CN115934902A - 一种生成对话信息的方法、装置、可读存储介质以及设备 - Google Patents
一种生成对话信息的方法、装置、可读存储介质以及设备 Download PDFInfo
- Publication number
- CN115934902A CN115934902A CN202211313932.2A CN202211313932A CN115934902A CN 115934902 A CN115934902 A CN 115934902A CN 202211313932 A CN202211313932 A CN 202211313932A CN 115934902 A CN115934902 A CN 115934902A
- Authority
- CN
- China
- Prior art keywords
- dialogue
- user
- data
- target
- word
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Machine Translation (AREA)
Abstract
本说明书公开了一种生成对话信息的方法、装置、可读存储介质以及设备,通过在获取用户的对话数据的同时,获取用户的历史业务数据,并根据历史业务数据,从该用户执行的历史业务中确定指定业务数据,以及将该指定业务数据包含的实体词作为参考词,将对话数据包含的实体词作为目标词,根据各目标词和各参考词的匹配结果,将对话数据进行调整,得到目标对话特征,再根据目标对话特征确定给用户的反馈信息。本方法通过用户执行过指定操作的业务对应的指定业务数据,将对话数据进行调整,并基于调整后的对话数据来确定返回给用户的回复语料,确定出的回复语料与用户预期更加匹配,准确率更高。
Description
技术领域
本说明书涉及人工智能技术领域,尤其涉及一种生成对话信息的方法、装置、可读存储介质以及设备。
背景技术
目前,随着人工智能技术的发展和业务融合的需要,人工智能技术被越来越多地使用在人们的生活中。如何基于用户发送的语料,自动向用户回复信息,实现人机对话,已经成为人工智能领域中的一个重要研究方向。
现有的生成对话信息的方法中,通常为智能对话系统接收用户发送的语料信息,并基于用户语料信息确定用户意图,再根据用户意图从预先设置的模板中确定该用户意图对应的模板,以基于确定出的模板生成反馈信息,并将反馈信息发送给用户。
但是,现有技术确定出的反馈信息可能与用户预期并不相符,或需花费较长时间,与用户交互较多次数才能得到符合用户预期的反馈信息,准确率较低。
发明内容
本说明书提供一种生成对话信息的方法、装置、可读存储介质以及设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种生成对话信息的方法,包括:
获取用户发送的对话数据,以及所述用户的历史业务数据;
根据所述历史业务数据,从所述用户执行的历史业务中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据;
根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征;
根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
可选的,根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,具体包括:
针对每个目标词,将所述目标词与各参考词进行匹配;
根据匹配结果,确定与所述目标词匹配的参考词,作为指定词;
将所述对话数据中的该目标词替换为所述指定词;
将替换后的所述对话数据作为调整后的对话数据。
可选的,根据所述目标对话特征,得到回复语料,具体包括:
根据所述历史业务数据中的历史评论信息、所述用户和人工客服的历史对话记录、所述用户和智能对话系统的历史对话记录以及历史浏览信息,确定所述用户的投诉特征;
根据所述目标对话特征和所述投诉特征,确定回复语料。
可选的,所述对话数据为多轮对话数据,所述多轮对话数据中包含当前轮用户发送的信息、当前轮之前各轮对话中所述用户发送的信息和智能对话系统的回复语料;
得到目标对话特征,具体包括:
根据调整后的对话数据,确定所述对话数据中的各词向量;
针对每个词向量,确定该词向量对应的位置向量、该词向量对应的角色向量、以及该词向量对应的轮数向量;
根据所述各词向量、所述各词向量分别对应的位置向量、所述各词向量分别对应的角色向量以及所述各词向量分别对应的轮数向量,确定目标对话特征。
可选的,根据所述目标对话特征,得到回复语料,具体包括:
根据所述历史业务数据,确定所述用户的用户特征,并根据所述用户特征和目标对话特征,确定所述对话数据对应的情感特征,所述情感特征用于表征所述用户发送所述对话数据时的情感;
确定所述目标对话特征中,基于调整后的对话数据中的各词向量确定出的初始对话分量;
将所述情感特征和所述初始对话分量进行融合,并根据融合后的目标对话特征,得到回复语料。
可选的,采用下述方式训练所述对话模型:
获取各样本用户的历史业务数据,并根据各历史业务数据,确定所述各样本用户分别对应的各样本对话数据;
