CN115470381A - 信息交互方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种信息交互方法、装置、设备及介质，涉及人工智能技术领域，尤其涉及自然语言处理和深度学习技术领域。实现方案为：获取用户的第一对话数据；通过对话系统处理第一对话数据，以获取第一对话数据相应的第一回复数据；输出第一回复数据；响应于输出第一回复数据后的预设时间内未接收到用户发出的第二对话数据，通过对话系统处理第一回复数据，以获取第二回复数据；以及输出第二回复数据。

Description

信息交互方法、装置、设备及介质

技术领域

本公开涉及人工智能技术领域，尤其涉及自然语言处理和深度学习技术领域，具体涉及一种信息交互方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

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、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

口语教学在现在的教育体系中占有相当重要的位置，作为一门基础课，对应地，学生及家长也越来越重视口语训练。目前的口语训练方法主要有两种类型：真人口语授课和模仿式机器口语学习。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种信息交互方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种信息交互方法，包括：获取用户的第一对话数据；通过对话系统处理第一对话数据，以获取第一对话数据相应的第一回复数据；输出第一回复数据；响应于输出第一回复数据后的预设时间内未接收到用户发出的第二对话数据，通过对话系统处理第一回复数据，以获取第二回复数据，其中，第二回复数据为对话系统预测获得的用于回复第一回复数据的回复数据；以及输出第二回复数据。

根据本公开的另一方面，提供了一种信息交互装置，包括：第一获取单元，被配置为获取用户的第一对话数据；第一处理单元，被配置为通过对话系统处理第一对话数据，以获取第一对话数据相应的第一回复数据；第一输出单元，被配置为输出第一回复数据；第二处理单元，被配置为响应于输出第一回复数据后的预设时间内未接收到用户发出的第二对话数据，通过对话系统处理第一回复数据，以获取第二回复数据，其中，第二回复数据为对话系统预测获得的用于回复第一回复数据的回复数据；以及第二输出单元，被配置为输出第二回复数据。

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；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述信息交互方法。

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，其中，计算机指令用于使计算机执行上述信息交互方法。

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，其中，计算机程序在被处理器执行时能够实现上述信息交互方法。

根据本公开的一个或多个实施例，能够使用户进行不限话题的口语训练，并为用户提供符合当前对话主题的口语训练提示信息，提升用户体验。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的信息交互方法的流程图；

图3示出了根据本公开的实施例的通过多轮对话系统处理当前对话数据的流程图；

图4示出了根据本公开的示例性实施例的口语训练场景中虚拟形象进行自我介绍的示意图；

图5示出了根据本公开的示例性实施例的口语训练场景中结合虚拟形象进行第一回复数据输出的示意图；

图6示出了根据本公开的实施例的信息交互装置的结构框图；

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，模仿式机器口语学习通常采用口语学习应用程序来实施，通过口语学习应用程序提供一些口语练习语句，使得用户模仿式的进行口语训练。其他口语训练应用程序中，也存在给定用户特定场景/话题，并向用户提出预设问题，接收用户回复并为其打分的训练模式。上述口语训练的方法与用户的交互方式较为固定，无法与用户进行不限话题的口语交互，更加无法在不限话题的情况下，为用户提供基于当前对话话题的提示信息。

根据本公开的实施例，提供了一种信息交互方法，在口语训练的场景中，通过对话系统，对用户输入的对话数据进行处理，以获取相应的回复信息，从而能够基于用户想要谈论的话题进行回复；当输出回复信息但是未接收到用户的输入时，则判断用户此时不知如何做出回复，随即将对话系统输出的回复信息作为对话系统的输入，从而获得该信息的回复信息，并将其展示给用户。由此，能够使用户进行不限话题的口语训练，并为用户提供符合当前对话主题的口语训练提示信息，提升用户体验。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行上述信息交互方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来输入对话数据或接收机器生成的回复数据或提示信息。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据一些实施例，如图2所示，提供了一种信息交互方法，包括：步骤S201、获取用户的第一对话数据；步骤S202、通过对话系统处理第一对话数据，以获取第一对话数据相应的第一回复数据；步骤S203、输出第一回复数据；步骤S204、响应于输出第一回复数据后的预设时间内未接收到用户发出的第二对话数据，通过对话系统处理第一回复数据，以获取第二回复数据，其中，第二回复数据为对话系统预测获得的用于回复第一回复数据的回复数据；以及步骤S205、输出第二回复数据。

