CN116010572A - 人机对话的处理方法、装置、存储介质及电子设备 - Google Patents
人机对话的处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116010572A CN116010572A CN202211717630.1A CN202211717630A CN116010572A CN 116010572 A CN116010572 A CN 116010572A CN 202211717630 A CN202211717630 A CN 202211717630A CN 116010572 A CN116010572 A CN 116010572A
- Authority
- CN
- China
- Prior art keywords
- text
- texts
- target
- response
- candidate
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种人机对话的处理方法、装置、存储介质及电子设备,涉及人工智能领域,该方法包括:获取输入的目标问题文本。通过召回模型获取目标问题文本对应的多个候选应答文本。通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。本公开通过获取多个候选应答文本,并从多个候选应答文本中确定目标问题文本对应的目标应答文本,不局限于单一的应答文本的获取方式,能够提高人机对话过程中应答的准确性和可靠型。
Description
技术领域
本公开涉及人工智能领域,具体地,涉及一种人机对话的处理方法、装置、存储介质及电子设备。
背景技术
在人机对话领域,针对用户发出的问题(query),通常情况下,机器人可以通过在预设的问答数据库里面查找相似的query,并返回查找到的query的应答(answer),或者可以利用各种对话模型生成query的answer。但是无论是哪种方式,都可能会出现answer不能满足用户的query需求的问题,例如,答非所问、无意义的回答、冒犯性的回答等,导致人机对话的效果并不准确和可靠。
发明内容
本公开的目的是提供一种人机对话的处理方法、装置、存储介质及电子设备,用于提高人机对话的准确性和可靠性。
根据本公开实施例的第一方面,提供一种人机对话的处理方法,所述方法包括:
获取输入的目标问题文本;
通过召回模型获取所述目标问题文本对应的多个候选应答文本;
通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
可选地,所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将和所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的所述目标应答文本。
可选地,所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的文本排序信息,所述文本排序信息表征所述多个候选应答文本的排列顺序;
根据所述排列顺序从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
可选地,所述根据所述排列顺序从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将排列顺序最高的候选应答文本,作为所述目标应答文本。
可选地,所述文本确定模型是通过以下方式训练得到的:
获取训练样本数据,所述训练样本数据包括多个样本应答文本和每个样本应答文本对应的样本排序信息,所述样本排序信息是根据预设的排序规则确定的;
通过所述训练样本数据,对预设训练模型进行训练,得到所述文本确定模型。
可选地,所述召回模型包括第一召回通路、第二召回通路、第三召回通路中的至少一个;所述通过召回模型获取所述目标问题文本对应的多个候选应答文本包括以下至少一种方式:
通过所述第一召回通路,获取从预设的数据库中确定的所述目标问题文本对应的候选应答文本;
通过所述第二召回通路,获取预先训练的文本应答模型输出的所述目标问题文本对应的候选应答文本;
通过所述第三召回通路,获取预设的候选应答文本。
可选地,所述方法还包括:
按照预设的筛选规则,对所述多个候选应答文本进行筛选,得到筛选后的候选应答文本;
所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
通过预先生成的文本确定模型,从筛选后的所述多个候选应答文本中确定所述目标问题文本对应的所述目标应答文本。
可选地,所述按照预设的筛选规则,对所述多个候选应答文本进行筛选,得到筛选后的候选应答文本包括:
将所述多个候选应答文本作为预先生成的筛选模型的输入,得到所述筛选模型输出的筛选后的所述多个候选应答文本,所述筛选模型是根据预设的筛选规则训练得到的。
根据本公开实施例的第二方面,提供一种人机对话的处理装置,所述装置包括:
第一获取模块,用于获取输入的目标问题文本;
第二获取模块,用于通过召回模型获取所述目标问题文本对应的多个候选应答文本;
确定模块,用于通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
可选地,所述确定模块用于:
将和所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的所述目标应答文本。
可选地,所述确定模块用于:
将所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的文本排序信息,所述文本排序信息表征所述多个候选应答文本的排列顺序;
根据所述排列顺序从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
可选地,所述确定模块用于:
将排列顺序最高的候选应答文本,作为所述目标应答文本。
可选地,所述文本确定模型是通过以下方式训练得到的:
获取训练样本数据,所述训练样本数据包括多个样本应答文本和每个样本应答文本对应的样本排序信息,所述样本排序信息是根据预设的排序规则确定的;
通过所述训练样本数据,对预设训练模型进行训练,得到所述文本确定模型。
可选地,所述召回模型包括第一召回通路、第二召回通路、第三召回通路中的至少一个;所述第二获取模块用于:
通过所述第一召回通路,获取从预设的数据库中确定的所述目标问题文本对应的候选应答文本;
通过所述第二召回通路,获取预先训练的文本应答模型输出的所述目标问题文本对应的候选应答文本;
通过所述第三召回通路,获取预设的候选应答文本。
可选地,所述装置还包括:
筛选模块,用于按照预设的筛选规则,对所述多个候选应答文本进行筛选,得到筛选后的候选应答文本;
所述确定模块用于:
通过预先生成的文本确定模型,从筛选后的所述多个候选应答文本中确定所述目标问题文本对应的所述目标应答文本。
可选地,所述筛选模块用于:
将所述多个候选应答文本作为预先生成的筛选模型的输入,得到所述筛选模型输出的筛选后的所述多个候选应答文本,所述筛选模型是根据预设的筛选规则训练得到的。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面中所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面中所述方法的步骤。
通过上述技术方案,本公开首先获取输入的目标问题文本,然后通过召回模型获取目标问题文本对应的多个候选应答文本,并通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。本公开通过获取多个候选应答文本,并从多个候选应答文本中确定目标问题文本对应的目标应答文本,不局限于单一的应答文本的获取方式,能够提高人机对话过程中应答的准确性和可靠型。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种人机对话的处理方法的流程图;
图2是根据一示例性实施例示出的另一种人机对话的处理方法的流程图;
图3是根据一示例性实施例示出的另一种人机对话的处理方法的流程图;
图4是根据一示例性实施例示出的一种人机对话的处理装置的框图;
图5是根据一示例性实施例示出的另一种人机对话的处理装置的框图;
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、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。
图1是根据一示例性实施例示出的一种人机对话的处理方法的流程图,如图1所示,该方法可以包括:
步骤101,获取输入的目标问题文本。
步骤102,通过召回模型获取目标问题文本对应的多个候选应答文本。
举例来说,本公开的执行主体可以是任一种可以实现人机对话的智能终端,例如智能机器人、智能音箱、智能手机等。首先可以获取用户发出的目标问题,该目标问题可以为语音信息,可以对包含目标问题的语音信息进行语音识别,得到对应的目标问题文本,然后通过召回模型从多个数据源获取目标问题文本对应多个候选应答文本。
在一种实施例中,多个数据源可以包括:根据目标问题文本从预设的问答数据库中确定的候选应答文本、将目标问题文本输入对话模型从而得到的对话模型输出的候选应答文本,以及人工预设的候选问答文本中的至少一种。以多个数据源包括以上三种为例,可以预设多个不同的问答数据库、多个对话模型,根据每个问答数据库确定的至少一个候选应答文本可以作为一个数据源,同样的,每个对话模型输出的至少一个候选应答文本也可以作为一个数据源,人工预设的至少一个候选问答文本也可以作为一个数据源。可以通过预设的召回模型,通过多个召回通路获取上述三种数据源得到的候选应答文本。例如,可以预设多个数据库、多个对话模型,通过多个召回通路召回从多个数据库中获取到的多个第一候选应答文本,以及通过多个召回通路召回多个对话模型输出的多个第二候选应答文本,并通过一个召回通路召回根据人工经验预设的第三候选应答文本,并将第一候选应答文本、第二候选应答文本和第三候选应答文本作为最终的候选应答文本。这样,通过获取多个方式确定的多个候选应答文本,增大了候选应答文本的多样性,更加有可能覆盖真正更好的应答文本,能够保证获取到足够全面可靠的、与目标问题文本对应的候选应答文本。
步骤103,通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。