针对每个样本用户,将该样本用户的历史业务数据与该样本用户对应的所述各样本对话数据分别进行组合,确定该样本用户对应的各训练样本;
针对每个训练样本,将该训练样本中样本对话数据对应的回复语料作为该训练样本的第一标注,以及回复语料对应的回复策略作为该训练样本的第二标注;
将该训练样本作为输入,输入待训练的对话模型,得到所述对话模型输出的该训练样本的预测回复策略和预测回复语料;
根据各训练样本的预测回复语料及其第一标注,确定第一损失,并根据各第二训练样本的预测回复策略及其第二标注,确定第二损失,以所述第一损失和所述第二损失之和最小为目标,调整所述对话模型的模型参数。
可选的,所述对话模型为预训练语言模型;
将该样本用户的历史业务数据与该样本用户对应的所述各样本对话数据分别进行组合,确定该样本用户对应的各训练样本,具体包括:
获取该对话模型对应的模板;
针对每个样本对话数据,将该样本对话数据、该样本用户对应的历史业务数据和所述模板进行组合,确定该样本对话数据对应的训练样本。
本说明书还提供一种数据处理装置,所述装置包括:
获取模块,用于获取用户发送的对话数据,以及所述用户的历史业务数据;
特征提取模块,用于根据所述历史业务数据,从所述用户执行的历史业务中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据;
调整模块,用于根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征;
回复模块,用于根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述生成对话信息的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述生成对话信息的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的生成对话信息的方法中,通过在获取用户的对话数据的同时,获取用户的历史业务数据,并根据历史业务数据,从该用户执行的历史业务中确定指定业务数据,以及将该指定业务数据包含的实体词作为参考词,将对话数据包含的实体词作为目标词,根据各目标词和各参考词的匹配结果,将对话数据进行调整,得到目标对话特征,再根据目标对话特征确定给用户的反馈信息。
从上述方法可以看出,本方法通过用户执行过指定操作的业务对应的指定业务数据,将对话数据进行调整,并基于调整后的对话数据来确定返回给用户的回复语料,确定出的回复语料与用户预期更加匹配,准确率更高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的生成对话信息的方法的流程示意图;
图2为本说明书提供的对话模型的结构示意图;
图3为本说明书提供的对话模型的模板微调方法的流程示意图;
图4为本说明书提供的数据处理装置的结构示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
目前,在人工智能领域,随着技术的发展,人们越来越多地使用人工智能技术对工作生活中的业务进行处理。以人工智能技术应用在智能对话领域为例,用户与智能对话系统之间可通过一定的交互方式,完成人与智能对话系统之间的信息交换。
通常情况下,智能对话系统可由语音唤醒(Keyword Spotting,KWS)、语音识别(Automatic Speech Recognition,ASR)、自然语音处理(Natural Language Processing,NLP)、自然语言生成(Natural Language Generation,NLG)等技术实现。
人机对话的核心在于智能对话系统能够在预设的系统框架下,根据先验的数据训练或学习,自动对用户输入的信息进行理解和分析,并给出有意义的回复。其中,用户输入的信息可以涉及业务咨询、业务办理等任务导向型信息,也可以是闲聊等非任务导向型信息,并且,用户输入的信息可以是以语音、文字、图片等形态存在的信息,本说明书对用户输入的信息的类型以及形态不做限定。
但是,由于现有智能对话系统中,用于识别和理解用户输入信息的算法尚不完善,智能对话系统尚无法完全达到和人一样的理解和表达能力。这就导致在人机对话中,可能会出现智能对话系统对用户提出的问题输出的回答与用户预期不符的情况,或者出现智能对话系统与用户需交互较多次数才能得到符合用户预期的反馈信息,准确率较低。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的生成对话信息的方法的流程示意图,具体包括以下步骤:
S100:响应于对话处理任务,获取所述对话处理任务对应的用户对话数据和所述用户的历史业务数据。
区别于目前在接收到用户发送的对话数据后,基于对话数据确定用户意图,再基于用户意图和预先设置的模板,确定给用户返回的反馈信息。仅考虑到用户意图,导致智能对话系统确定出的反馈信息与用户意图差距较大。
