CN115934922A - 一种对话业务执行方法、装置、存储介质及电子设备 - Google Patents
一种对话业务执行方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115934922A CN115934922A CN202310222375.1A CN202310222375A CN115934922A CN 115934922 A CN115934922 A CN 115934922A CN 202310222375 A CN202310222375 A CN 202310222375A CN 115934922 A CN115934922 A CN 115934922A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- intention
- logic step
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000015654 memory Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 31
- 238000013473 artificial intelligence Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 210000004556 brain Anatomy 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000007787 long-term memory Effects 0.000 description 8
- 230000003936 working memory Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000019771 cognition Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
本申请公开了一种对话业务执行方法、装置、存储介质及电子设备。在本申请提供的对话业务执行方法中，接收用户发送的输入内容，并根据输入内容确定用户意图；将用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过步骤生成模型基于已确定的逻辑步骤确定实现用户意图的当前逻辑步骤；判断执行当前逻辑步骤后是否能够实现用户意图；若是，则根据所述已确定的逻辑步骤以及当前逻辑步骤确定回复内容，并向用户回复回复内容；若否，则将当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。采用本申请提供的对话业务执行方法，可大幅提高AI对于复杂问题的解决能力，给到用户更优的回复，提高用户在执行业务时的对话体验。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种对话业务执行方法、装置、存储介质及电子设备。
背景技术
如今，由人工智能（Artificial Intelligence，AI）执行对话业务的场景已经十分常见，经过训练的AI通常能够在相应领域内快速、准确地回答用户提出的各种问题。
目前，大部分用于执行对话业务的AI，其实现方式都是通过对深度学习的模型进行训练后，采用单个模型直接对用户提出的问题进行回答。然而，通过这种方式回答用户提出的问题时，不存在任何逻辑推理的过程，这导致AI在面对较为复杂，无法快速地一步给出解决方案的问题时，往往不能给出令人满意的回答。
因此，如何在对话业务中更好地处理较为复杂的问题是一个亟待解决的问题。
发明内容
本申请提供一种对话业务执行方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本申请采用下述技术方案：
本申请提供了一种对话业务执行方法，包括：
接收用户发送的输入内容，并根据所述输入内容确定用户意图；
将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；
判断执行所述当前逻辑步骤后是否能够实现所述用户意图；
若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；
若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
可选地，根据所述输入内容确定用户意图，具体包括：
将所述输入内容输入预先训练的意图识别模型，以通过所述意图识别模型根据所述输入内容，确定用户意图。
可选地，将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤，具体包括：
将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤，生成待定步骤；
将所述待定步骤输入预先训练的过滤模型，以通过所述过滤模型在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤；
将所述候选步骤输入预先训练的筛选模型，以通过所述筛选模型在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤。