示例的,在得到多个候选应答文本之后,可以通过预先生成的文本确定模型,从多个候选应答文本中确定目标问题文本对应的目标应答文本。在一种实现方式中,文本确定模型可以直接根据输入的多个候选应答文本输出目标应答文本,例如可以根据预设的打分规则对每个候选应答文本进行打分,并将得分最高的候选应答文本作为目标应答文本,其中,打分规则可以根据预设业务场景的业务目标来确定。因此可以将多个候选应答文本输入文本确定模型,得到文本确定模型输出的目标应答文本。在另一种实现方式中,文本确定模型可以对输入的多个候选应答文本,按照预设的排序规则进行排序,输出多个候选应答文本对应的排序信息,其中,排序规则可以根据预设业务场景的业务目标来确定。因此,可以先将多个候选应答文本输入文本确定模型,得到文本确定模型输出的排序信息,并将排序信息指示的排列顺序最高的候选应答文本,作为目标应答文本。这样,可以根据预设业务场景的业务目标从多个候选应答文本中选取最符合业务目标的应答文本,作为回答用户发出的目标问题对应的目标应答文本,能够引导用户围绕预先设定的主题进行对话,从而达到预设业务场景的业务目标。
在一种实施例中,可以采用召回-排序模型,其中,召回-排序模型包括召回模块和排序模块,召回模型可以通过多个召回通道获取多个数据源生成的候选应答文本,排序模块可以通过文本确定模型,按照预设的排序规则对多个候选应答文本进行排序,从而从多个候选应答文本中确定与业务目标最匹配的目标应答文本。
综上所述,本公开首先获取输入的目标问题文本,然后通过召回模型获取目标问题文本对应的多个候选应答文本,并通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。本公开通过获取多个候选应答文本,并从多个候选应答文本中确定目标问题文本对应的目标应答文本,不局限于单一的应答文本的获取方式,能够提高人机对话过程中应答的准确性和可靠型。
在一种应用场景中,步骤103的一种实现方式可以为:
将多个候选应答文本,作为文本确定模型的输入,得到文本确定模型输出的目标应答文本。
在一种实施例中,可以根据预先设定的符合业务目标的打分规则确定多个样本应答文本对应的样本得分信息,并根据样本应答文本和每个样本应答文本对应的样本打分信息训练得到文本确定模型。在获取到多个候选应答文本之后,可以将多个候选应答文本输入文本确定模型,文本确定模型可以对输入的多个候选应答文本进行打分,然后根据打分结果在多个候选应答文本中确定得分最高的候选应答文本,并将该候选应答文本作为目标应答文本进行输出。文本确定模型也可以根据预设的排序算法对多个候选应答文本进行排序,并将排序结果中排名最高的结果作为目标应答文本进行输出。其中,预设的排序算法可以是单点法(Pointwise Approach)对应的算法、配对法(Pairwise Approach)对应的算法或列表法(Listwise Approach)对应的算法。
图2是根据一示例性实施例示出的另一种人机对话的处理方法的流程图,如图2所示,步骤103可以通过以下步骤来实现:
步骤1031,将多个候选应答文本,作为文本确定模型的输入,得到文本确定模型输出的文本排序信息,文本排序信息表征多个候选应答文本的排列顺序。
步骤1032,根据排列顺序从多个候选应答文本中确定目标问题文本对应的目标应答文本。
在另一种应用场景中,步骤1032的一种实现方式可以为:
将排列顺序最高的候选应答文本,作为目标应答文本。
在另一种实施例中,在获取到多个候选应答文本之后,可以将多个候选应答文本输入文本确定模型,文本确定模型可以对输入的多个候选应答文本进行打分,并根据打分结果对多个候选应答文本进行排序,从而输出表征多个候选应答文本的排列顺序的文本排序信息。然后可以根据排列顺序从多个候选应答文本中确定目标问题文本对应的目标应答文本。以文本排序信息指示的排列顺序是按照打分结果从大到小排列为例,可以将排在第一的候选应答文本作为目标应答文本。以文本排序信息指示的排列顺序是按照打分结果从小到大排列为例,可以将排在最后一个的候选应答文本作为目标应答文本。
文本确定模型也可以根据预设的排序方法对多个候选应答文本进行排序,并将排序结果中排名最高的结果作为目标应答文本进行输出。例如,可以通过配对法(PairwiseApproach)对应的算法确定多个候选应答文本中集中每个候选应答文本与其它候选应答文本的偏序关系(即位置先后关系),然后利用所有偏序关系得到文本排序信息。
在另一种应用场景中,文本确定模型是通过以下方式训练得到的:
获取训练样本数据,训练样本数据包括多个样本应答文本和每个样本应答文本对应的样本排序信息,样本排序信息是根据预设的排序规则确定的。
通过训练样本数据,对预设训练模型进行训练,得到文本确定模型。
示例的,可以预先获取包括多个样本应答文本和每个样本应答文本对应的样本排序信息,作为训练样本数据。其中,样本排序信息可以根据预先设定的符合业务目标的排序规则来设定,例如可以根据业务目标对每个样本应答文本进行打分,根据打分结果得到样本应答文本。然后可以通过训练样本数据对预设训练模型进行训练,从而得到可以根据业务目标对多个候选文本文本进行排序的文本确定模型,预设训练模型可以是任一种排序模型。以预设训练模型根据配对法(Pairwise Approach)对应的算法进行排序为例,首先可以对样本应答文本进行向量化编码,并构造Pairwise样本,然后根据Pairwise样本对预设训练模型进行训练。
在训练文本确定模型的过程中,可以根据业务目标来选择训练样本数据,如果业务最关注的是对话的轮数,那么可以优先选择对话轮数有区分度的正负样本。如果业务关注的是用户未来的留存情况,那么可以优先选择对用户留存情况有区分度的样本。这样,根据业务目标来文本确定模型,并通过文本确定模型从多个候选应答文本中确定目标应答结果,能够引导用户围绕预先设定的主题进行对话,使得输出的目标应答结果更加可控。