本说明书提供了一种新的生成对话信息的方法,在获取到用户对话数据的同时,获取用户自身的历史业务数据,以基于该历史业务数据中,该用户执行过指定操作的谈业务对应的指定业务数据所对应的实体词,将对话数据中的实体词进行调整,并根据调整后的对话数据来确定回复给用户的回复语料。本方法通过指定业务数据中的实体词将对话数据进行调整,使得调整后的对话数据能够更准确地表征用户的预期,进而使得根据调整后的对话数据确定出的回复语料与用户预期更加匹配,准确率更高。
基于此,本说明书可首先确定用户的对话数据和历史业务数据。
在本说明书提供的一个或多个实施例中,该对话数据方法可由智能对话系统执行。
具体的,该智能对话系统可接收用户发送的对话请求,该对话请求中可携带有对话数据和用户的历史业务数据。其中,历史业务数据为该用户执行的历史业务对应的数据。且本申请中获取该历史业务数据和对话数据的动作是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
于是,该智能对话系统可对接收到的对话请求进行解析,确定该对话请求中携带的对话数据和历史业务数据。
当然,为了避免该对话请求的数据量较大,在网络波动的情况下可能出现连续数次无法接收到完整的对话请求的情况,该对话请求中还可仅携带有对话数据的元数据和用户标识。则该智能对话系统可对该对话请求进行解析,确定该对话请求中携带的对话数据的元数据和用户标识,并根据该元数据和用户标识,确定该对话数据以及用户的历史业务数据。
进一步的,由于本说明书提供的该生成对话信息的方法由智能对话系统执行,而用户与智能对话系统之间的对话,对于回复时间的要求较高。因此,该智能对话系统可直接接收用户发送的对话数据,并根据该对话数据中携带的用户标识,确定该用户对应的历史业务数据。其中,该对话数据可为文本数据、语音数据、图像数据、向量数据等多种类型,该历史业务数据还可包含用户的基础信息等其他信息,具体该对话数据的类型以及该历史业务数据中包含的数据的类型可根据需要进行设置,本说明书对此不做限制。
S102:根据所述历史业务数据,从所述用户执行的历史业务中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据。
在本说明书提供的一个或对多个实施例中,如前所述的,本说明书提供的该生成对话信息的方法,其能够生成更符合用户预期的回复语料,其原因是本方法可基于历史业务数据中,该用户执行过指定操作的业务对应的指定业务数据所对应的实体词,来将对话数据中的实体词进行调整,以此来得到更加符合用户预期的对话数据。
以对话数据中的实体词为火锅店为例,假设该对话数据对应的语义为投诉火锅店,显然,用户曾经消费过的火锅店被投诉的概率比用户未消费过的火锅店的概率更高。
基于此,该智能对话系统可首先根据历史业务数据,确定该用户执行的历史业务。
然后,该智能对话系统可从该用户执行的历史业务中,确定该用户执行过指定操作的历史业务。其中,该指定操作可为浏览操作、下单操作、评论操作等等多种操作,具体该指定操作对应的类型可根据需要进行设置,本说明书对此不做限制。
最后,该智能对话系统可确定该用户指定过执行操作的业务对应的业务数据,作为指定业务数据。
进一步的,如前所述的,本方法需基于指定业务数据中的实体词和对话数据中的实体词的匹配结果,将对话数据进行调整。因此,确定出指定业务之后,该智能对话系统可确定该指定业务数据包含的实体词,作为参考词,以及确定该对话数据中包含的实体词,作为目标词。
其中,该智能对话系统可对该指定业务数据和对话数据对应的文本数据进行分词,并确定该对话数据和该指定业务数据包含的实体词。或者,该智能对话系统也可将该指定业务数据和该对话数据作为输入,输入预先训练好的实体词确定模型中,得到该实体词确定模型输出的该指定业务数据和该对话数据分别对应的实体词。
当然,该智能对话系统还可采用特征匹配的方式,从该对话数据和指定业务数据中确定实体词,具体该确定实体词的手段可根据需要进行设置,本说明书对此不做限制。
S104:根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征。
在本说明书提供的一个或多个实施例中,如前所述的,该智能对话系统可根据指定业务数据中包含的实体词和对话数据中包含的实体词的匹配结果,将对话数据进行调整。
具体的,该智能对话系统可针对对话数据中包含的每个目标词,从预先确定出的参考词中,判断是否有与该目标词匹配的参考词。
若存在,则该智能对话系统可将与该目标词匹配的参考词,作为指定词,并将该对话数据中的目标词替换为该指定词。
于是,该智能对话系统可将该替换后的对话数据作为调整后的对话数据。则该智能对话系统可对该调整后的对话数据进行特征提取,得到该调整后的对话数据对应的目标对话特征。
若不存在,则该智能对话系统可直接将该对话数据作为目标对话数据。
进一步的,用户发送的对话数据可包含多个实体词,因此,该智能对话系统还可判断该调整后的对话数据中,是否包含未替换的实体词,若存在,则将该确定出的实体词作为目标词进行替换。
当然,为了避免确定出的指定词与用户预期不符的情况,在对该对话数据进行调整时,该智能对话数据还可直接将确定出的指定词添加到该对话数据中,即,将添加了指定词的对话数据,作为调整后的对话数据。其中,该指定词的添加位置可为该对话数据的开头,也可为该对话数据的末尾,还可为给该对话数据添加一个新的通道,将该指定词添加到新的通道内。具体如何根据目标词和参考词的匹配结果,将该对话数据进行调整。
