CN115878775A - 生成跨类型对话数据的方法和装置 - Google Patents

Abstract

本公开提供了生成跨类型对话数据的方法和装置，涉及人工智能领域，尤其涉及深度学习，自然语言处理领域，可应用智慧城市场景。具体实现方案为：获取包括不同类型对话片段的候选对话池；从候选对话池中随机选择一段对话作为起始对话，并从候选对话池中选择与起始对话的内容相似但类型不同的预定数目段候选对话；将起始对话中的最后一轮对话分别与预定数目段候选对话中每一轮对话计算语义匹配度；将语义匹配度最高的一轮对话确定为嫁接点，并将嫁接点以及嫁接点之后的对话确定为目标对话；将起始对话与目标对话拼接起来，得到跨类型对话。该实施方式能够在缺乏标注的情况下生成多种类型的跨类型对话数据。

Description

生成跨类型对话数据的方法和装置

技术领域

本公开涉及人工智能领域，尤其涉及深度学习，自然语言处理领域，可应用智慧城市场景。

背景技术

目前开源的中文数据集大多是任务型对话，闲聊型对话，知识型对话等单一类型对话数据集，这严重限制了当前端到端对话系统的性能，现有的生成跨类型对话数据的方式对数据集的标注要求较高，且生成的类型较为单一，例如仅能够生成闲聊转任务式等。

现有技术中生成闲聊转任务式的跨类型对话数据的方式需要通过两个开放域对话机器人生成闲聊对话，同时训练一个对话转换意图检测模型，对每轮生成的对话进行意图检测，一旦检测到匹配的意图，后续则拼接这个意图对应的任务型对话片段(或通过任务型对话机器人生成任务型对话)。这种方式只有在检测到意图时才能进行转换，依赖意图标注且能够被检测到的意图有限。此外该方式的应用场景有限，只包含电影，音乐，旅行三个场景。

发明内容

本公开提供了一种生成跨类型对话数据的方法、装置、设备、存储介质以及计算机程序产品。

根据本公开的第一方面，提供了一种生成跨类型对话数据的方法，包括：获取包括不同类型对话片段的候选对话池；从所述候选对话池中随机选择一段对话作为起始对话，并从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话；将所述起始对话中的最后一轮对话分别与所述预定数目段候选对话中每一轮对话计算语义匹配度；将语义匹配度最高的一轮对话确定为嫁接点，并将所述嫁接点以及所述嫁接点之后的对话确定为目标对话；将所述起始对话与所述目标对话拼接起来，得到跨类型对话。

根据本公开的第二方面，提供了一种生成跨类型对话数据的装置，包括：获取单元，被配置成获取包括不同类型对话片段的候选对话池；选择单元，被配置成从所述候选对话池中随机选择一段对话作为起始对话，并从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话；匹配单元，被配置成将所述起始对话中的最后一轮对话分别与所述预定数目段候选对话中每一轮对话计算语义匹配度；确定单元，被配置成将语义匹配度最高的一轮对话确定为嫁接点，并将所述嫁接点以及所述嫁接点之后的对话确定为目标对话；拼接单元，被配置成将所述起始对话与所述目标对话拼接起来，得到跨类型对话。

根据本公开的第三方面，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第一方面中任一项所述的方法。

根据本公开的第四方面，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第一方面中任一项所述的方法。

根据本公开的第五方面，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第一方面中任一项所述的方法。

本公开的实施例提供生成跨类型对话数据的方法和装置，多类型的对话数据使用统一框架，可以自由在任务式，闲聊，知识型之间灵活嫁接，可以自动在多场景下生成多种高质量跨类型对话数据的通用方案，此种方案可以在缺乏标注的情况下生成多种类型的跨类型对话数据方案。转换的节点灵活，不需要依赖数据标注；与salesbot不同，salesbot依赖对话中的意图标注，但对于本文中的方案，可以在完全没有对话标注的情况下进行对话生成。本文的方案可应用于通用场景，加入新场景时也无需进行人工干预；例如sales bot需要针对每个场景训练意图检测模型，但在本文的方案中可以不断向候选对话中加入新场景的数据集而无需过多的人工干预。

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是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的生成跨类型对话数据的方法的一个实施例的流程图；