由此，在口语训练的场景中，通过对话系统，对用户输入的对话数据进行处理，以获取相应的回复信息，从而能够基于用户想要谈论的话题进行回复；当输出回复信息但是未接收到用户的输入时，则判断用户此时不知如何做出回复，随即将对话系统输出的回复信息作为对话系统的输入，从而获得该信息的回复信息，并将其展示给用户。由此，能够使用户进行不限话题的口语训练，并为用户提供符合当前对话主题的口语训练提示信息，提升用户体验。

示例性地，本公开的实施例的执行主体可以是智能终端、基于人机交互的搜索设备、或者是其他可以执行本公开的实施例方法的装置或设备。以下以执行主体为智能终端进行说明。

在一些实施例中，用户可以与智能终端进行交互。用户可以通过操作智能终端，并向智能终端中输入语音音频；智能终端在接收到语音音频后，会通过语音识别技术，将用户输入的语音音频识别为文本信息，也即第一对话数据。

在一些实施例中，在识别获得第一对话数据之后，可以随即将该第一对话数据展示在智能终端的显示面板的某一显示区域。

在一些实施例中，也可以在接收用户语音的过程中，实时对用户输入的每个文本进行识别，并将每个文本依次连续地展示在上述显示区域中。

在一些实施例中，用户也可以通过触控的方式，将第一对话数据以文本的形式通过智能终端进行输入，并相应地展示在智能终端的显示面板的某一显示区域。

可以理解的，可以根据用户实际需求设置多种交互方式，在此不做限制。

在一些实施例中，对话系统可以为单轮对话系统。将第一对话数据输入该单轮对话系统后，可以首先基于自然语言理解模块，对第一对话数据中的对话意图、对话实体、语义信息等进行提取；随后可以将上述提取出来的信息，输入到Seq2Seq或LSTM等自然语言生成模型中，从而获得用于回复第一对话数据的第一回复数据。

在一些实施例中，对话系统也可以为多轮对话系统。

根据一些实施例，如图3所示，通过多轮对话系统处理当前对话数据可以包括下述操作，其中，当前对话数据包括第一对话数据或第一回复数据：步骤S301、识别当前对话数据的对话意图信息和对话实体信息；步骤S302、基于对话意图信息和对话实体信息，确定当前对话的对话状态信息；步骤S303、基于对话状态信息，确定系统行为信息；以及步骤S304、基于系统行为信息，生成用于回复当前对话数据的回复数据。

由此，基于多轮对话系统，能够使用户与机器在不限话题的口语训练场景中，基于同一话题进行多轮对话，从而保证对话的流畅性，提升用户体验。

在一些实施例中，当用户基于上述多轮对话系统，进行首次的第一对话数据输入时，多轮对话系统可以首先基于自然语言理解模块，对第一对话数据中的对话意图信息、对话实体信息等进行提取。

其中，对话意图信息可以用于指示用户要完成的一个业务动作，也可以用于指示用户当前的对话主题或对话场景。对话实体信息则可以是完成业务动作需要的或与对话主题相关的参数，比如时间、地点等，其一定程度上与对话意图信息相关。

在获取到当前对话数据的对话意图信息、对话实体信息后，可以将其输入到预训练的对话状态学习模型中，并基于该模型输出当前对话的对话状态信息。其中，对话状态学习模型可以基于隐藏信息状态模型(HIS)或RNN模型训练获得，对话状态信息可以表征为一个特征向量，用于对当前对话数据及历史对话数据(如有)进行追踪，从而实现多轮对话状态的追踪。

在一些实施例中，可以将当前对话的对话意图信息、对话实体信息以及对话状态信息存储在多轮对话系统中的对话管理模块中，以作为后序对话的历史对话数据，从而基于上述数据获取后序对话的对话状态信息。

在获取到本轮对话的对话状态信息后，可以将其进一步输入到对话策略学习模块中，以获取针对本轮对话的系统行为信息，其中，对话策略学习可以建模成强化学习或深度强化学习任务。其中，系统行为信息用于指示多轮对话系统针对本轮对话数据，所需要采取的行为。