S106:根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
在本说明书提供的一个或多个实施例中,智能对话系统需对用户发送的对话数据进行回复,因此,在得到该目标对话特征后,该智能对话系统可根据该目标对话特征,确定回复语料。
具体的,该智能对话系统可将该回复语料作为输入,输入预先训练好的回复模型中,得到该回复模型输出的回复语料,作为该对话数据对应的回复语料。
于是,该智能对话系统可根据该对话数据中携带的用户标识,将回复语料返回给该用户。
进一步的,在智能对话系统与用户进行交互的过程中,若用户较为敏感,其投诉的意愿较为激烈,则其需转交给人工进行处理较为合适。因此,该智能对话系统还可根据该用户对应的投诉特征和目标对话特征,来确定回复语料。其中,该投诉特征用于表征在用户在发送对话数据时的投诉意愿是否强烈。
具体的,用户的投诉特征在用户使用服务提供方的产品时,或多或少地会体现在该用户对应的浏览信息、评论信息等等多种信息中。因此,用户的历史业务数据中还可包含用户的历史评论信息、用户的历史浏览信息、该用户和人工客服的历史对话记录、以及该用户和智能对话系统的历史对话记录。于是。该智能对话系统还可根据该历史业务数据中的上述数据,确定该用户的投诉特征。
其中,该投诉特征可为该智能对话系统对历史业务数据进行特征提取得到的。
于是,该智能对话系统可将该投诉特征和该目标对话特征输入预先训练好的回复模型中,得到该回复模型输出的回复语料。
当然,上述智能对话系统在确定投诉特征时,还可基于用户基础信息等其他信息来和该历史业务数据中的上述信息一同确定用户的投诉特征,该用户基础信息可为独立于用户历史业务数据外的信息,也可为该历史业务数据中的一部分。具体该历史业务数据中包含的数据类型以及如何基于历史业务数据确定用户的投诉特征,均可根据需要进行设置,本说明书对此不做限制。
需要说明的是,本说明书中确定用户基础信息、用户的历史评论信息、用户的历史浏览信息、用户和人工客服的历史对话记录以及用户和智能对话系统的历史对话记录的动作,都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
更进一步的,若用户和智能对话系统展开了多轮对话,则其前几轮对话数据对于当前轮用户发送的对话数据的影响较大。因此,为了更准确地理解该对话数据对应的语义,该智能对话系统还可基于用户的多轮对话数据确定回复语料。
具体的,该对话数据为多轮对话数据,且该多轮对话数据中包含当前轮用户发送的信息、当前轮之前各轮对话中该用户发送的信息和智能对话系统的回复语料。
于是,该智能对话系统可根据调整后的对话数据,确定该对话数据中的各词向量。
然后,针对每个词向量,该智能对话系统可根据该词向量在对话数据中的位置,确定该词向量对应的位置向量。并根据该词向量所在的信息对应的发送对象,即,用户还是该智能对话系统,确定该词向量对应的角色向量。以及根据该词向量所在的信息对应的轮数,确定该词向量对应的轮数向量。
最后,该智能对话系统可将各词向量进行组合,作为该目标对话特征的初始对话分量。将各词向量分别对应的位置向量进行组合,作为该目标对话特征的位置分量。将各词向量分别对应的角色向量进行组合,作为该目标对话特征的角色分量。以及将各词向量对应的轮数向量,作为该目标对话特征的轮数分量。
另外,在本说明书提供的一个或多个实施例中,该智能对话系统还可采用基于获取到的历史业务信息中的用户历史浏览信息、用户的历史评论信息、用户的历史浏览信息、该用户和人工客服的历史对话记录、以及该用户和智能对话系统的历史对话记录等信息,来确定用于表征该用户的情绪、性格是否稳定的投诉特征。具体如何确定该投诉数据以及该投诉特征用于表征的内容,可根据需要进行设置,本说明书对此不做限制。
基于图1的生成对话信息的方法,通过在获取用户的对话数据的同时,获取用户的历史业务数据,并根据历史业务数据,从该用户执行的历史业务中确定指定业务数据,以及将该指定业务数据包含的实体词作为参考词,将对话数据包含的实体词作为目标词,根据各目标词和各参考词的匹配结果,将对话数据进行调整,得到目标对话特征,再根据目标对话特征确定给用户的反馈信息。本方法通过用户执行过指定操作的业务对应的指定业务数据,将对话数据进行调整,并基于调整后的对话数据来确定返回给用户的回复语料,确定出的回复语料与用户预期更加匹配,准确率更高。
另外,在本说明书中,在确定回复语料时,若基于用户特征和目标对话特征,一同确定该对话数据对应的回复语料,则确定出的回复语料与用户预期更加符合。基于此,该智能对话系统还可根据该用户对应的用户特征和目标对话特征,来确定回复语料。
具体的,该智能对话系统可将该用户特征和该目标对话特征作为输入,输入预先训练好的回复模型中,得到回复模型输出的回复语料。
进一步的,在智能对话系统与用户进行交互的过程中,若用户的情绪较为激烈,则其需转交给人工进行处理较为合适。因此,该智能对话系统还可根据该用户对应的情感特征和目标对话特征,来确定回复语料。
具体的,该智能对话系统可根据该用户的历史业务数据,确定该用户的用户特征。其中,该用户特征用于确定该用户在发送该对话数据时的情感。