图3是根据本公开的生成跨类型对话数据的方法的一个应用场景的示意图；

图4是根据本公开的生成跨类型对话数据的方法的又一个实施例的流程图；

图5是根据本公开的生成跨类型对话数据的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

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示出了可以应用本公开的生成跨类型对话数据的方法或生成跨类型对话数据的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如人机交互类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的对话提供支持的后台对话服务器。后台对话服务器可以对接收到的问题等数据进行分析等处理，并将处理结果(例如回复数据)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。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。服务器也可以是云服务器，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。

需要说明的是，本公开的实施例所提供的生成跨类型对话数据的方法一般由服务器105执行，相应地，生成跨类型对话数据的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的生成跨类型对话数据的方法的一个实施例的流程200。该生成跨类型对话数据的方法，包括以下步骤：

步骤201，获取包括不同类型对话片段的候选对话池。

在本实施例中，生成跨类型对话数据的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行对话的终端接收对话片段，也可从第三方服务器获取对话片段。这些对话片段可以是人与人的对话记录，也可以是人机对话记录，还可以是机器人之间的闲聊对话。对话的类型可包括任务式、闲聊、知识型等。对话片段可以是一轮对话也可以是多轮对话。将不同类型的对话片段存储在一个候选对话池中。服务器获取该候选对话池，根据候选对话池生成跨类型的对话数据。

将候选对话池中每一组完整的对话视为一个session。例如，从“你好”开始，到“再见”结束为一个session。

步骤202，从候选对话池中随机选择一段对话作为起始对话，并从候选对话池中选择与起始对话的内容相似但类型不同的预定数目段候选对话。

在本实施例中，随机选取候选池中的一段对话session a作为起始对话，通过相关度排序算法(例如Luence)召回候选对话池中的内容相似但类型不同的预定数目段候选对话。也可通过其它相似度计算方法，例如余弦相似度、汉明距离等计算不同对话之间的相似度。例如，将相似度top1000 session相似对话作为候选session b。目的是将session a嫁接到其中的一个session b上。

如果选择闲聊式对话作为起始对话，则可选择任务式对话或知识型对话作为候选对话。即可生成闲聊>任务式，或闲聊>知识型的跨类型数据。

同理，如果选择任务式对话作为起始对话，则可选择闲聊对话或知识型对话作为候选对话。即可生成任务式>闲聊，或任务式>知识型的跨类型数据。

步骤203，将起始对话中的最后一轮对话分别与预定数目段候选对话中每一轮对话计算语义匹配度。

在本实施例中，一问一答叫做一轮对话。起始对话session a中可包括多轮对话，将最后一轮对话，分别与多个session b中每轮对话计算语义匹配度。可通过语义匹配模型计算语义匹配度，无需识别每轮对话的语义，只需要计算两轮对话之间语义匹配度即可。可预先训练语义匹配模型，可以是一个二分类器，训练时将语义相同的两轮对话作为正样本，语义不同的两轮对话作为负样本。语义匹配模型的输入是两轮对话(起始对话中的最后一轮对话和候选对话中任一轮对话)，输出是0-1之间的语义匹配度。

步骤204，将语义匹配度最高的一轮对话确定为嫁接点，并将嫁接点以及嫁接点之后的对话确定为目标对话。

在本实施例中，依次计算起始对话中的最后一轮对话与候选对话中每一轮对话的语义匹配度，将匹配度最高的一轮对话作为嫁接点。session a在嫁接点处拼接到sessionb上。session b在嫁接点之前的对话舍弃，只保留嫁接点以及嫁接点之后的对话确定为目标对话。例如，session b有10轮对话，第6轮对话与起始对话中的最后一轮对话的语义匹配度最高，则将第6轮对话作为嫁接点，第6-10轮对话是目标对话。

步骤205，将起始对话与目标对话拼接起来，得到跨类型对话。

在本实施例中，起始对话的类型与目标对话不同，拼接到一起就形成了跨类型对话。上例中，将session a的所有对话与session b第6-10轮对话拼接起来，得到跨类型对话。

本公开的上述实施例提供的方法，多类型的对话数据使用统一框架，可以自由在任务式，闲聊，知识型之间灵活嫁接，可以自动在多场景下生成多种高质量跨类型对话数据的通用方案，此种方案可以在缺乏标注的情况下生成多种类型的跨类型对话数据方案。转换的节点灵活，不需要依赖数据标注；与salesbot不同，salesbot依赖对话中的意图标注，但对于本文中的方案，可以在完全没有对话标注的情况下进行对话生成。本文的方案可应用于通用场景，加入新场景时也无需进行人工干预；例如sales bot需要针对每个场景训练意图检测模型，但在本文的方案中可以不断向候选对话中加入新场景的数据集而无需过多的人工干预。