在一些实施例中，可以将上述系统行为信息输入到Seq2Seq或LSTM等自然语言生成模型中，从而获得用于回复第一对话数据的第一回复数据。

在一些实施例中，第一对话数据也可以是经过了一轮或多轮对话后，用户输入到多轮对话系统中的对话数据。

根据一些实施例，响应于多轮对话系统中包括当前对话的前序对话的历史对话数据，确定当前对话的对话状态信息可以包括：基于对话意图信息、对话实体信息、历史对话数据，确定当前对话的对话状态信息。

由此，若当前对话不是首轮对话，则可以进一步基于历史对话数据，确定对话状态信息，从而进一步提升多轮对话系统信息反馈的准确性。

其中，历史对话数据可以包括历史对话状态信息和历史系统行为信息，基于对话意图信息和对话实体信息。

在一些实施例中，上述历史对话数据可以存储于多轮对话系统中的对话管理模块中。

在一些实施例中，在进行多轮对话状态追踪时，将当前对话的对话意图信息、对话实体信息以及历史对话数据同时输入到预训练的对话状态学习模型中，并基于该模型输出当前对话的对话状态信息。

在一些实施例中，用户可以基于智能终端输出的第一回复数据进行答复，从而将第二对话数据输入到多轮对话系统中，从而开始下一轮的对话。

在一些实施例中，当智能终端向用户输出第一回复数据后，在预设时间内未检测到用户的输入，则可以判断用户此时可能不知道如何做出回复，因此可以应用上述对话系统对第一回复数据进行与上述类似的处理，从而获得第二回复数据。其中，第二回复数据是通过对话系统进行预测获得的，用于回复第一回复数据的对话数据。

也即，将由系统生成的第一回复数据作为用户输入的对话数据，进而对该数据进行上述处理，从而生成第二回复数据。将该第二回复数据输出并展示于智能终端的显示面板的某一显示区域中，即可为用户提供口语训练的提示信息。

在一些实施例中，上述口语训练的对话数据展示等过程，还可以结合虚拟形象进行。虚拟形象例如可以是二维的虚拟人物、三维的虚拟人物、二维的虚拟动画形象或者三维的虚拟动画形象。

图4示出了根据本公开的示例性实施例的口语训练场景中虚拟形象进行自我介绍的示意图。

在一些实施例中，响应于智能终端接收到了用户的启动口语训练应用程序的操作或指令，智能终端启动该应用程序；响应于该应用程序加载完成，如图4所示，可以在智能终端的显示面板的预定区域展示虚拟形象，并使虚拟形象结合预设动作，进行问候及自我介绍。

在一些实施例中，虚拟形象也可以响应于用户的其他操作或指令，展示其他相应的预设动作。例如，在用户进行语音音频输入时，虚拟形象可以展示倾听的动作；当用户的对话数据输入完成，对话系统对其进行处理生成回复数据的过程中，虚拟形象可以展示思考的动作。可理解的，相关技术人员可以自行对虚拟形象的动作及其相关联的用户操作进行设置，在此不做限制。

在一些实施例中，虚拟形象也可以基于对话系统的回复数据，做出相应的动作。

根据一些实施例，系统行为信息可以包括多轮对话系统针对当前对话数据进行反馈的情绪类别，用于回复当前对话数据的回复数据的输出可以包括下述操作中的至少一者，其中，用于回复当前对话数据的回复数据包括用于回复第一对话数据的第一回复数据或第二回复数据：结合虚拟形象的动作展示，语音播报用于回复当前对话数据的回复数据；以及结合虚拟形象的动作展示，以文本形式展示用于回复当前对话数据的回复数据，其中，虚拟形象的动作基于情绪类别确定。

由此，多轮对话系统在生成回复信息时，能够同时确定回复信息的情绪类别，基于情绪类别确定虚拟形象的动作，从而结合虚拟形象播报或展示回复信息，进一步提升用户体验。

在一些实施例中，多轮对话系统中所获得的系统行为信息中可以包括多轮对话系统针对当前对话数据进行反馈的情绪类别，基于情绪类别，多轮对话系统可以生成具有相应情绪的第一回复(第一回复数据)。