于是,该智能对话系统可根据用户特征和目标对话特征,确定该对话数据对应的情感特征。其中,该确定该情感特征的手段可为卷积、拼接等等多种手段。
又因为在对话数据为多轮对话数据的情况下,初始对话分量能够最大可能地表征该对话数据对应的语义,因此,该智能对话系统可将该初始对话分量和该情感特征进行融合,并根据融合结果和角色分量、轮数分量以及位置分量来确定目标对话特征。
另外,在本说明书中,该历史业务数据通常可包括用户的基础信息、用户的历史订单信息、用户的历史评价信息、用户的浏览信息、用户和智能对话系统的历史对话记录以及用户和人工客服的历史对话记录等等多种信息。
于是,该智能对话系统可对获取到的历史业务数据进行特征提取,确定用户的基本特征、平台特征、行为特征、偏好特征、投诉特征、消费特征、周期特征和价值特征等特征中的至少一种,作为该用户的用户特征。
其中,该基本特征为该用户的年龄、性别、手机号码等等基础信息对应的特征。平台特征为用于表征该用户偏好的平台类型(如,电脑客户端、手机客户端等等)的特征。行为特征为用于表征该用户在服务提供方提供的产品上的行为类型(如,浏览、下单、从不浏览等等)的特征。偏好特征为用于表征该用户对应的产品偏好和品类偏好的特征。该消费属性为用于表征该用户是否偏好于平台所下发的优惠策略等信息的特征。该周期特征为用于表征该用户使用该服务提供方的产品的时段(如,上午、下午、傍晚等),或者为该用户使用该产品对应的时间(如,一年、两年等)等信息的特征。该价值特征为用于表征与该用户相似的其他用户的数量是否较少,或该用户是否为该服务提供方所提供的产品的忠实用户等信息的特征。
进一步地,为了避免目前冷启动场景下无法确定用户的历史业务数据的情况出现,本说明书中还可定义初始用户的历史业务数据或用户特征。如,定义20~30年龄段的用户的历史业务数据或用户特征,当接收到对话数据对应的用户为冷启动场景下的用户时,确定该用户对应的年龄,若该用户的年龄为25岁,则将预先确定出的0~30年龄段的用户的历史业务数据,作为该用户的历史业务数据。具体如何定义初始用户的历史业务数据,和/或初始用户的用户特征,可根据需要进行设置,本说明书对此不做限制。
更进一步的,上述生成对话信息的方法,可具体由对话模型来执行。该对话模型可包含筛选层、调整层和回复层。于是,该智能对话系统可首先获取用户发送的对话数据,以及用户的历史业务数据。
其次,该智能对话系统可将该对话数据和历史业务数据作为输入,输入到预先训练好的对话模型的筛选层,根据该历史业务数据,从该用户执行的历史业务中确定指定业务数据,并确定该指定业务数据包含的实体词,作为参考词,以及确定该对话数据中包含的实体词,作为目标词。
然后,该智能对话系统可将各目标词和各参考词作为输入,输入该对话模型的调整层,根据各目标词和各参考词的匹配结果,将该对话数据进行调整,得到该调整层输出的目标对话特征。
最后,该智能对话系统可将该目标对话特征作为输入,输入对话模型的回复层,根据该目标对话特征来得到回复语料。
该对话模型可采用下述方式训练得到:
首先,服务器可获取各样本用户的历史业务数据,并根据各历史业务数据,确定各样本用户分别对应的各样本对话数据。并针对每个样本用户,将该样本用户的历史业务数据与该样本用户对应的各样本对话数据分别进行组合,确定该样本用户对应的各训练样本。以及针对每个训练样本,将该训练样本中样本对话数据对应的回复语料作为该训练样本的第一标注。
其次,该服务器可将该训练样本作为输入,输入待训练的对话模型的筛选层,根据该训练样本中的历史业务数据,从该样本用户执行的历史业务中确定指定业务数据,并确定该指定业务数据包含的实体词,作为参考词,以及确定该训练样本中的样本对话数据包含的实体词,作为目标词。
然后,该服务器可将各目标词和各参考词作为输入,输入该对话模型的调整层,根据各目标词和各参考词的匹配结果,将该对话数据进行调整,得到该调整层输出的该训练样本的目标对话特征,并将该目标对话特征输入对话模型的回复层,得到该训练样本的回复语料。
最后,根据该训练样本的回复语料及其第一标注,调整该对话模型的模型参数。
其中,执行该模型训练过程的服务器与该智能对话系统所在的服务器可为同一服务器,也可为不同服务器。
进一步的,对于对话数据来说,若能确定其对应的回复策略,则基于该回复策略来确定对应的回复语料,确定出的回复语料会更加准确。而这一特点在训练过程中同样适用,即,若模型能同时确定对话数据对应的回复语料和回复策略,则该模型输出的回复语料会与用户预期更加符合。基于此,该对话模型还可为多任务模型。也就是说,该对话模型还可包含策略层。如图2所示。
图2为本说明书提供的对话模型的结构示意图。图中,该对话模型包含筛选层、调整层、回复层和策略层。则该智能对话系统可将对话数据和历史业务数据作为输入,输入该对话模型的筛选层,得到该筛选层输出的各参考词和各目标词。并将各参考词和各目标词输入该对话模型的调整层,得到该调整层输出的目标对话特征。以及将该目标对话特征分别输入到该策略层和该回复层,得到该策略层输出的回复策略,以及该回复层输出的回复语料。
则该对话模型可采用下述方式训练得到:
首先,该可针对每个训练样本,将该训练样本中样本对话数据对应的回复语料作为该训练样本的第一标注,以及回复语料对应的回复策略作为该训练样本的第二标注。
然后,该服务器可将该训练样本作为输入,输入待训练的对话模型,得到对话模型输出的该训练样本的预测回复策略和预测回复语料。
最后,该服务器可根据各训练样本的预测回复语料及其第一标注,确定第一损失,并根据各第二训练样本的预测回复策略及其第二标注,确定第二损失,以第一损失和第二损失之和最小为目标,调整对话模型的模型参数。
其中,该第一损失可为T为第一标注对应的字符数量,t为信息中的第几个位置,rt为生成的第t个字符,c为context,即,上下文,P(rt|c,r<t)用于表征在该上下文,且已经生成t-1个字符的情况下,生成第t个字符的概率。
于是,该服务器可将该第一损失和该第二损失进行加和,确定总损失,以总损失最小为目标对该对话模型的模型参数进行调整。
基于同样思路,本说明书还提供一种对话模型的模板参数微调方法,该模板参数微调方法具体应用于该对话模型的微调阶段,且该对话模型为预训练语言模型,具体如图3所示。
图3为本说明书提供的对话模型的模板微调方法的流程示意图,其中:
S200:获取预先基于若干无标注文本信息自监督训练得到的指定语言模型的模型参数,作为对话模型的模型参数。
S202:获取各样本用户的历史业务数据,并根据各历史业务数据,确定所述各样本用户分别对应的各样本对话数据。
S204:获取所述对话模型的模板,并针对每个样本对话数据,将该样本对话数据、该样本对话数据对应的样本用户的历史业务数据以及该模板进行组合,确定训练样本。
S206:根据各训练样本及其标注确定损失,并根据损失对该对话模型的模型参数进行调整。
在本说明书提供的一个或多个实施例中,在预训练阶段,该对话模型可基于模板和大量无标注的语料信息进行组合,确定训练样本,并基于训练样本对该对话模型进行训练。
以无标注的对话数据为A和B组成的对话为例,则A、B对应的训练样本为“A的回复语料是___”,该训练样本对应的标注可为“A的回复语料是B”。
当训练完成后,服务器可将获取到的样本用户的历史业务数据以及样本用户的样本对话数据进行组合,来确定样本用户对应的训练样本。以样本用户的对话数据为A和B组成的对话为例,假设样本用户的历史业务数据为C,则A、B对应的训练样本可为“历史业务数据为C的用户,对于A的回复语料是___”,该训练样本对应的标注可为“历史业务数据为C的用户,对于A的回复语料是B”。
当然,具体模板的形式可为矩阵形式、字符串形式等等多种形式,模板的具体类型可为根据需要进行设置,本说明书对此不做限制。
则在确定出训练样本后,该服务器可基于确定出的训练样本将该对话模型的模板进行微调,并在微调结束后,基于调整后的模板和对话模型的模型参数,来执行该生成对话信息的方法。
以上为本说明书的一个或多个实施例提供的生成对话信息的方法,基于同样的思路,本说明书还提供了相应的数据处理装置,如图4所示。
图4为本说明书提供的数据处理装置的结构示意图。其中:
获取模块300,用于获取用户发送的对话数据,以及所述用户的历史业务数据。
特征提取模块302,用于根据所述历史业务数据,从所述用户执行的中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据。
调整模块306,用于根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征。
回复模块308,用于根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
可选的,所述调整模块306,用于针对每个目标词,将所述目标词与各参考词进行匹配,根据匹配结果,确定与所述目标词匹配的参考词,作为指定词,将所述对话数据中的该目标词替换为所述指定词,将替换后的所述对话数据作为调整后的对话数据。
可选的,所述回复模块308,用于根据所述历史业务数据中的历史评论信息、所述用户和人工客服的历史对话记录、所述用户和智能对话系统的历史对话记录以及历史浏览信息,确定所述用户的投诉特征,根据所述目标对话特征和所述投诉特征,确定回复语料。
可选的,所述对话数据为多轮对话数据,所述多轮对话数据中包含当前轮用户发送的信息、当前轮之前各轮对话中所述用户发送的信息和智能对话系统的回复语料,所述调整模块306,用于根据调整后的对话数据,确定所述对话数据中的各词向量,针对每个词向量,确定该词向量对应的位置向量、该词向量对应的角色向量、以及该词向量对应的轮数向量,根据所述各词向量、所述各词向量分别对应的位置向量、所述各词向量分别对应的角色向量以及所述各词向量分别对应的轮数向量,确定目标对话特征。
可选的,所述调整模块306,用于根据所述历史业务数据,确定所述用户的用户特征,并根据所述用户特征和目标对话特征,确定所述对话数据对应的情感特征,所述情感特征用于表征所述用户发送所述对话数据时的情感,确定所述目标对话特征中,基于调整后的对话数据中的各词向量确定出的初始对话分量,将所述情感特征和所述初始对话分量进行融合,并根据融合后的目标对话特征,得到回复语料。
所述生成对话信息的装置,还包括:
训练模块308,用于采用下述方式训练所述对话模型:获取各样本用户的历史业务数据,并根据各历史业务数据,确定所述各样本用户分别对应的各样本对话数据,针对每个样本用户,将该样本用户的历史业务数据与该样本用户对应的所述各样本对话数据分别进行组合,确定该样本用户对应的各训练样本,针对每个训练样本,将该训练样本中样本对话数据对应的回复语料作为该训练样本的第一标注,以及回复语料对应的回复策略作为该训练样本的第二标注,将该训练样本作为输入,输入待训练的对话模型,得到所述对话模型输出的该训练样本的预测回复策略和预测回复语料,根据各训练样本的预测回复语料及其第一标注,确定第一损失,并根据各第二训练样本的预测回复策略及其第二标注,确定第二损失,以所述第一损失和所述第二损失之和最小为目标,调整所述对话模型的模型参数。
可选的,所述对话模型为预训练语言模型,所述训练模块,还用于获取该对话模型对应的模板,针对每个样本对话数据,将该样本对话数据、该样本用户对应的历史业务数据和所述模板进行组合,确定该样本对话数据对应的训练样本。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的生成对话信息的方法。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的生成对话信息的方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的生成对话信息的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书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说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种生成对话信息的方法,其特征在于,所述方法包括:
获取用户发送的对话数据,以及所述用户的历史业务数据;
根据所述历史业务数据,从所述用户执行的历史业务中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据;
根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征;
根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
2.如权利要求1所述的方法,其特征在于,根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,具体包括:
针对每个目标词,将所述目标词与各参考词进行匹配;
根据匹配结果,确定与所述目标词匹配的参考词,作为指定词;
将所述对话数据中的该目标词替换为所述指定词;
将替换后的所述对话数据作为调整后的对话数据。
3.如权利要求1所述的方法,其特征在于,根据所述目标对话特征,得到回复语料,具体包括:
根据所述历史业务数据中的历史评论信息、所述用户和人工客服的历史对话记录、所述用户和智能对话系统的历史对话记录以及历史浏览信息,确定所述用户的投诉特征;
根据所述目标对话特征和所述投诉特征,确定回复语料。
4.如权利要求1所述的方法,其特征在于,所述对话数据为多轮对话数据,所述多轮对话数据中包含当前轮用户发送的信息、当前轮之前各轮对话中所述用户发送的信息和智能对话系统的回复语料;
得到目标对话特征,具体包括:
根据调整后的对话数据,确定所述对话数据中的各词向量;
针对每个词向量,确定该词向量对应的位置向量、该词向量对应的角色向量、以及该词向量对应的轮数向量;
根据所述各词向量、所述各词向量分别对应的位置向量、所述各词向量分别对应的角色向量以及所述各词向量分别对应的轮数向量,确定目标对话特征。
5.如权利要求4所述的方法,其特征在于,根据所述目标对话特征,得到回复语料,具体包括:
根据所述历史业务数据,确定所述用户的用户特征,并根据所述用户特征和目标对话特征,确定所述对话数据对应的情感特征,所述情感特征用于表征所述用户发送所述对话数据时的情感;
确定所述目标对话特征中,基于调整后的对话数据中的各词向量确定出的初始对话分量;
将所述情感特征和所述初始对话分量进行融合,并根据融合后的目标对话特征,得到回复语料。
6.如权利要求1~5任一所述的方法,其特征在于,采用下述方式训练所述对话模型:
获取各样本用户的历史业务数据,并根据各历史业务数据,确定所述各样本用户分别对应的各样本对话数据;
针对每个样本用户,将该样本用户的历史业务数据与该样本用户对应的所述各样本对话数据分别进行组合,确定该样本用户对应的各训练样本;
针对每个训练样本,将该训练样本中样本对话数据对应的回复语料作为该训练样本的第一标注,以及回复语料对应的回复策略作为该训练样本的第二标注;
将该训练样本作为输入,输入待训练的对话模型,得到所述对话模型输出的该训练样本的预测回复策略和预测回复语料;
根据各训练样本的预测回复语料及其第一标注,确定第一损失,并根据各第二训练样本的预测回复策略及其第二标注,确定第二损失,以所述第一损失和所述第二损失之和最小为目标,调整所述对话模型的模型参数。
7.如权利要求6所述的方法,其特征在于,所述对话模型为预训练语言模型;