可选地，所述步骤生成模型包括第一生成模型；
预先训练所述第一生成模型，具体包括：
获取样本意图、样本步骤以及标注步骤；
将所述样本意图和所述样本步骤输入待训练的第一生成模型，以通过所述第一生成模型输出待优化步骤；
以所述待优化步骤与所述标注步骤之间的差异最小为优化目标，对所述第一生成模型进行训练。
可选地，所述步骤生成模型包括第二生成模型；
预先训练所述第二生成模型，具体包括：
在知识图谱中获取样本概念、样本关系以及标注概念；
将所述样本概念输入和所述样本关系待训练的第二生成模型，以通过所述第二生成模型输出待优化概念；
以所述待优化概念与所述标注概念之间的差异最小为优化目标，对所述第二生成模型进行训练。
可选地，在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤，具体包括：
针对每个待定步骤，确定该待定步骤的第一置信度；
当所述待定步骤的第一置信度不小于第一指定阈值时，将所述待定步骤确定为候选步骤；
当所述待定步骤的第一置信度小于所述第一指定阈值时，将所述待定步骤舍弃。
可选地，在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤，具体包括：
确定各候选步骤的评估值；
根据所述评估值，在所述各候选步骤中确定当前逻辑步骤。
可选地，判断执行所述当前逻辑步骤后是否能够实现所述用户意图，具体包括：
将所述用户意图和所述当前逻辑步骤输入预先训练的判断模型，以通过所述判断模型确定所述当前逻辑步骤在所述用户意图下的第二置信度；
当所述第二置信度不小于第二指定阈值时，确定执行所述当前逻辑步骤后能够实现所述用户意图；
当所述第二置信度小于第二指定阈值时，确定执行所述当前逻辑步骤后不能实现所述用户意图。
本申请提供了一种对话业务执行装置，包括：
接收模块，用于接收用户发送的输入内容，并根据所述输入内容确定用户意图；
确定模块，用于将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；
判断模块，用于判断执行所述当前逻辑步骤后是否能够实现所述用户意图；
回复模块，用于若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；
循环模块，用于若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
本申请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对话业务执行方法。
本申请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对话业务执行方法。
本申请采用的上述至少一个技术方案能够达到以下有益效果：
在本申请提供的对话业务执行方法中，接收用户发送的输入内容，并根据所述输入内容确定用户意图；将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；判断执行所述当前逻辑步骤后是否能够实现所述用户意图；若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
在采用本申请提供的对话业务执行方法时，通过模拟人脑中的思考过程，构建出能够通过逻辑推理解决复杂问题的AI，来执行对话业务。其中，通过模拟人脑生成解决方案时，工作记忆调用长期记忆的过程，给出当前逻辑步骤，并通过判断的方式确定当前逻辑步骤是否能够达成用户意图；以循环的形式，在未达成用户意图时，继续生成下一逻辑步骤，在达成用户意图时，向用户回复。通过本方法执行对话业务，能够大幅提高AI对于复杂问题的解决能力，给到用户更优的回复，提高用户在执行业务时的对话体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请中提供的一种对话业务执行方法的流程示意图；
图2为本申请提供的一种用于执行对话业务的AI的结构示意图；
图3为本申请提供的一种对话业务执行装置的示意图；
图4为本申请提供的一种对应于图1的电子设备示意图。
具体实施方式
而在人脑的认知中，对于解决一个特定的问题，存在两种不同的系统。其中，第一个系统在给定一个问题时，会做一个无意识地、快速地匹配，也就是常见的凭直觉给出答案，通过这一过程得到的答案通常是一种习惯性的结果，缺乏具体的推理、思考的过程。而第二个系统在给定一个问题时，会进行一个相对较慢的思考过程，这一过程通常会根据人的经历、以及对事物的认知，给出问题的答案，是一个更偏向于逻辑推理，有意识、带规划、带认知的过程。
在人的记忆中通常存在三种不同形式的记忆来辅助实现上述逻辑推理过程。第一种是情景记忆，情景记忆是以时间和空间为坐标对个人亲身经历的、发生在一定时间和地点的事件（情景）的记忆，也就是指记住过去某个时间、地点的特定事件。第二种是语义记忆，指人所具有的知识的有组织的贮存。语义记忆所保持的信息是认知的，既包括词义、语言、做事的步骤和解决问题的策略等方面的知识，也包括世界及其个别事件、人物、地点和规律的知识。第三种是工作记忆，工作记忆是认知心理学提出的有关人脑中存贮的信息的活动方式。人作为一种信息加工系统，把接受到的外界信息，经过模式识别加工处理而放入长时记忆。以后，人在进行认知活动时，由于需要，长时记忆中的某些信息被调遣出来，这些信息便处于活动状态。它们只是暂时使用，用过后再返回长时记忆中。信息处于这种活动的状态，就叫工作记忆。这种记忆易被抹去，并随时更换。