在本实施例的一些可选的实现方式中，所述方法还包括：将所述跨类型对话中嫁接点处的连续三轮对话输入预先训练的流畅度判别模型，输出流畅得分；若流畅得分大于预定阈值，则将所述跨类型对话保存为样本数据。为提升生成的跨类型对话数据集质量，训练了流畅度判别模型，模型使用Ernie base3.0,模型输入为连续三轮对话，使用输出层的cls进行二分类，根据任务特征构建了无监督数据集进行流畅度判别模型训练。

连续的三轮对话选取拼接接点处的三轮对话.

举例:

session a为["the Innocence Mission这个乐队你听说过吗？","听说过，是美国的一个乐队组合。"]

匹配到的session b为["我听过这个乐队，但我没有听过他们的歌。","我强烈推荐你去听他们的歌，他们的说唱音乐特别好听。","好的，我会去听的，谢谢你的推荐。","不用客气，能帮到你是我的荣幸。","行，那我就先不和你聊了，我去听歌了，再见。","好的，再见。"]

则模型输入为：["the Innocence Mission这个乐队你听说过吗？","听说过，是美国的一个乐队组合。","我听过这个乐队，但我没有听过他们的歌。","我强烈推荐你去听他们的歌，他们的说唱音乐特别好听。","好的，我会去听的，谢谢你的推荐。","不用客气，能帮到你是我的荣幸。"]

通过流畅度判别模型，可得到流畅的对话，从而可应用于后续的模型训练。通过高质量的对话作为训练样本才能训练出准确的端到端对话系统。

在本实施例的一些可选的实现方式中，所述方法还包括：若所述跨类型对话的对话轮数小于预定轮数，则将所述跨类型对话作为起始对话，重新从所述候选对话池中查找嫁接点和目标对话进行拼接，直到拼接后的跨类型对话的轮数大于等于预定轮数。预定轮数可以是10-15轮。如果对话太短，则作为训练样本无法得到高质量的模型，因此尽快得到更长的对话，提高样本的信息量。通过迭代的方式进行对话拼接，既可得到信息量更多的对话，还能得到更多种类型切换的对话，例如，闲聊+任务式的对话长度不够，还可以再拼接知识型对话。或者再拼接闲聊对话，则可验证闲聊>任务式>闲聊之间任意方式组合切换。丰富了样本的种类，从而可以训练出更准确的端到端对话系统。

在本实施例的一些可选的实现方式中，所述获取包括不同类型对话片段的候选对话池，包括：通过开源对话数据集获取任务型对话、知识型对话、闲聊型对话；通过开放域对话机器人互聊生成闲聊型对话。除了可以获得真实的对话数据外，还可以通过机器人构建对话数据。从而可提供丰富多样的对话数据，提高数据处理效率。

在本实施例的一些可选的实现方式中，所述从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话，包括：确定所述起始对话的关键字；根据所述关键字在所述候选对话池中不同类型的对话的权重值计算所述起始对话与所述候选对话池中不同类型的对话之间的相关度得分，其中，所述权重值根据词频逆文档频率算法计算；选取相关度得分最高的预定数目段候选对话。

可通过用户检索确定关键字。也可通过关键字检测模型确定对话中的关键字，例如，摘要、标题提取模型等。

相关度排序是查询结果按照与查询关键字的相关性进行排序，越相关的越靠前。比如搜索“Lucene”关键字，与该关键字最相关的文章应该排在前边。

Lucene是在用户进行检索时实时根据搜索的关键字计算出来的，分两步：

计算出词(Term)的权重

根据词的权重值，计算文档相关度得分。

通过索引部分的学习，明确索引的最小单位是一个Term(索引词典中的一个词)。搜索也是从索引域中查询Term，再根据Term找到文档。Term对文档的重要性称为权重，影响Term权重有两个因素：

Term Frequency(tf)：指此Term在此文档中出现了多少次。tf越大说明越重要。词(Term)在文档中出现的次数越多，说明此词(Term)对该文档越重要，如“Lucene”这个词，在文档中出现的次数很多，说明该文档主要就是讲Lucene技术的。