在另一种应用场景中,召回模型包括第一召回通路、第二召回通路、第三召回通路中的至少一个,相应的,步骤101包括以下至少一种实现方式:
通过第一召回通路,获取从预设的数据库中确定的目标问题文本对应的候选应答文本。
通过第二召回通路,获取预先训练的文本应答模型输出的目标问题文本对应的候选应答文本。
通过第三召回通路,获取预设的候选应答文本。
示例的,召回模型可以包括第一召回通路、第二召回通路、第三召回通路中的至少一个,在获取到目标问题文本之后,可以从第一召回通路、第二召回通路、第三召回通路中的至少一个通路获取多个候选应答文本。在一些实施例中,可以通过以下至少一种方式来获取目标问题文本对应的多个候选应答文本。方式一:预先准备包含多个问题文本和每个问题文本对应的应答文本的数据库,并对数据库中的所有问答文本进行向量化,存入可以进行向量检索的预设数据结构中,预设数据结构例如可以是kdtree、fasis等。当获取到目标问题文本之后,可以先将目标问题文本进行向量化,然后根据向量化之后的目标问题文本,在数据库中查找预设数量个与目标问题文本匹配的问题文本,并获取该预设数量个问题文本对应的多个应答文本,作为多个候选应答文本,通过第一召回通路,可以获取从数据库中确定的目标问题文本对应的候选应答文本。方式二:将目标问题文本输入预先训练的文本应答模型,得到文本应答模型输出的多个候选应答文本,通过第二召回通路,可以获取文本应答模型输出的候选应答文本。其中,文本应答模型例如可以是EVA模型、PLATO模型、Meena模型,文本应答模型可以是多个,相应的,第二召回通路也可以有多个,每个文本应答模型对应一个第二召回通路。例如模型A生成第一数量个第一应答文本,模型B生成第二数量个第二应答文本,可以分别通过模型A对应的第二召回通路获取第一数量个第一应答文本,并通过模型B对应的第二召回通路获取第二数量个第二应答文本,并将第一应答文本和第二应答文本作为候选应答文本,。方式三:可以根据人工的经验,预设一些较为万能、适用性较强的应答文本,以防止通过其他方式获取的候选应答文本均不适用的情况,通过第三召回通路可以获取预设的候选应答文本。
图3是根据一示例性实施例示出的另一种人机对话的处理方法的流程图,如图3所示,该方法还可以包括:
步骤104,按照预设的筛选规则,对多个候选应答文本进行筛选,得到筛选后的候选应答文本。
相应的,步骤103的一种实现方式可以为:
通过预先生成的文本确定模型,从筛选后的多个候选应答文本中确定目标问题文本对应的目标应答文本。
在另一种应用场景中,步骤104的一种实现方式可以为:
将多个候选应答文本作为预先生成的筛选模型的输入,得到筛选模型输出的筛选后的多个候选应答文本,筛选模型是根据预设的筛选规则训练得到的。
示例的,由于获取到的多个候选应答文本中可能存在一些候选应答文本包含敏感信息或者冒犯性的信息等,因此可以按照预设的筛选规则,对多个候选应答文本进行筛选,得到筛选后的候选应答文本,并将筛选后的候选应答文本输入预先生成的文本确定模型,使得文本确定模型可以从筛选后的多个候选应答文本中确定目标问题文本对应的目标应答文本,从而保证最终输出的目标应答文本的安全性。在一种实施例中,可以预先根据筛选规则训练得到筛选模型,在得到多个候选应答文本之后,可以将多个候选应答文本输入筛选模型,筛选模型可以对多个候选应答文本进行筛选,输出筛选后的多个候选应答文本。
综上所述,本公开首先获取输入的目标问题文本,然后通过召回模型获取目标问题文本对应的多个候选应答文本,并通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。本公开通过获取多个候选应答文本,并从多个候选应答文本中确定目标问题文本对应的目标应答文本,不局限于单一的应答文本的获取方式,能够提高人机对话过程中应答的准确性和可靠型。
图4是根据一示例性实施例示出的一种人机对话的处理装置的框图,如图4所示,该装置200包括:
第一获取模块201,用于获取输入的目标问题文本。
第二获取模块202,用于获取目标问题文本对应的多个候选应答文本。
确定模块203,用于通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。
在一种应用场景中,确定模块203用于:
将和多个候选应答文本,作为文本确定模型的输入,得到文本确定模型输出的目标应答文本。
在另一种应用场景中,确定模块203用于:
将多个候选应答文本,作为文本确定模型的输入,得到文本确定模型输出的文本排序信息,文本排序信息表征多个候选应答文本的排列顺序。
根据排列顺序从多个候选应答文本中确定目标问题文本对应的目标应答文本。
在另一种应用场景中,确定模块203用于:
将排列顺序最高的候选应答文本,作为目标应答文本。
在另一种应用场景中,文本确定模型是通过以下方式训练得到的:
获取训练样本数据,训练样本数据包括多个样本应答文本和每个样本应答文本对应的样本排序信息,样本排序信息是根据预设的排序规则确定的。
通过训练样本数据,对预设训练模型进行训练,得到文本确定模型。
在另一种应用场景中,召回模型包括第一召回通路、第二召回通路、第三召回通路中的至少一个,第二获取模块202用于:
通过第一召回通路,获取从预设的数据库中确定的目标问题文本对应的候选应答文本。
通过第二召回通路,获取预先训练的文本应答模型输出的目标问题文本对应的候选应答文本。
通过第三召回通路,获取预设的候选应答文本。
图5是根据一示例性实施例示出的另一种人机对话的处理装置的框图,如图5所示,该装置200还可以包括:
筛选模块204,用于按照预设的筛选规则,对多个候选应答文本进行筛选,得到筛选后的候选应答文本。
相应的,确定模块203用于:
通过预先生成的文本确定模型,从筛选后的多个候选应答文本中确定目标问题文本对应的目标应答文本。
在另一种应用场景中,筛选模块204用于:
将多个候选应答文本作为预先生成的筛选模型的输入,得到筛选模型输出的筛选后的多个候选应答文本,筛选模型是根据预设的筛选规则训练得到的。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
综上所述,本公开首先获取输入的目标问题文本,然后通过召回模型获取目标问题文本对应的多个候选应答文本,并通过预先生成的文本确定模型从多个候选应答文本中确定目标问题文本对应的目标应答文本。本公开通过获取多个候选应答文本,并从多个候选应答文本中确定目标问题文本对应的目标应答文本,不局限于单一的应答文本的获取方式,能够提高人机对话过程中应答的准确性和可靠型。
图6是根据一示例性实施例示出的一种电子设备300的框图。如图6所示,该电子设备300可以包括:处理器301,存储器302。该电子设备300还可以包括多媒体组件303,输入/输出(I/O)接口304,以及通信组件305中的一者或多者。
其中,处理器301用于控制该电子设备300的整体操作,以完成上述的人机对话的处理方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的人机对话的处理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的人机对话的处理方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的人机对话的处理方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的人机对话的处理方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (11)
1.一种人机对话的处理方法,其特征在于,所述方法包括:
获取输入的目标问题文本;
通过召回模型获取所述目标问题文本对应的多个候选应答文本;
通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
2.根据权利要求1所述的方法,其特征在于,所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将和所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的所述目标应答文本。
3.根据权利要求1所述的方法,其特征在于,所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将所述多个候选应答文本,作为所述文本确定模型的输入,得到所述文本确定模型输出的文本排序信息,所述文本排序信息表征所述多个候选应答文本的排列顺序;
根据所述排列顺序从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
4.根据权利要求3所述的方法,其特征在于,所述根据所述排列顺序从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
将排列顺序最高的候选应答文本,作为所述目标应答文本。
5.根据权利要求1所述的方法,其特征在于,所述文本确定模型是通过以下方式训练得到的:
获取训练样本数据,所述训练样本数据包括多个样本应答文本和每个样本应答文本对应的样本排序信息,所述样本排序信息是根据预设的排序规则确定的;
通过所述训练样本数据,对预设训练模型进行训练,得到所述文本确定模型。
6.根据权利要求1所述的方法,其特征在于,所述召回模型包括第一召回通路、第二召回通路、第三召回通路中的至少一个;所述通过召回模型获取所述目标问题文本对应的多个候选应答文本包括以下至少一种方式:
通过所述第一召回通路,获取从预设的数据库中确定的所述目标问题文本对应的候选应答文本;
通过所述第二召回通路,获取预先训练的文本应答模型输出的所述目标问题文本对应的候选应答文本;
通过所述第三召回通路,获取预设的候选应答文本。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设的筛选规则,对所述多个候选应答文本进行筛选,得到筛选后的候选应答文本;
所述通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本包括:
通过预先生成的文本确定模型,从筛选后的所述多个候选应答文本中确定所述目标问题文本对应的所述目标应答文本。
8.根据权利要求7所述的方法,其特征在于,所述按照预设的筛选规则,对所述多个候选应答文本进行筛选,得到筛选后的候选应答文本包括:
将所述多个候选应答文本作为预先生成的筛选模型的输入,得到所述筛选模型输出的筛选后的所述多个候选应答文本,所述筛选模型是根据预设的筛选规则训练得到的。