情景记忆和语义记忆是两种相对应的长时记忆，二者通过两个不同的维度保存不同的信息。而工作记忆指的是一个容量有限的系统，用来暂时保持和存储信息，是知觉、长时记忆和动作之间的接口，因此是思维过程的一个基础支撑结构。实际上，工作记忆也可以是指短时记忆，但它强调短时记忆与当前人从事的工作的联系。由于工作进行的需要，短时记忆的内容不断变化并表现出一定的系统性。短时记忆随时间而形成的一个连续系统也就是工作记忆。
人脑的认知在接收到一个问题时，可通过工作记忆结合情景记忆与语义记忆，对问题进行细致地思考，从而通过逻辑推理的过程得到问题的答案。
训练AI来执行对话业务，实际上就是一个对人脑进行模仿的过程。但是目前，绝大多数AI都是以问题与问题的答案为训练样本，通过对一个深度学习模型进行训练后得到的，其仅能够对人脑认知中的无意识的，凭借直觉给出答案的过程进行模仿，而无法进行更加具体、更加细致地思考。在这种情况下，AI在面对非常复杂的问题时，给出的答案往往都不尽人意。
为解决上述问题，本申请提供一种利用能够模仿人脑的认知进行思考的AI来实现的对话业务执行方法。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请中提供的一种对话业务执行方法的流程示意图，包括以下步骤：
S100：接收用户发送的输入内容，并根据所述输入内容确定用户意图。
在本申请中，用于实现对话业务执行方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本申请仅以服务器是执行主体为例，对本申请提供的一种对话业务执行方法进行说明。
本申请提供的对话业务执行方法的应用场景为采用AI与用户进行对话，根据用户提出的问题进行相应的回复的场景。因此，在此步骤中，可首先接收用户发送的输入内容。其中，接收的输入内容可以是各种形式的输入内容，包括但不限于文本形式、图像形式、音频形式的输入内容等，只需确保其最终均可转化为能够识别的文本内容即可。
根据获取到的用户发送的输入内容，可确定出用户意图。其中，确定用户意图的方式可存在多种，本申请在此提供一种具体实施例以供参考。图2为本申请提供的一种用于执行对话业务的AI的结构示意图。如图2所示，其中可至少包含意图识别模型。具体的，可将所述输入内容输入预先训练的意图识别模型，以通过所述意图识别模型根据所述输入内容，确定用户意图。
可直接采用意图识别模型对用户的输入内容进行识别，获取用户意图。在预先训练意图识别模型时，可以样本输入内容与对应的标注意图为训练样本，对意图识别模型进行训练。即，将样本输入内容输入待训练的意图识别模型，以通过意图识别模型根据样本输入内容输入待优化意图，以待优化意图与标注意图之间的差异最小为优化目标，对意图识别模型进行训练，得到可用的意图识别模型。
在实际对话当中，用户意图可以是多种多样的，例如，用户意图可能是希望购买火车票，可能是对某个关键词进行检索查询，还有可能只是单纯的打招呼。对于各种不同的意图，在训练中都需要考虑到并采用相应的训练样本给予模型支持。
S102：将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤。
在此步骤中，可通过步骤S100中确定出的用户意图，给出能够实现用户意图的相应的解决方案。与传统的人机对话不同，在本申请提供的对话业务执行方法中，并不会直接一步给出如何实现用户意图的完整方案，而是会模仿人脑中的思考过程，依靠逻辑推理一步一步地给出实现用户意图的每一个逻辑步骤，并最终由确定出的各逻辑步骤构成解决方案。
举例来说，假设一个用户躺在床上，感到口渴，产生了“喝水”这一用户意图，以人的行为逻辑来考虑这一问题，那么可能会采取的行动的顺序依次是“从床上起身”、“走到水杯处”、“拿起水杯”、“喝”。而上述几个行动便是实现“喝水”这一用户意图所需要完成的各逻辑步骤。
在本申请提供的对话业务执行方法中，采用步骤生成模型来生成当前逻辑步骤。可以想到的，在生成当前逻辑步骤时，不仅要考虑用户意图，还需要考虑目前已经执行过了哪些逻辑步骤，也就是之前已经确定出了哪些逻辑步骤。因此，在每一次生成当前逻辑步骤时，需要根据用户意图以及已确定的逻辑步骤，确定实现用户意图的当前逻辑步骤。
额外的，在生成当前逻辑步骤时，可通过多个不同的神经网络模型来达到更好的效果。
如图2所示，在本方法采用的用于执行对话业务的AI中，还可包括步骤生成模型、过滤模型、筛选模型。具体的，可将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤，生成待定步骤；将所述待定步骤输入预先训练的过滤模型，以通过所述过滤模型在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤；将所述候选步骤输入预先训练的筛选模型，以通过所述筛选模型在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤。
在上述方法中，可采用三种不同的神经网络模型共同确定出当前逻辑步骤。其中，步骤生成模型用于根据用户意图以及已确定的逻辑步骤，生成若干个具有实施可能性的待定步骤；过滤模型用于在各待定步骤中确定出满足指定条件的待定步骤，作为候选步骤，换句话说，就是对当前环境下较为不合理的待定步骤进行过滤，将不满足指定条件待定步骤剔除掉；筛选模型用于在剩余的候选步骤中，选择出最优的候选步骤，确定为最终的当前逻辑步骤。