在一些实施例中，基于上述情绪类别，可以在虚拟形象的预设动作集合中进行匹配，从而获取与该情绪类别相匹配的预设动作，当输出上述回复信息时，则可以同时通过虚拟形象展示匹配到的预设动作。

在一些实施例中，也可以进一步将上述情绪类别以及第一回复数据，输入到一个预训练的分类模型中，从而通过该模型预测得到一个动作标签。基于上述动作标签，可以在虚拟形象的预设动作集合中进行匹配，从而获取与该动作标签相匹配的预设动作，当输出上述回复信息时，则可以同时通过虚拟形象展示匹配到的预设动作。由此，能够进一步将语义信息引入到动作匹配中，从而使得虚拟形象的动作更加符合对话场景，进一步提升用户的体验。

在一些实施例中，输出回复信息可以是仅将回复信息以文字的方式展示在智能终端的显示面板的预定区域中；也可以是仅通过语音播报的方式，生成回复音频，向用户进行播放；也可以是同时进行文字展示以及语音播报。可理解的，回复信息的展示方式可以基于相关技术人员以及用户的实际需求自行设定，在此不做限制。

图5示出了根据本公开的示例性实施例的口语训练场景中结合虚拟形象进行第一回复数据输出的示意图。

在一些示例性实施例中，如图5所示，情绪类别可以是“愧疚”，则通过该情绪类别匹配到虚拟形象相应情绪的动作，并在展示该动作的同时，输出相应的回复信息。

在一些实施例中，当基于对话系统获得的情绪类别为中性情绪，或未基于该对话系统获得明确的情绪类别时，可以使虚拟形象随机展示预设动作集合中的动作，从而与用户完成交互。

在一些实施例中，基于上述类似的方法，也可以获得输出第二回复数据时虚拟形象相应的动作。

在一些实施例中，在进行第二回复数据输出时，可以同时在智能终端的显示面板的预定区域中展示播放操作接口、跟读操作接口、语速调节操作接口中的一个或多个，由此，用户可以通过操作上述操作接口，对对话系统给出的提示信息(第二回复数据)进行反复播放、跟读打分以及语速调整等操作。

根据一些实施例，获取用户的第一对话数据可以包括：接收用户的语音音频；以及对语音音频进行语音识别，以获取第一对话数据；并且上述信息交互方法还可以包括：以文本形式展示第一对话数据；响应于接收到用户针对第一对话数据的修改操作，更新第一对话数据；以及通过对话系统重新处理更新后的第一对话数据，以获取更新后的第一回复数据。

由于语音识别可能不准确，从而影响对话系统的反馈，因此支持用户对识别结果进行修改，并将修改后的对话数据重新作为当前对话数据输入对话系统，从而能够获得修正后的反馈信息，保证用户的体验不受影响

当用户通过语音的形式进行第一对话数据输入时，语音识别结果可能存在识别不准确的情况。相应的，对话系统所输出的回复信息也会在谈论话题等方面产生较大偏差，影响后续对话的连贯性以及用户体验。

在一些实施例中，可以为用户提供用于修改语音识别结果的接口，用户通过相应的操作，对语音识别结果进行修改并将修改后的对话数据(更新后的第一对话数据)重新输入至对话系统中，并使对话系统基于更新后的第一对话数据输出更新后的第一回复数据。

在一些实施例中，当应用的对话系统为多轮对话系统时，多轮对话系统在接收到更新后的第一对话数据后，可以回溯到上轮对话结束的状态，并重新处理更新后的第一对话数据，从而输出更新后的第一回复数据；同时，多轮对话系统会将基于未更新的第一对话数据所产生的历史处理数据进行删除，从而避免对后续多轮对话造成影响。

由此，对话系统即可在不影响回复数据反馈效率的同时，保证了对话的连贯进行，从而保障了用户的交互体验。

根据一些实施例，如图6所示，提供了一种信息交互装置600，包括：第一获取单元610，被配置为获取用户的第一对话数据；第一处理单元620，被配置为通过对话系统处理第一对话数据，以获取第一对话数据相应的第一回复数据；第一输出单元630，被配置为输出第一回复数据；第二处理单元640，被配置为响应于输出第一回复数据后的预设时间内未接收到用户发出的第二对话数据，通过对话系统处理第一回复数据，以获取第二回复数据，其中，第二回复数据为对话系统预测获得的用于回复第一回复数据的回复数据；以及第二输出单元650，被配置为输出第二回复数据。