Document Frequency(df)：指有多少文档包含此Term。df越大说明越不重要。比如，在一篇英语文档中，this出现的次数更多，就说明越重要吗？不是的，有越多的文档包含此词(Term),说明此词(Term)太普通，不足以区分这些文档，因而重要性越低。

通过该方法可以快速查找到内容相似的其它类型的对话，提高数据的处理速度。

继续参见图3，图3是根据本实施例的生成跨类型对话数据的方法的应用场景的一个示意图。在图3的应用场景中，系统分为候选对话池构建及迭代式跨类型对话构建两个阶段，可通过多种方式自动化产出闲聊+知识型(或任务型)，知识型+任务型，任务型(或知识型)+闲聊+任务型(或知识型)三种类型的跨类型对话数据。

Step1:候选对话池构建

任务型对话、知识型对话、闲聊型对话均可通过开源对话数据集获取，闲聊型对话同时可以通过两个开放域对话机器人互聊生成。将数据集中每一组完整的对话视为一个session。

Step2:迭代式跨类型对话构建

a.相关对话选取：

随机选取候选池中的一段对话session a,通过Luence相关度排序召回对话候选池中的top1000 session相似对话作为候选session b

b.嫁接点选择：完成了两种嫁接点选择方案：

通过语义相似度匹配对session a的最后一轮对话和候选session b中的每一轮对话计算匹配度，选择匹配度最高轮次作为嫁接点，匹配度最高的轮次所在的session作为session b。

c.对话质量分析与筛选

为提升生成的跨类型对话数据集质量，训练了流畅度判别模型，模型使用Erniebase3.0,模型输入为连续三轮对话，使用输出层的cls进行二分类，根据任务特征构建了无监督数据集进行流畅度判别模型训练。

连续的三轮对话选取拼接接点处的三轮对话.

d.对话嫁接与生成

对于流畅对话，直接将session a及session b进行嫁接

对于不流畅的对话，选择session b首轮中的关键实体作为目标实体，通过两个开放域对话机器人对聊的方式将对话引导到目标实体上，衔接更为流畅，目标实体通过实体识别工具进行识别。

e.准入

判断嫁接好的新数据时候满足长度，若满足，则将对话放入结果对话池，若不满足，则将已嫁接好的部分作为新一轮的session a,重复step2

进一步参考图4，其示出了生成跨类型对话数据的方法的又一个实施例的流程400。该生成跨类型对话数据的方法的流程400，包括以下步骤：

步骤401，获取包括不同类型对话片段的候选对话池。

步骤402，从候选对话池中随机选择一段对话作为起始对话，并从候选对话池中选择与起始对话的内容相似但类型不同的预定数目段候选对话。

步骤403，将起始对话中的最后一轮对话分别与预定数目段候选对话中每一轮对话计算语义匹配度。

步骤404，将语义匹配度最高的一轮对话确定为嫁接点，并将嫁接点以及嫁接点之后的对话确定为目标对话。

步骤405，将起始对话与目标对话拼接起来，得到跨类型对话。

步骤401-405与步骤201-205基本相同，因此不再赘述。

步骤406，将跨类型对话中嫁接点处的连续三轮对话输入预先训练的流畅度判别模型，输出流畅得分。

在本实施例中，为提升生成的跨类型对话数据集质量，训练了流畅度判别模型，模型使用Ernie base3.0,模型输入为连续三轮对话，使用输出层的cls进行二分类，根据任务特征构建了无监督数据集进行流畅度判别模型训练。连续的三轮对话选取拼接接点处的三轮对话.

举例:

session a为["the Innocence Mission这个乐队你听说过吗？","听说过，是美国的一个乐队组合。"]

匹配到的session b为["我听过这个乐队，但我没有听过他们的歌。","我强烈推荐你去听他们的歌，他们的说唱音乐特别好听。","好的，我会去听的，谢谢你的推荐。","不用客气，能帮到你是我的荣幸。","行，那我就先不和你聊了，我去听歌了，再见。","好的，再见。"]

则模型输入为：["the Innocence Mission这个乐队你听说过吗？","听说过，是美国的一个乐队组合。","我听过这个乐队，但我没有听过他们的歌。","我强烈推荐你去听他们的歌，他们的说唱音乐特别好听。","好的，我会去听的，谢谢你的推荐。","不用客气，能帮到你是我的荣幸。"]

