整性。进一步地，对用户数据进行编码处理，得到问题语义向量，并通过预设的图结构模型对本地语义表征向量以及问题语义向量进行重构处理，得到图结构表征向量，能够充分地考虑用户数据与本地数据之间的映射关系，实现本地语义表征向量以及问题语义向量的关系构建，从而提高生成的答案检索语句的准确性。进一步地，通过预设的解码模型对图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；并对问题序列表征向量和索引表征向量进行解析处理，得到答案检索语句，其中，答案检索语句为SQL语句，这一方式通过解码和解析两个步骤能够实现对图结构表征向量的分层解析，提高生成的答案检索语句的逻辑性。最后，根据答案检索语句对本地数据库进行检索处理，得到目标回复内容，能够较好地搜索到与答案检索语句的匹配度较高的回复内容，提高生成的目标回复内容的准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种对话回复生成方法，其特征在于，所述对话回复生成方法包括：

获取本地数据库的本地数据以及目标用户端的用户数据；

对所述本地数据进行上下文特征提取，得到本地语义表征向量；

对所述用户数据进行编码处理，得到问题语义向量；

通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量；

通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句，其中，所述答案检索语句为SQL语句；

根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容。

2.根据权利要求1所述的对话回复生成方法，其特征在于，所述本地数据包括表名数据以及每一所述表名数据对应的列名数据，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述对所述本地数据进行上下文特征提取，得到本地语义表征向量的步骤，包括：

将所述表名数据和所述列名数据输入至预设的预训练模型中，其中，所述预训练模型包括编码层和注意力层；

通过所述编码层对所述表名数据进行编码处理，得到表特征嵌入向量，并通过所述编码层对所述列名数据进行编码处理，得到列特征嵌入向量；

通过所述注意力层对所述表特征嵌入向量进行语义分析，得到所述表特征表征向量，并通过所述注意力层对所述列特征嵌入向量进行语义分析，得到所述列特征表征向量。

3.根据权利要求1所述的对话回复生成方法，其特征在于，所述图结构模型包括边构建网络以及图注意力网络，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量的步骤，包括：

通过所述边构建网络对所述列特征表征向量和所述表特征表征向量进行匹配处理，得到第一边特征；

通过所述边构建网络对所述列特征表征向量和所述问题语义向量进行匹配处理，得到第二边特征；

通过所述边构建网络对所述表特征表征向量和所述问题语义向量进行匹配处理，得到第三边特征；

通过所述图注意力网络和预设的权重参数对所述第一边特征、所述第二边特征、所述第三边特征进行注意力计算，得到所述图结构表征向量。

4.根据权利要求1所述的对话回复生成方法，其特征在于，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述解码网络包括第一解码网络和第二解码网络，所述通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量的步骤，包括：

对所述问题语义向量和所述图结构表征向量进行拼接处理，得到融合问题序列隐向量；

通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量；

对所述列特征表征向量、所述表特征表征向量和所述图结构表征向量进行拼接处理，得到融合索引隐向量；

通过所述第二解码网络对所述融合索引隐向量进行解码处理，得到所述索引表征向量。

5.根据权利要求4所述的对话回复生成方法，其特征在于，所述第一解码网络包括自注意力层和GRU层，所述通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量的步骤，包括：

通过所述自注意力层对所述融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量；

通过所述GRU层对所述目标问题序列隐向量进行解码处理，得到所述问题序列表征向量。

6.根据权利要求1所述的对话回复生成方法，其特征在于，所述对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句的步骤，包括：

根据预设的SQL语法规则对所述问题序列表征向量进行解析处理，得到初始检索语句；

根据预设的关系映射表对所述索引表征向量进行解析处理，得到初始索引信息；

根据所述初始索引信息对初始检索语句进行填充处理，得到所述答案检索语句。

7.根据权利要求1至6任一项所述的对话回复生成方法，其特征在于，所述根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容的步骤，包括：

根据所述答案检索语句遍历所述本地数据库，得到初始回复内容；

对所述初始回复内容进行筛选处理，得到所述目标回复内容。

8.一种对话回复生成装置，其特征在于，所述对话回复生成装置包括：

数据获取模块，用于获取本地数据库的本地数据以及目标用户端的用户数据；

特征提取模块，用于对所述本地数据进行上下文特征提取，得到本地语义表征向量；

编码模块，用于对所述用户数据进行编码处理，得到问题语义向量；

重构模块，用于通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量；

解码模块，用于通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

解析模块，用于对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句，其中，所述答案检索语句为SQL语句；

检索模块，用于根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的对话回复生成方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的对话回复生成方法的步骤。

Images