其中，信息交互装置600中的单元610-单元650的操作与上述信息交互方法的步骤S201-步骤S205的操作类似，在此不做赘述。

根据一些实施例，对话系统可以为多轮对话系统，第一处理单元和第二处理单元可以分别相应地被配置为通过多轮对话系统处理当前对话数据，当前对话数据包括第一对话数据或第一回复数据，通过多轮对话系统处理当前对话数据可以包括：识别当前对话数据的对话意图信息和对话实体信息；基于对话意图信息和对话实体信息，确定当前对话的对话状态信息；基于对话状态信息，确定系统行为信息；以及基于系统行为信息，生成用于回复当前对话数据的回复数据。

根据一些实施例，响应于多轮对话系统中包括当前对话的前序对话的历史对话数据，其中，历史对话数据可以包括历史对话状态信息和历史系统行为信息，第一处理单元和第二处理单元可以分别相应地被进一步配置为：基于对话意图信息、对话实体信息、历史对话状态信息和历史系统行为信息，确定当前对话的对话状态信息。

根据一些实施例，系统行为信息可以包括多轮对话系统针对当前对话数据进行反馈的情绪类别，第一输出单元和第二输出单元可以分别相应地被配置为输出用于回复当前对话数据的回复数据，其中，用于回复当前对话数据的回复数据包括用于回复第一对话数据的第一回复数据或第二回复数据，输出用于回复当前对话数据的回复数据可以包括下述中的至少一者：结合虚拟形象的动作展示，语音播报用于回复当前对话数据的回复数据；以及结合虚拟形象的动作展示，以文本形式展示用于回复当前对话数据的回复数据，其中，虚拟形象的动作基于情绪类别确定。

根据一些实施例，第一获取单元可以包括：接收子单元，被配置为接收用户的语音音频；以及语音识别子单元，被配置为对语音音频进行语音识别，以获取第一对话数据；并且上述信息交互装置还可以包括：展示单元，被配置为以文本形式展示第一对话数据；更新单元，被配置为响应于接收到用户针对第一对话数据的修改操作，更新第一对话数据；以及第三处理单元，被配置为通过对话系统重新处理更新后的第一对话数据，以获取更新后的第一回复数据。

根据本公开的实施例，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。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701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701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701执行上文所描述的各个方法和处理，例如上述信息交互方法。例如，在一些实施例中，上述信息交互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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的上述信息交互方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述信息交互方法。

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、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)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，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、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (13)

1.一种信息交互方法，包括：

获取用户的第一对话数据；

通过对话系统处理所述第一对话数据，以获取所述第一对话数据相应的第一回复数据；

输出所述第一回复数据；

响应于输出所述第一回复数据后的预设时间内未接收到所述用户发出的第二对话数据，通过所述对话系统处理所述第一回复数据，以获取第二回复数据，其中，所述第二回复数据为所述对话系统预测获得的用于回复所述第一回复数据的回复数据；以及

输出所述第二回复数据。

2.根据权利要求1所述的方法，其中，所述对话系统为多轮对话系统，通过所述多轮对话系统处理当前对话数据包括下述操作，所述当前对话数据包括第一对话数据或第一回复数据：

识别所述当前对话数据的对话意图信息和对话实体信息；

基于所述对话意图信息和所述对话实体信息，确定当前对话的对话状态信息；

基于所述对话状态信息，确定系统行为信息；以及

基于所述系统行为信息，生成用于回复当前对话数据的回复数据。

3.根据权利要求2所述的方法，其中，响应于所述多轮对话系统中包括所述当前对话的前序对话的历史对话数据，所述历史对话数据包括历史对话状态信息和历史系统行为信息，所述基于所述对话意图信息和所述对话实体信息，确定当前对话的对话状态信息包括：