在人脑的认知对问题进行逻辑推理的过程中，人的情景记忆与语义记忆会根据不同的信息储备针对同一问题给出不同的解决方式。基于上述思想，本方法中的步骤生成模型可如图2所示，包括第一生成模型和第二生成模型这两种不同的生成模型。第一生成模型与第二生成模型均用于根据用户意图与已确定的逻辑步骤生成待定步骤，但二者通过不同的训练，在应用时以不同的逻辑生成不同维度的待定步骤。
一方面，预先训练所述第一生成模型，可具体的，获取样本意图、样本步骤以及标注步骤；将所述样本意图和所述样本步骤输入待训练的第一生成模型，以通过所述第一生成模型输出待优化步骤；以所述待优化步骤与所述标注步骤之间的差异最小为优化目标，对所述第一生成模型进行训练。
第一生成模型用于模仿人的情景记忆，从历史中真实发生的事件或对话中提取出样本意图、样本步骤，以及相应的标注步骤，作为训练样本对模型进行训练，以创造出一种“AI真实经历过这些事件”的环境。由此，当AI面对一个用户意图时，第一生成模型便会基于“亲身经历过的事件的记忆”，也就是基于训练样本给出的待定步骤。
另一方面，预先训练所述第二生成模型，可具体的，在知识图谱中获取样本概念、样本关系以及标注概念；将所述样本概念输入和所述样本关系待训练的第二生成模型，以通过所述第二生成模型输出待优化概念；以所述待优化概念与所述标注概念之间的差异最小为优化目标，对所述第二生成模型进行训练。
第二生成模型用于模型人的语义记忆，将知识图谱作为训练样本，直接供模型进行学习，以此来丰富AI的“认知”。知识图谱中通常会包含各种领域中常识性的知识，或已被证实的真理等知识。知识图谱是由结点与边构成的图数据，其中，每个结点可理解为一个独立的概念，两个结点之间的边可理解为两个概念之间存在的关系。在知识图谱中，任意两个结点之间都可能存在连接的边，且根据两个结点之间关系的复杂程度，两个结点之间可能存在多种不同的关系，也就可以在知识图谱中相应的存在多条边。在训练过程中，可如上述方式以样本概念、标注关系作为训练样本对第二生成模型进行训练。而在实际应用过程中，可输入一个概念，以及一种关系，使模型输出另一个概念。应用到本方法中，可将用户意图作为一个概念，“实现”、或“解决”作为关系输入到第二生成模型中，使第二生成模型基于自身从知识图谱中学习到的知识输出另一个概念，也就是待定步骤。
可以看出，第一生成模型与第二生成模型分别模仿人的情景记忆和语义记忆，在两种不同的维度下给出不同的待定步骤。在实际应用时，可选择将第一生成模型或第二生成模型中的一个作为步骤生成模型进行使用，也可同时将第一生成模型与第二生成模型一起作为步骤生成模型进行使用，本申请对此不做具体限制。
额外的，本申请所提供的对话业务执行方法中，采用过滤模型确定满足指定条件的待定步骤，作为候选步骤时的方式可存在多种，本申请在此提供一种具体实施例以供参考。具体的，可针对每个待定步骤，确定该待定步骤的第一置信度；当所述待定步骤的第一置信度不小于第一指定阈值时，将所述待定步骤确定为候选步骤；当所述待定步骤的第一置信度小于所述第一指定阈值时，将所述待定步骤舍弃。
其中，第一置信度的取值范围为[0，1]，一个待定步骤的第一置信度可理解为该待定步骤的可信程度，用于表征该待定步骤的可执行程度，或是执行后能够成功的概率。一个待定步骤的第一置信度越高，表明该待定步骤的可执行程度越高。当一个待定步骤的第一置信度较低时，可认为该待定步骤在当前环境下不利于执行或不合逻辑，可舍弃掉该待定步骤。第一指定阈值可根据使用时的具体需求进行设置，例如0.5或0.7等。
在对过滤模型进行训练时，可采用样本意图、样本步骤以及标注第一置信度作为训练样本对二分类模型进行训练，得到过滤模型。具体的，可将样本意图和样本步骤输入待训练的过滤模型中，以通过过滤模型输出待优化第一置信度；以待优化置信度与标注第一置信度之间的差异最小为训练目标，对过滤模型进行训练。其中，标注第一置信度的取值为1或0，分别表示样本步骤在样本意图下可执行或不可执行；过滤模型输出的待优化第一置信度为取值范围在[0，1]之间的数值，表示样本步骤在样本意图下可执行的概率。
额外的，在本申请所提供的对话业务执行方法中，采用在候选步骤中选择最优的候选步骤，作为当前逻辑步骤时的方式可存在多种，本申请在此提供一种具体实施例以供参考。具体的，可确定各候选步骤的评估值；根据所述评估值，在所述各候选步骤中确定当前逻辑步骤。
其中，在候选步骤中选择最优的候选步骤，可理解为在各候选步骤中，选择出一个执行后可达到的效果最好的候选步骤。换句话说，可理解为选择出一个执行后达到的效果与用户意图最为接近的候选步骤。评估值为取值范围为[0，1]，一个候选步骤的评估值越高，可认为该候选步骤在执行后达到的效果越好，越接近用户意图。根据评估值在个候选步骤中确定当前逻辑步骤时，可将各候选步骤中，评估值最高的候选步骤确定为当前逻辑步骤。当候选步骤中同时存在多个评估值最高的候选步骤时，可选择评估值最高的候选步骤中的任一个确定为当前逻辑步骤。
在对过滤模型进行训练时，可采用样本意图、样本步骤以及标注评估值作为训练样本对筛选模型进行模型。具体的，可将样本意图和样本步骤输入待训练的筛选模型中，以通过过滤模型输出待优化评估值；以待优化评估值与标注评估值之间的差异最小为训练目标，对筛选模型进行训练。其中，标注评估值的取值范围为[0，1]；过滤模型输出的待优化评估的取值范围也为[0，1]。