9.一种人机对话的处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取输入的目标问题文本;
第二获取模块,用于通过召回模型获取所述目标问题文本对应的多个候选应答文本;
确定模块,用于通过预先生成的文本确定模型从所述多个候选应答文本中确定所述目标问题文本对应的目标应答文本。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717630.1A CN116010572A (zh) | 2022-12-29 | 2022-12-29 | 人机对话的处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211717630.1A CN116010572A (zh) | 2022-12-29 | 2022-12-29 | 人机对话的处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010572A true CN116010572A (zh) | 2023-04-25 |
Family
ID=86027902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211717630.1A Pending CN116010572A (zh) | 2022-12-29 | 2022-12-29 | 人机对话的处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556232A (zh) * | 2023-11-30 | 2024-02-13 | 广州方舟信息科技有限公司 | 评分模型训练方法、药品问答方法及相关装置 |
-
2022
- 2022-12-29 CN CN202211717630.1A patent/CN116010572A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556232A (zh) * | 2023-11-30 | 2024-02-13 | 广州方舟信息科技有限公司 | 评分模型训练方法、药品问答方法及相关装置 |
CN117556232B (zh) * | 2023-11-30 | 2024-06-04 | 广州方舟信息科技有限公司 | 评分模型训练方法、药品问答方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309283B (zh) | 一种智能问答的答案确定方法及装置 | |
CN111061874B (zh) | 敏感信息检测方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN106407178A (zh) | 一种会话摘要生成方法及装置 | |
CN106649694A (zh) | 语音交互中确定用户意图的方法及装置 | |
CN108109618A (zh) | 语音交互方法、系统以及终端设备 | |
CN111597313B (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN109086276B (zh) | 数据翻译方法、装置、终端及存储介质 | |
CN109710732A (zh) | 信息查询方法、装置、存储介质和电子设备 | |
CN111813900B (zh) | 多轮对话处理方法、装置、电子设备及存储介质 | |
CN113140138A (zh) | 互动教学方法、装置、存储介质及电子设备 | |
CN116010572A (zh) | 人机对话的处理方法、装置、存储介质及电子设备 | |
CN111508472A (zh) | 一种语种切换方法、装置及存储介质 | |
CN116909889A (zh) | 一种模型的风险评测方法、装置及设备 | |
CN111540355A (zh) | 基于语音助手的个性化设置方法和设备 | |
EP4254400A1 (en) | Method and device for determining user intent | |
CN110534115A (zh) | 多方言混合语音的识别方法、装置、系统和存储介质 | |
CN114970559A (zh) | 智能应答方法及装置 | |
CN112632222A (zh) | 一种终端设备和确定数据所属领域的方法 | |
CN112182195A (zh) | 自动问答方法、装置、可读存储介质及电子设备 | |
KR20200071996A (ko) | 학습 단말기와 서버를 이용한 언어 학습 방법 | |
CN111460106A (zh) | 一种信息交互方法、装置及设备 | |
US11727042B2 (en) | Method and server for classifying queries | |
CN116186218A (zh) | 对话方法、装置、存储介质、及电子设备 | |
CN112148864B (zh) | 语音交互方法、装置、计算机设备和存储介质 |
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 |