通过流畅度判别模型，可得到流畅的对话，从而可应用于后续的模型训练。通过高质量的对话作为训练样本才能训练出准确的端到端对话系统。

步骤407，若流畅得分小于等于预定阈值，则识别目标对话中的关键实体。

在本实施例中，如果流畅得分较低，则需要将对话进行改进，加入一些过渡语句，使得类型转换更自然。过渡语句的目的是为了引出目标对话，所以从目标对话中提取关键实体。选择session b首轮中的关键实体作为目标实体，目标实体通过实体识别工具进行识别。命名实体识别(NER)是自然语言处理(NLP)中的基本任务之一。NER任务用于识别文本中的人名(PER)、地名(LOC)等。例如，目标对话中提到的实体是歌曲名，则可识别出来歌曲名。

步骤408，根据关键实体生成引导对话，在跨类型对话中将引导对话插入在嫁接点之前。

在本实施例中，通过两个开放域对话机器人对聊的方式将对话引导到关键实体上，衔接更为流畅。可通过引导式plato+通用plato对聊融入了开放域闲聊。引导对话是起始对话和目标对话之间的过渡，最终的跨类型对话结构为：起始对话+引导对话+目标对话(从嫁接点开始的对话)。

从图4中可以看出，与图2对应的实施例相比，本实施例中的生成跨类型对话数据的方法的流程400体现了自由在任务式、闲聊、知识型之间灵活嫁接的步骤。由此，本实施例描述的方案可以弥补对话拼接过程中不流畅的缺陷，通过生成引导对话让跨类型的对话更流畅，从而可以用于训练更准确的端到端对话系统。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种生成跨类型对话数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的生成跨类型对话数据的装置500包括：获取单元501、选择单元502、匹配单元503、确定单元504、拼接单元505。其中，获取单元501，被配置成获取包括不同类型对话片段的候选对话池；选择单元502，被配置成从所述候选对话池中随机选择一段对话作为起始对话，并从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话；匹配单元503，被配置成将所述起始对话中的最后一轮对话分别与所述预定数目段候选对话中每一轮对话计算语义匹配度；确定单元504，被配置成将语义匹配度最高的一轮对话确定为嫁接点，并将所述嫁接点以及所述嫁接点之后的对话确定为目标对话；拼接单元505，被配置成将所述起始对话与所述目标对话拼接起来，得到跨类型对话。

在本实施例中，生成跨类型对话数据的装置500的获取单元501、选择单元502、匹配单元503、确定单元504、拼接单元505的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205。

在本实施例的一些可选的实现方式中，装置500还包括判别单元(附图中未示出)，被配置成：将所述跨类型对话中嫁接点处的连续三轮对话输入预先训练的流畅度判别模型，输出流畅得分；若流畅得分大于预定阈值，则将所述跨类型对话保存为样本数据。

在本实施例的一些可选的实现方式中，装置500还包括引导单元(附图中未示出)，被配置成：若流畅得分小于等于预定阈值，则识别所述目标对话中的关键实体；根据所述关键实体生成引导对话；在所述跨类型对话中将所述引导对话插入在所述嫁接点之前。

在本实施例的一些可选的实现方式中，装置500还包括重复单元(附图中未示出)，被配置成：若所述跨类型对话的对话轮数小于预定轮数，则将所述跨类型对话作为起始对话，重新从所述候选对话池中查找嫁接点和目标对话进行拼接，直到拼接后的跨类型对话的轮数大于等于预定轮数。

在本实施例的一些可选的实现方式中，获取单元501进一步被配置成：通过开源对话数据集获取任务型对话、知识型对话、闲聊型对话；通过开放域对话机器人互聊生成闲聊型对话。

在本实施例的一些可选的实现方式中，选择单元502进一步被配置成：确定所述起始对话的关键字；根据所述关键字在所述候选对话池中不同类型的对话的权重值计算所述起始对话与所述候选对话池中不同类型的对话之间的相关度得分，其中，所述权重值根据词频逆文档频率算法计算；选取相关度得分最高的预定数目段候选对话。

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。

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流程200或400所述的方法。

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流程200或400所述的方法。

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流程200或400所述的方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600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、ROM 602以及RAM 603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，例如生成跨类型对话数据的方法。例如，在一些实施例中，生成跨类型对话数据的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ROM 602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生成跨类型对话数据的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)而被配置为执行生成跨类型对话数据的方法。