实际上，上述生成当前逻辑步骤的过程正是对人脑在思考时进行的“生成—推理—评估”过程的模拟。通过两个不同的步骤生成模型来模拟人在面对问题时通过两种不同的长期记忆共同给出解决方案的过程；通过过滤模型来模拟人根据环境对不合理的解决方案的排除过程；通过筛选模型来模拟人对多种可行方案进行评估，并选择最优方案的过程。通过多个模型的结合，以逻辑推理的形式实现对人的思考的还原。
S104：判断执行所述当前逻辑步骤后是否能够实现所述用户意图。
由于每次执行步骤S102时，只会生成用于实现用户意图的完整方案中的一个逻辑步骤，因此，需要在步骤S104中判断执行过步骤S102中生成的当前逻辑步骤后，是否能够实现用户意图。
如图2所示，在本方法采用的用于执行对话业务的AI中，还可包括判断模型。具体的，可将所述用户意图和所述当前逻辑步骤输入预先训练的判断模型，以通过所述判断模型确定所述当前逻辑步骤在所述用户意图下的第二置信度；当所述第二置信度不小于第二指定阈值时，确定执行所述当前逻辑步骤后能够实现所述用户意图；当所述第二置信度小于第二指定阈值时，确定执行所述当前逻辑步骤后不能实现所述用户意图。
其中，第二置信度的取值范围为[0，1]，用于表征当前逻辑步骤在执行后能够达成用户意图的概率。一个当前逻辑步骤的第二置信度越高，表明执行该当前逻辑步骤后能够达成用户意图的可能性越高。第二指定阈值可根据具体需求进行设定，但通常情况下，第二指定阈值会设定为一个较高的数值，例如0.9或0.95等。
进一步的，在对本方法中采用的判断模型进行训练时，可采用样本意图、样本当前逻辑步骤，以及样本第二置信度对二分类模型进行训练，得到判断模型。具体的，可将样本意图，样本当前逻辑步骤输入待训练的判断模型中，以通过判断模型输出样本当前逻辑步骤在样本意图下的待优化第二置信度，以待优化第二置信度与标注第二置信度之间的最小为优化目标，对判断模型进行训练。其中，标注第二置信度的取值为1或0，分别表示执行样本当前逻辑步骤后可以达成样本意图或不能达成样本意图。待优化第二置信度的取值范围为[0，1]，表示执行样本当前逻辑步骤后可以达成样本意图的概率。
在经过判断后可得到执行当前逻辑步骤后可以实现用户意图或不能实现用户意图这两种判断结果。针对两种不同的判断结果，需要进行相应的不同处理。
S106：若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容。
当判断结果为是，也就是执行当前逻辑步骤后可以实现用户意图时，可根据已确定出的各逻辑步骤以及当前逻辑步骤，确定出合适的回复内容，并将回复内容回复给用户。通俗地说，就是将目前已经确定出的所有逻辑步骤，整理为一个完整的解决方案，并通过合适的方式回复给用户。
S108：若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
当判断结果为否，也就是执行当前逻辑步骤后不能够实现用户意图时，那么就表明在执行完当前逻辑步骤后，还需要继续执行其它步骤。此时，可将本轮步骤S102中确定出的当前逻辑步骤加入已确定的逻辑步骤，重新执行步骤S102，确定下一逻辑步骤，也就是将已确定的所有逻辑步骤作为基础，继续确定新一个当前逻辑步骤。
在判断结果为否的情况下，需要按照上述方式反复执行步骤S102~S108，直到判断结果为是时，方可按照步骤S106对用户进行回复。
在采用本申请提供的对话业务执行方法时，通过模拟人脑中的思考过程，构建出能够通过逻辑推理解决复杂问题的AI，来执行对话业务。其中，通过模拟人脑生成解决方案时，工作记忆调用长期记忆的过程，给出当前逻辑步骤，并通过判断的方式确定当前逻辑步骤是否能够达成用户意图；以循环的形式，在未达成用户意图时，继续生成下一逻辑步骤，在达成用户意图时，向用户回复。通过本方法执行对话业务，能够大幅提高AI对于复杂问题的解决能力，给到用户更优的回复，提高用户在执行业务时的对话体验。
以上为本申请的一个或多个实施对话业务执行的方法，基于同样的思路，本申请还提供了相应的对话业务执行装置，如图3所示。
图3为本申请提供的一种对话业务执行装置的示意图，包括：
接收模块200，用于接收用户发送的输入内容，并根据所述输入内容确定用户意图；
确定模块202，用于将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；
判断模块204，用于判断执行所述当前逻辑步骤后是否能够实现所述用户意图；
回复模块206，用于若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；
循环模块208，用于若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
可选的，所述接收模块200，具体用于将所述输入内容输入预先训练的意图识别模型，以通过所述意图识别模型根据所述输入内容，确定用户意图。
可选的，所述确定模块202，具体用于将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤，生成待定步骤；将所述待定步骤输入预先训练的过滤模型，以通过所述过滤模型在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤；将所述候选步骤输入预先训练的筛选模型，以通过所述筛选模型在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤。