基于所述对话意图信息、所述对话实体信息、所述历史对话数据，确定当前对话的对话状态信息。

4.根据权利要求2或3所述的方法，其中，所述系统行为信息包括所述多轮对话系统针对所述当前对话数据进行反馈的情绪类别，所述用于回复当前对话数据的回复数据的输出包括下述操作中的至少一者，其中，所述用于回复当前对话数据的回复数据包括用于回复所述第一对话数据的所述第一回复数据或所述第二回复数据：

结合虚拟形象的动作展示，语音播报所述用于回复当前对话数据的回复数据；以及

结合所述虚拟形象的动作展示，以文本形式展示所述用于回复当前对话数据的回复数据，

其中，所述虚拟形象的动作基于所述情绪类别确定。

5.根据权利要求1-4中任一项所述的方法，其中，所述获取用户的第一对话数据包括：

接收所述用户的语音音频；以及

对所述语音音频进行语音识别，以获取所述第一对话数据；并且

所述方法还包括：

以文本形式展示所述第一对话数据；

响应于接收到所述用户针对所述第一对话数据的修改操作，更新所述第一对话数据；以及

通过所述对话系统重新处理更新后的所述第一对话数据，以获取更新后的所述第一回复数据。

6.一种信息交互装置，包括：

第一获取单元，被配置为获取用户的第一对话数据；

第一处理单元，被配置为通过对话系统处理所述第一对话数据，以获取所述第一对话数据相应的第一回复数据；

第一输出单元，被配置为输出所述第一回复数据；

第二处理单元，被配置为响应于输出所述第一回复数据后的预设时间内未接收到所述用户发出的第二对话数据，通过所述对话系统处理所述第一回复数据，以获取第二回复数据，其中，所述第二回复数据为所述对话系统预测获得的用于回复所述第一回复数据的回复数据；以及

第二输出单元，被配置为输出所述第二回复数据。

7.根据权利要求6所述的装置，其中，所述对话系统为多轮对话系统，所述第一处理单元和所述第二处理单元分别相应地被配置为通过所述多轮对话系统处理当前对话数据，所述当前对话数据包括第一对话数据或第一回复数据，所述通过所述多轮对话系统处理当前对话数据包括：

识别所述当前对话数据的对话意图信息和对话实体信息；

基于所述对话意图信息和所述对话实体信息，确定当前对话的对话状态信息；

基于所述对话状态信息，确定系统行为信息；以及

基于所述系统行为信息，生成用于回复当前对话数据的回复数据。

8.根据权利要求7所述的装置，其中，响应于所述多轮对话系统中包括所述当前对话的前序对话的历史对话数据，所述历史对话数据包括历史对话状态信息和历史系统行为信息，所述第一处理单元和所述第二处理单元分别相应地被进一步配置为：

基于所述对话意图信息、所述对话实体信息、所述历史对话状态信息和所述历史系统行为信息，确定当前对话的对话状态信息。

9.根据权利要求6或7所述的装置，其中，所述系统行为信息包括所述多轮对话系统针对所述当前对话数据进行反馈的情绪类别，所述第一输出单元和所述第二输出单元分别相应地被配置为输出用于回复当前对话数据的回复数据，其中，所述用于回复当前对话数据的回复数据包括用于回复所述第一对话数据的所述第一回复数据或所述第二回复数据，所述输出用于回复当前对话数据的回复数据包括下述中的至少一者：

结合虚拟形象的动作展示，语音播报所述用于回复当前对话数据的回复数据；以及

结合所述虚拟形象的动作展示，以文本形式展示所述用于回复当前对话数据的回复数据，

其中，所述虚拟形象的动作基于所述情绪类别确定。

10.根据权利要求6-9中任一项所述的装置，其中，所述第一获取单元包括：

接收子单元，被配置为接收所述用户的语音音频；以及

语音识别子单元，被配置为对所述语音音频进行语音识别，以获取所述第一对话数据；并且

所述装置还包括：

展示单元，被配置为以文本形式展示所述第一对话数据；

更新单元，被配置为响应于接收到所述用户针对所述第一对话数据的修改操作，更新所述第一对话数据；以及

第三处理单元，被配置为通过所述对话系统重新处理更新后的所述第一对话数据，以获取更新后的所述第一回复数据。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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根据权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-5中任一项所述的方法。

Images