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)、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，本发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 (15)

1.一种生成跨类型对话数据的方法，包括：

获取包括不同类型对话片段的候选对话池；

从所述候选对话池中随机选择一段对话作为起始对话，并从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话；

将所述起始对话中的最后一轮对话分别与所述预定数目段候选对话中每一轮对话计算语义匹配度；

将语义匹配度最高的一轮对话确定为嫁接点，并将所述嫁接点以及所述嫁接点之后的对话确定为目标对话；

将所述起始对话与所述目标对话拼接起来，得到跨类型对话。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述跨类型对话中嫁接点处的连续三轮对话输入预先训练的流畅度判别模型，输出流畅得分；

若流畅得分大于预定阈值，则将所述跨类型对话保存为样本数据。

3.根据权利要求2所述的方法，其中，所述方法还包括：

若流畅得分小于等于预定阈值，则识别所述目标对话中的关键实体；

根据所述关键实体生成引导对话；

在所述跨类型对话中将所述引导对话插入在所述嫁接点之前。

4.根据权利要求1所述的方法，其中，所述方法还包括：

若所述跨类型对话的对话轮数小于预定轮数，则将所述跨类型对话作为起始对话，重新从所述候选对话池中查找嫁接点和目标对话进行拼接，直到拼接后的跨类型对话的轮数大于等于预定轮数。

5.根据权利要求1所述的方法，其中，所述获取包括不同类型对话片段的候选对话池，包括：

通过开源对话数据集获取任务型对话、知识型对话、闲聊型对话；

通过开放域对话机器人互聊生成闲聊型对话。

6.根据权利要求1所述的方法，其中，所述从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话，包括：

确定所述起始对话的关键字；

根据所述关键字在所述候选对话池中不同类型的对话的权重值计算所述起始对话与所述候选对话池中不同类型的对话之间的相关度得分，其中，所述权重值根据词频逆文档频率算法计算；

选取相关度得分最高的预定数目段候选对话。

7.一种生成跨类型对话数据的装置，包括：

获取单元，被配置成获取包括不同类型对话片段的候选对话池；

选择单元，被配置成从所述候选对话池中随机选择一段对话作为起始对话，并从所述候选对话池中选择与所述起始对话的内容相似但类型不同的预定数目段候选对话；

匹配单元，被配置成将所述起始对话中的最后一轮对话分别与所述预定数目段候选对话中每一轮对话计算语义匹配度；

确定单元，被配置成将语义匹配度最高的一轮对话确定为嫁接点，并将所述嫁接点以及所述嫁接点之后的对话确定为目标对话；

拼接单元，被配置成将所述起始对话与所述目标对话拼接起来，得到跨类型对话。

8.根据权利要求7所述的装置，其中，所述装置还包括判别单元，被配置成：

将所述跨类型对话中嫁接点处的连续三轮对话输入预先训练的流畅度判别模型，输出流畅得分；

若流畅得分大于预定阈值，则将所述跨类型对话保存为样本数据。

9.根据权利要求8所述的装置，其中，所述装置还包括引导单元，被配置成：

若流畅得分小于等于预定阈值，则识别所述目标对话中的关键实体；

根据所述关键实体生成引导对话；

在所述跨类型对话中将所述引导对话插入在所述嫁接点之前。

10.根据权利要求7所述的装置，其中，所述装置还包括重复单元，被配置成：

若所述跨类型对话的对话轮数小于预定轮数，则将所述跨类型对话作为起始对话，重新从所述候选对话池中查找嫁接点和目标对话进行拼接，直到拼接后的跨类型对话的轮数大于等于预定轮数。

11.根据权利要求7所述的装置，其中，所述获取单元进一步被配置成：

通过开源对话数据集获取任务型对话、知识型对话、闲聊型对话；

通过开放域对话机器人互聊生成闲聊型对话。

12.根据权利要求7所述的装置，其中，所述选择单元进一步被配置成：

确定所述起始对话的关键字；

根据所述关键字在所述候选对话池中不同类型的对话的权重值计算所述起始对话与所述候选对话池中不同类型的对话之间的相关度得分，其中，所述权重值根据词频逆文档频率算法计算；

选取相关度得分最高的预定数目段候选对话。

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根据权利要求1-6中任一项所述的方法。

15.一种计算机程序产品，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1-6中任一项所述的方法。

Images