可选的，所述步骤生成模型包括第一生成模型；
所述装置还包括训练模块210，具体用于获取样本意图、样本步骤以及标注步骤；将所述样本意图和所述样本步骤输入待训练的第一生成模型，以通过所述第一生成模型输出待优化步骤；以所述待优化步骤与所述标注步骤之间的差异最小为优化目标，对所述第一生成模型进行训练。
可选的，所述步骤生成模型包括第二生成模型；
所述训练模块210，具体用于在知识图谱中获取样本概念、样本关系以及标注概念；将所述样本概念输入和所述样本关系待训练的第二生成模型，以通过所述第二生成模型输出待优化概念；以所述待优化概念与所述标注概念之间的差异最小为优化目标，对所述第二生成模型进行训练。
可选的，所述确定模块202，具体用于针对每个待定步骤，确定该待定步骤的第一置信度；当所述待定步骤的第一置信度不小于第一指定阈值时，将所述待定步骤确定为候选步骤；当所述待定步骤的第一置信度小于所述第一指定阈值时，将所述待定步骤舍弃。
可选的，所述确定模块202，具体用于确定各候选步骤的评估值；根据所述评估值，在所述各候选步骤中确定当前逻辑步骤。
可选的，所述判断模块204，具体用于将所述用户意图和所述当前逻辑步骤输入预先训练的判断模型，以通过所述判断模型确定所述当前逻辑步骤在所述用户意图下的第二置信度；当所述第二置信度不小于第二指定阈值时，确定执行所述当前逻辑步骤后能够实现所述用户意图；当所述第二置信度小于第二指定阈值时，确定执行所述当前逻辑步骤后不能实现所述用户意图。
本申请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提供的一种对话业务执行方法。
本申请还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4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所述的对话业务执行方法。当然，除了软件实现方式之外，本申请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，在实施本申请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，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种对话业务执行方法，其特征在于，包括：
接收用户发送的输入内容，并根据所述输入内容确定用户意图；
将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；
判断执行所述当前逻辑步骤后是否能够实现所述用户意图；
若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；
若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
2.如权利要求1所述的方法，其特征在于，根据所述输入内容确定用户意图，具体包括：
将所述输入内容输入预先训练的意图识别模型，以通过所述意图识别模型根据所述输入内容，确定用户意图。
3.如权利要求1所述的方法，其特征在于，将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤，具体包括：
将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤，生成待定步骤；
将所述待定步骤输入预先训练的过滤模型，以通过所述过滤模型在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤；
将所述候选步骤输入预先训练的筛选模型，以通过所述筛选模型在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤。
4.如权利要求3所述的方法，其特征在于，所述步骤生成模型包括第一生成模型；
预先训练所述第一生成模型，具体包括：
获取样本意图、样本步骤以及标注步骤；
将所述样本意图和所述样本步骤输入待训练的第一生成模型，以通过所述第一生成模型输出待优化步骤；
以所述待优化步骤与所述标注步骤之间的差异最小为优化目标，对所述第一生成模型进行训练。
5.如权利要求3所述的方法，其特征在于，所述步骤生成模型包括第二生成模型；
预先训练所述第二生成模型，具体包括：
在知识图谱中获取样本概念、样本关系以及标注概念；
将所述样本概念输入和所述样本关系待训练的第二生成模型，以通过所述第二生成模型输出待优化概念；
以所述待优化概念与所述标注概念之间的差异最小为优化目标，对所述第二生成模型进行训练。
6.如权利要求3所述的方法，其特征在于，在所述待定步骤确定满足指定条件的待定步骤，作为候选步骤，具体包括：
针对每个待定步骤，确定该待定步骤的第一置信度；
当所述待定步骤的第一置信度不小于第一指定阈值时，将所述待定步骤确定为候选步骤；
当所述待定步骤的第一置信度小于所述第一指定阈值时，将所述待定步骤舍弃。
7.如权利要求3所述的方法，其特征在于，在所述候选步骤中选择最优的候选步骤，作为当前逻辑步骤，具体包括：
确定各候选步骤的评估值；
根据所述评估值，在所述各候选步骤中确定当前逻辑步骤。