将该样本用户的历史业务数据与该样本用户对应的所述各样本对话数据分别进行组合,确定该样本用户对应的各训练样本,具体包括:
获取该对话模型对应的模板;
针对每个样本对话数据,将该样本对话数据、该样本用户对应的历史业务数据和所述模板进行组合,确定该样本对话数据对应的训练样本。
8.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取用户发送的对话数据,以及所述用户的历史业务数据;
特征提取模块,用于根据所述历史业务数据,从所述用户执行的历史业务中确定指定业务数据,并确定所述指定业务数据包含的实体词,作为参考词,以及确定所述对话数据中包含的实体词,作为目标词,所述指定业务数据为所述用户执行过指定操作的业务对应的业务数据;
调整模块,用于根据各目标词和各参考词的匹配结果,对所述对话数据进行调整,得到目标对话特征;
回复模块,用于根据所述目标对话特征,得到回复语料,并将所述回复语料返回给所述用户。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211313932.2A CN115934902A (zh) | 2022-10-25 | 2022-10-25 | 一种生成对话信息的方法、装置、可读存储介质以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211313932.2A CN115934902A (zh) | 2022-10-25 | 2022-10-25 | 一种生成对话信息的方法、装置、可读存储介质以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115934902A true CN115934902A (zh) | 2023-04-07 |
Family
ID=86696569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211313932.2A Pending CN115934902A (zh) | 2022-10-25 | 2022-10-25 | 一种生成对话信息的方法、装置、可读存储介质以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115934902A (zh) |
-
2022
- 2022-10-25 CN CN202211313932.2A patent/CN115934902A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390108B (zh) | 基于深度强化学习的任务型交互方法和系统 | |
CN110309283A (zh) | 一种智能问答的答案确定方法及装置 | |
CN112735374B (zh) | 一种自动语音交互的方法及装置 | |
CN107437416A (zh) | 一种基于语音识别的咨询业务处理方法及装置 | |
CN112632961B (zh) | 基于上下文推理的自然语言理解处理方法、装置以及设备 | |
CN115952272B (zh) | 一种生成对话信息的方法、装置、设备及可读存储介质 | |
CN112735407B (zh) | 一种对话处理方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN114817538B (zh) | 文本分类模型的训练方法、文本分类方法及相关设备 | |
CN115203394A (zh) | 一种模型训练的方法、业务执行的方法及装置 | |
CN115146601A (zh) | 语言处理任务的执行方法、装置、可读存储介质以及设备 | |
CN112214652B (zh) | 一种报文生成方法、装置及设备 | |
CN110046231A (zh) | 一种客服信息处理方法、服务器和系统 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
CN115563366A (zh) | 一种模型训练和数据分析的方法、装置、存储介质及设备 | |
CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN117369783A (zh) | 一种安全代码生成模型的训练方法及装置 | |
CN115934902A (zh) | 一种生成对话信息的方法、装置、可读存储介质以及设备 | |
CN115391503A (zh) | 一种会话流程的应用方法及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN115019781A (zh) | 一种对话业务执行方法、装置、存储介质及电子设备 | |
CN112579767B (zh) | 搜索处理方法、装置和用于搜索处理的装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 |
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 |