8.如权利要求1所述的方法，其特征在于，判断执行所述当前逻辑步骤后是否能够实现所述用户意图，具体包括：
将所述用户意图和所述当前逻辑步骤输入预先训练的判断模型，以通过所述判断模型确定所述当前逻辑步骤在所述用户意图下的第二置信度；
当所述第二置信度不小于第二指定阈值时，确定执行所述当前逻辑步骤后能够实现所述用户意图；
当所述第二置信度小于第二指定阈值时，确定执行所述当前逻辑步骤后不能实现所述用户意图。
9.一种对话业务执行装置，其特征在于，包括：
接收模块，用于接收用户发送的输入内容，并根据所述输入内容确定用户意图；
确定模块，用于将所述用户意图以及已确定的逻辑步骤输入预先训练的步骤生成模型，以通过所述步骤生成模型基于所述已确定的逻辑步骤确定实现所述用户意图的当前逻辑步骤；
判断模块，用于判断执行所述当前逻辑步骤后是否能够实现所述用户意图；
回复模块，用于若是，则根据所述已确定的逻辑步骤以及所述当前逻辑步骤确定回复内容，并向用户回复所述回复内容；
循环模块，用于若否，则将所述当前逻辑步骤加入所述已确定的逻辑步骤，并继续确定下一逻辑步骤。
10.一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1~8任一项所述的方法。
11.一种电子设备，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1~8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222375.1A CN115934922B (zh) | 2023-03-09 | 2023-03-09 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222375.1A CN115934922B (zh) | 2023-03-09 | 2023-03-09 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115934922A true CN115934922A (zh) | 2023-04-07 |
| CN115934922B CN115934922B (zh) | 2024-01-30 |
Family
ID=86698031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222375.1A Active CN115934922B (zh) | 2023-03-09 | 2023-03-09 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115934922B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140304505A1 (en) * | 2013-03-15 | 2014-10-09 | William Johnson Dawson | Abstraction layer for default encryption with orthogonal encryption logic session object; and automated authentication, with a method for online litigation |
| CN112380325A (zh) * | 2020-08-15 | 2021-02-19 | 电子科技大学 | 基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统 |
| WO2021196981A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 语音交互方法、装置和终端设备 |
| WO2022057712A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 电子设备及其语义解析方法、介质和人机对话系统 |
| WO2022160442A1 (zh) * | 2021-01-28 | 2022-08-04 | 平安科技（深圳）有限公司 | 答案生成方法、装置、电子设备及可读存储介质 |
| CN115129878A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种对话业务执行方法、装置、存储介质及电子设备 |
| WO2022227162A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
-
2023
- 2023-03-09 CN CN202310222375.1A patent/CN115934922B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140304505A1 (en) * | 2013-03-15 | 2014-10-09 | William Johnson Dawson | Abstraction layer for default encryption with orthogonal encryption logic session object; and automated authentication, with a method for online litigation |
| WO2021196981A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 语音交互方法、装置和终端设备 |
| CN112380325A (zh) * | 2020-08-15 | 2021-02-19 | 电子科技大学 | 基于联合知识嵌入模型和事实记忆网络的知识图谱问答系统 |
| WO2022057712A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 电子设备及其语义解析方法、介质和人机对话系统 |
| WO2022160442A1 (zh) * | 2021-01-28 | 2022-08-04 | 平安科技（深圳）有限公司 | 答案生成方法、装置、电子设备及可读存储介质 |
| WO2022227162A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
| CN115129878A (zh) * | 2022-08-31 | 2022-09-30 | 支付宝(杭州)信息技术有限公司 | 一种对话业务执行方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115934922B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105704013B (zh) | 基于上下文的话题更新数据处理方法及装置 | |
| KR101369810B1 (ko) | 로봇을 위한 경험적 상황인식 방법을 실행하는 프로그램을 기록한 컴퓨터 판독가능한 기록 매체. | |
| CN107368524B (zh) | 一种对话生成方法、装置以及电子设备 | |
| EP3652678A1 (en) | Multi-modal dialogue agent | |
| JP7488871B2 (ja) | 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム | |
| CN111144126A (zh) | 一种语义分析模型的训练方法、语义分析方法及装置 | |
| CN116738233A (zh) | 在线训练模型的方法、装置、设备及存储介质 | |
| Chubb et al. | Interactive storytelling for children: A case-study of design and development considerations for ethical conversational AI | |
| CN116402164B (zh) | 基于预训练语言模型的机器人任务生成方法、装置及介质 | |
| CN112015896B (zh) | 基于人工智能的情感分类方法、以及装置 | |
| CN116343314B (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
| Koetter et al. | Motivations, classification and model trial of conversational agents for insurance companies | |
| CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
| CN115545002A (zh) | 一种模型训练和业务处理的方法、装置、存储介质及设备 | |
| CN112735374A (zh) | 一种自动语音交互的方法及装置 | |
| CN112908315A (zh) | 一种基于声音特征和语音识别的问答意图判断方法 | |
| CN113342945A (zh) | 一种语音会话处理方法及装置 | |
| CN115934922B (zh) | 一种对话业务执行方法、装置、存储介质及电子设备 | |
| Nagella et al. | Adaptive approaches to context aware mobile learning applications | |
| US20190171976A1 (en) | Enhancement of communications to a user from another party using cognitive techniques | |
| KR20100070773A (ko) | 성격 변화 장치 및 그 방법과, 그를 이용한 행동 다양화 장치 및 그 방법과, 그 로봇 시스템 | |
| CN115099229A (zh) | 计划模型生成方法、装置、电子设备及存储介质 | |
| CN112164394A (zh) | 一种信息交互方法、装置、存储介质及电子设备 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN113283995B (zh) | 一种保险公估远程访问纪要方法、装置以及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |