CN116127035B - 对话方法、对话模型的训练方法及装置 - Google Patents
对话方法、对话模型的训练方法及装置 Download PDFInfo
- Publication number
- CN116127035B CN116127035B CN202310004041.7A CN202310004041A CN116127035B CN 116127035 B CN116127035 B CN 116127035B CN 202310004041 A CN202310004041 A CN 202310004041A CN 116127035 B CN116127035 B CN 116127035B
- Authority
- CN
- China
- Prior art keywords
- dialog
- dialogue
- model
- response
- interface
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 133
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000002372 labelling Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种对话方法、对话模型的训练方法及装置,涉及人工智能技术领域,尤其涉及自然语言处理、人机对话等技术领域。实现方案为:获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入;基于所述历史对话数据,确定用于响应所述用户输入的接口的请求参数;响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果;以及基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
Description
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、人机对话技术领域,具体涉及一种对话方法及装置、对话模型的训练方法及装置、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、机器学习/深度学习、大数据处理技术、知识图谱技术以及自然语言处理技术等几大方向。
人机对话是指让机器理解和运用自然语言实现人机通信的技术。
任务型对话是以完成任务为目的的人机对话。任务型对话系统用于帮助用户完成特定领域下的特定任务,例如天气查询、航班预定、餐馆预定等。
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
本公开提供了一种对话方法及装置、对话模型的训练方法及装置、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,提供了一种对话方法,包括:获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入;基于所述历史对话数据,确定用于响应所述用户输入的接口的请求参数;响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果;以及基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
根据本公开的一方面,提供了一种对话模型的训练方法,包括:获取第一对话样本和所述第一对话样本的接口标注数据,其中,所述第一对话样本包括用户的第一对话历史和所述第一对话历史的第一目标应答,所述接口标注数据包括用于响应所述第一对话历史的目标接口的目标请求参数;将所述第一对话历史输入所述对话模型,以得到用于响应所述第一对话历史的预测接口的预测请求参数和所述第一对话历史的第一预测应答;以及基于所述预测请求参数、所述目标请求参数、所述第一预测应答和所述第一目标应答,确定所述对话模型的第一损失值;以及基于所述第一损失值,调整所述对话模型的参数。
根据本公开的一方面,提供了一种对话装置,包括:获取模块,被配置为获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入;确定模块,被配置为基于所述历史对话数据,确定用于响应所述用户输入的接口的请求参数;调用模块,被配置为响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果;以及第一生成模块,被配置为基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
根据本公开的一方面,提供了一种对话模型的训练装置,包括:获取模块,被配置为获取第一对话样本和所述第一对话样本的接口标注数据,其中,所述第一对话样本包括用户的第一对话历史和所述第一对话历史的第一目标应答,所述接口标注数据包括用于响应所述第一对话历史的目标接口的目标请求参数;预测模块,被配置为将所述第一对话历史输入所述对话模型,以得到用于响应所述第一对话历史的预测接口的预测请求参数和所述第一对话历史的第一预测应答;以及确定模块,被配置为基于所述预测请求参数、所述目标请求参数、所述第一预测应答和所述第一目标应答,确定所述对话模型的第一损失值;以及调整模块,被配置为基于所述第一损失值,调整所述对话模型的参数。
根据本公开的一方面,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上述任一方面的方法。
根据本公开的一方面,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,所述计算机指令用于使计算机执行上述任一方面的方法。
根据本公开的一方面,提供了一种计算机程序产品,包括计算机程序指令,其中,所述计算机程序指令在被处理器执行时实现上述任一方面的方法。
根据本公开的一个或多个实施例,能够提高任务型对话的应答准确性。
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示出了根据本公开一些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示出了根据本公开一些实施例的对话方法的流程图;
图3A、3B示出了根据本公开一些实施例的对话过程的示意图;
图4示出了根据本公开一些实施例的对话模型的训练方法的流程图;
图5示出了根据本公开一些实施例的对话模型的训练过程的示意图;
图6示出了根据本公开一些实施例的对话装置的结构框图;
图7示出了根据本公开一些实施例的对话模型的训练装置的结构框图;以及
图8示出了能够用于实现本公开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。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
任务型对话是以完成任务为目的的人机对话。相关技术中,通常采用端到端的任务型对话系统来对用户输入(query)进行应答,即,将当前轮对话的用户输入输入对话系统(有时也可以将历史轮的对话数据一起输入对话系统),对话系统输出该用户输入对应的应答。任务型对话系统通常采用特定任务场景(例如天气查询、航班预定等)的对话语料训练得出。该系统的通用性较差,通常仅适于处理特定任务场景的用户输入,而不具备场景迁移能力,不能准确响应用户针对其他任务场景的问询。
针对上述问题,本公开实施例提供了一种对话方法,能够任务型对话的应答准确性。此外,本公开实施例还提供了一种对话模型的训练方法,能够提高对话模型的通用性和准确性。
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对话方法和对话模型的训练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。
客户端设备101、102、103、104、105和/或106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、车载设备、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;或包括各种移动操作系统,例如MICROSOFT Windows Mobile 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、Wi-Fi)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,客户端设备101-106获取用户输入(即,查询语句,query),并基于本公开实施例的对话方法对用户输入进行应答,从而实现与用户的对话。可替换地,客户端设备101-106也可以通过网络110将获取到的用户输入发送给服务器120,服务器120通过执行本公开实施例的对话方法确定该用户输入对应的应答,并将该应答返回给客户端设备101-106。
服务器120可以根据本公开实施例的对话模型的训练方法对对话模型进行训练。可替换地,客户端设备101-106也可以基于本公开实施例的对话模型的训练方法对对话模型进行训练。客户端设备101-106或服务器120可以从数据库130中获取用于训练对话模型的语料。
具体地,客户端设备101-106或服务器120可以执行本公开实施例的对话方法和对话模型的训练方法。
根据本公开的实施例,提供了一种对话方法。图2示出了根据本公开实施例的对话方法200的流程图。方法200的各个步骤的执行主体可以是客户端(例如,图1中所示的客户端设备101-106),也可以是服务器(例如,图1中所示的服务器120)。
如图2所示,方法200包括步骤S210-S240。
在步骤S210中,获取历史对话数据。历史对话数据至少包括当前轮对话的用户输入。
在步骤S220中,基于历史对话数据,确定用于响应用户输入的接口的请求参数。
在步骤S230中,响应于请求参数非空,基于请求参数调用接口,以得到接口的返回结果。
在步骤S240中,基于历史对话数据和返回结果,生成用户输入对应的应答。
根据本公开的实施例,基于用户的历史对话数据自动识别并调用相应的接口,并基于接口的返回结果生成应答,能够通过调用不同的接口实现针对不同任务场景的用户问询的应答,提高了任务型对话的应答准确性。
以下详细介绍方法200的各个步骤。
在步骤S210中,获取用户的历史对话数据。历史对话数据至少包括当前轮对话的用户输入。
根据一些实施例,历史对话数据可以仅包括当前轮对话的用户输入。
根据另一些实施例,历史对话数据可以包括当前轮对话的用户输入和位于当前轮之前的至少一轮对话。当前轮之前的每一轮对话包括完整的用户输入和系统应答。
根据一些实施例,历史对话数据可以是文本数据。该文本数据例如可以是用户输入的文本数据,也可以是通过对用户输入的音频数据进行语音识别所得到的文本数据。
在步骤S220中,基于历史对话数据,确定用于响应用户输入的接口(ApplicationProgram Interface,API)的请求参数。
根据一些实施例,可以利用经训练的对话模型来确定接口的请求参数。对话模型的输入字段包括历史对话数据和接口返回结果,输出字段包括接口请求参数和应答。
对话模型例如可以根据下文的对话模型的训练方法训练得出。
根据一些实施例,可以将历史对话数据和预设的缺省值输入经训练的对话模型,以得到对话模型的输出。其中,缺省值对应于对话模型的输入端的接口返回结果字段,用于指示当前尚未获得接口的返回结果。缺省值例如可以是NULL。
对话模型的输出包括用于响应用户输入的接口的请求参数。根据一些实施例,若对话模型输出的请求参数非空,则表示需要调用相应的接口来处理用户输入,因此对话模型输出的应答为空,即,在对话模型输出请求参数时,不能一并输出该用户输入的应答。
根据一些实施例,若对话模型输出的请求参数为空,则表示不需要调用相应的接口来处理当前轮的用户输入,因此对话模型可以直接基于历史对话数据确定当前轮用户输入的应答,即,响应于对话模型输出的请求参数为空,对话模型的输出还包括用户输入的应答(非空)。
在步骤S230中,响应于请求参数非空,基于请求参数调用接口,以得到接口的返回结果。
在步骤S240中,基于历史对话数据和返回结果,生成用户输入对应的应答。
根据一些实施例,可以将历史对话数据和接口的返回结果输入上述对话模型,以得到对话模型输出的应答。应当理解,由于此时已获得接口的返回结果,不需要再次调用接口,因此对话模型本次输出的请求参数为空。
根据一些实施例,响应于请求参数为空,则可以直接基于历史对话数据生成用户输入对应的应答。例如,如上文所述,在将历史对话数据和预设的接口响应结果的缺省值输入对话模型后,若模型输出的请求参数为空,则将模型输出的应答作为用户输入对应的应答。
图3A、3B示出了根据本公开实施例的对话过程的示意图。
在图3A所示的对话过程中,历史对话数据为:
用户:北京明天天气怎么样?
模型:天气播报:北京明天小雨
用户:好的,多谢啦
将历史对话数据和接口返回结果的缺省值NULL输入对话模型310,对话模型310输出的接口请求参数为NULL,应答为“不客气的”。接口请求参数为NULL,表示不需要调用接口。应答“不客气的”即为当前轮用户输入“好的,多谢啦”的应答。
在图3B所示的对话过程中,历史对话数据为:
用户:明天天气怎么样?
模型:你想知道哪个城市的天气?
用户:北京
在步骤S321中,将历史对话数据和接口返回结果的缺省值NULL输入对话模型310。对话模型310输出的接口请求参数为“查天气(地点=[北京],时间=[明天])”,应答为NULL。接口请求参数不为空,表示需要调用接口。待调用的接口的接口名为“查天气”,请求参数为“地点=[北京],时间=[明天]”。
随后,在步骤S322中,调用接口“查天气”,得到接口返回结果为“北京明天小雨”。
随后,在步骤S323中,将历史对话数据和当前的接口返回结果“北京明天小雨”输入对话模型310。对话模型310输出的接口请求参数为NULL,应答为“天气播报:北京明天小雨”。该应答即为当前轮用户输入“北京”的应答。
根据本公开的实施例,还提供了一种对话模型的训练方法。该方法用于训练对话模型。经训练的对话模型可以用于确定用户输入的应答。
图4示出了根据本公开实施例的对话模型的训练方法400的流程图。方法400可以由服务器(例如图1中的服务器120)执行,也可以由客户端设备(例如图1中的客户端设备101-106)执行。如图4所示,方法400包括步骤S410-S440。
在步骤S410中,获取第一对话样本和第一对话样本的接口标注数据。第一对话样本包括用户的第一对话历史和第一对话历史的第一目标应答,接口标注数据包括用于响应第一对话历史的目标接口的目标请求参数。
在步骤S420中,将第一对话历史输入对话模型,以得到用于响应第一对话历史的预测接口的预测请求参数和第一对话历史的第一预测应答。
在步骤S430中,基于预测请求参数、目标请求参数、第一预测应答和第一目标应答,确定对话模型的第一损失值。
在步骤S440中,基于第一损失值,调整对话模型的参数。
根据本公开的实施例,对话模型除了能够输出应答之外,还可以输出待调用的接口的请求参数。基于请求参数的预测值和真实值以及应答的预测值和真实值,计算对话模型的损失值并调整模型参数,能够使对话模型学习到对话历史与接口请求参数、应答的对应关系,从而使模型能够与不同任务场景的接口对接,并准确生成相应场景的应答,提高了模型的通用性和准确性。
以下详细介绍方法400的各个步骤。
在步骤S410中,获取第一对话样本和第一对话样本的接口标注数据。
第一对话样本可以是特定任务场景下的任务型对话数据。特定任务场景例如可以是天气查询、航班预定等场景。
接口标注数据例如可以是按照预设的标注规范标注的。根据一些实施例,接口标注数据可以按照以下标注规范标注:
[API返回值1,API返回值2,…]=API名(
参数名1=[参数值1A,参数值1B,…],
参数名2=[参数值2A,参数值2B,…],
……
)
上述标注规范使用接口名来区分不同的接口。考虑到有些接口需要传入多个参数的情况,上述标注规范设置了多组参数,允许用户定义与当前接口名对应的每个参数名。考虑到了同一参数下可能会同时存在多个参数值的情况(例如查北京和天津天气,地点同时有北京和天津),上述标注规范使用列表来表示参数值。考虑到接口可能存在多个返回值的情况,上述标注规范使用列表来表示返回值。为了简化API的解析难度,返回值列表中的每个返回值都是自然语言表达。
按照上述标注规范,场景接口描述“查北京和天津今天的天气”的接口标注数据为“[北京晴转多云,天津小雨]=查天气(地点=[北京,天津],时间=[今天])”。场景接口描述“查询北京古北水镇门票价格和地址”的接口标注数据为“[成人票140元,北京市密云区古北口镇司马台村]=查询旅游景点(城市=[北京],景点名称=[古北水镇],目标=[门票价格,地址])”。
根据一些实施例,在步骤S420中,可以将第一对话历史和预设的缺省值输入对话模型,以得到对话模型输出的第一请求参数和第一应答,其中,缺省值指示当前未获得预测接口的返回结果。随后,基于第一请求参数和第一应答,确定预测请求参数和第一预测应答。
在本公开的实施例中,对话模型的输入字段包括对话历史和接口返回结果,输出字段包括接口调用参数和应答。由于当前尚未获得接口返回结果,因此将接口返回结果字段的值设置为缺省值。将第一对话历史和缺省值输入对话模型后,对话模型输出第一请求参数和第一应答。
根据一些实施例,上述“基于第一请求参数和第一应答,确定预测请求参数和第一预测应答”可以包括:响应于第一请求参数为空,将第一请求参数确定为预测请求参数,并且将第一应答确定为第一预测应答。
根据上述实施例,第一请求参数为空,表示在处理第一对话历史时不需要调用外部接口,因此,第一请求参数即为预测请求参数(NULL),相应的第一应答(非空)即为第一对话历史的第一预测应答。
根据一些实施例,上述“基于第一请求参数和第一应答,确定预测请求参数和第一预测应答”可以包括:响应于第一请求参数非空,基于第一请求参数调用预测接口,以得到预测接口的返回结果;将第一对话历史和所述返回结果输入对话模型,以得到对话模型输出的第二请求参数和第二应答。将第一请求参数确定为预测请求参数,并且将第二应答确定为第一预测应答。
根据上述实施例,第一请求参数非空,表示在处理第一对话历史时需要调用预测接口,该第一请求参数即为用于调用预测接口的预测请求参数。通过调用预测接口得到预测接口的返回结果后,将该返回结果与第一对话历史一并输入对话模型中,对话模型将输出第二请求参数和第二应答。此时,由于已经得到预测接口的调用结果,不再需要调用接口,因此第二请求参数为空,第二应答即为第一对话历史的第一预测应答。
在通过步骤S420得到第一对话历史的预测请求参数和第一预测应答后,在步骤S430中,基于预测请求参数、目标请求参数、第一预测应答和第一目标应答,确定对话模型的第一损失值。
可以理解,预测请求参数和第一预测应答为对话模型输出的预测值,目标请求参数和第一目标应答为真实值。
根据一些实施例,可以基于预测请求参数与目标请求参数的第一差异以及第一预测应答与第一目标应答的第二差异,确定对话模型的第一损失值。
根据一些实施例,第一损失值例如可以是预测请求参数与目标请求参数的第一交叉熵和第一预测应答与第一目标应答的第二交叉熵的加权和。
基于第一损失值,可以调整对话模型的参数。根据一些实施例,响应于第一损失值收敛或小于阈值,结束对话模型的训练过程,得到经训练的对话模型。
根据一些实施例,在基于步骤S410-S440对对话模型进行训练之前,可以基于第二对话样本对对话模型进行预训练。第二对话样本包括用户的第二对话历史和该第二对话历史的第二目标应答。
第二对话样本可以是通用的任务型对话数据。第二对话样本可以覆盖大量不同的任务型对话场景。利用第二对话样本对对话模型进行预训练,能够使对话模型学习到任务型对话的普遍规律,从而提高应答的准确性。
根据一些实施例,“基于第二对话样本对对话模型进行预训练包括”:将第二对话历史输入对话模型,以得到对话模型输出的第二对话历史的第二预测应答;基于第二预测应答和第二目标应答,确定对话模型的第二损失值;以及基于第二损失值,调整对话模型的参数。
根据上述实施例,在对话模型的预训练过程中,对话模型的输入字段仅包括对话历史,输出字段仅包括应答。对话模型的预训练过程不涉及接口标注。
利用第二对话样本对对话模型进行预训练,能够使对话模型学习到任务型对话的普遍规律,即,经过预训练的对话模型为通用的任务型对话模型。在通用任务型对话模型的基础上,进一步利用特定任务场景下的第一对话样本,基于步骤S410-S440对该对话模型进行微调。由此能够进一步提高对话模型针对特定任务场景的应答准确性。即,经过微调的对话模型可以是针对特定任务场景的任务型对话模型。需要说明的是,第一对话样本可以是多种特定任务场景下的任务型对话数据,相应地,微调后的对话模型能够实现多种任务场景的准确应答。
根据本公开的实施例,人工标注数据的成本很小,仅需要标注少量对话样本就能使对话模型达到较为理想的对话效果。并且,根据本公开的实施例训练对话模型,能够使对话模型具有较强的场景迁移能力。对于任意新任务场景,只需要对该场景下的少量对话进行标注,即可实现场景迁移。
图5示出了根据本公开一些实施例的对话模型的训练过程的示意图。
如图5所示,可以将通用对话模型510作为初始的对话模型。通用对话模型510可以是经过预训练(第一次预训练)的通用对话生成模型,例如GPT、BART、T5、PLATO等。
随后,利用第二对话样本,即,利用大量不同任务场景下的任务型对话数据,对通用对话模型510进行预训练(第二次预训练),得到通用任务型对话模型520。通用任务型对话模型520既保留了通用对话模型510中的语言特性和闲聊特性,又从第二对话样本中学习到了任务型对话的普遍规律,具有较强的通用性和普适性,能够针对不同的任务场景,生成较为准确的应答。
随后,利用第一对话样本,即,利用特定任务场景下的任务型对话数据,对通用任务型对话模型520进行微调,从而进一步提高对话模型对特定任务场景的应答能力。经过微调,可以得到特定场景任务型对话模型530。对话模型530能够实现针对特定任务场景的准确应答。对话模型530具有以下特点:
1、涵盖了中文语言本身特性,生成的系统答复很自然。
2、充分适配当前任务场景,能够学习到当前任务场景下的对话流程,知道何时需要调用外部接口,何时不需要调用外部接口。
3、在需要调用外部接口时,时能准确生成接口请求参数,并且根据接口返回结果准确生成系统应答。
4、涵盖了任务型对话的普遍规律,用户只需要标注当前任务场景下的少量对话样本就可以实现较好的效果。
5、干预能力强,当出现坏例(badcase)时,只需要针对性地标注几段对话就可以快速改进坏例的应答效果。
6、涵盖了闲聊特性,当用户在对话过程中进行闲聊,也能做到很好地应答。
根据本公开的实施例,还提供了一种对话装置。图6示出了根据本公开实施例的对话装置600的结构框图。如图6所示,装置600包括获取模块610、确定模块620、调用模块630和第一生成模块640。
获取模块610被配置为获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入。
确定模块620被配置为基于所述历史对话数据,确定用于响应所述用户输入的接口的请求参数。
调用模块630被配置为响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果。
第一生成模块640被配置为基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
根据本公开的实施例,基于用户的历史对话数据自动识别并调用相应的接口,并基于接口的返回结果生成应答,能够通过调用不同的接口实现针对不同任务场景的用户问询的应答,提高了任务型对话的应答准确性。
根据一些实施例,装置600还包括:第二生成模块,被配置为响应于所述请求参数为空,基于所述历史对话数据生成所述用户输入对应的应答。
根据一些实施例,所述确定模块620进一步被配置为:将所述历史对话数据和预设的缺省值输入经训练的对话模型,以得到所述对话模型的输出,其中,所述缺省值指示当前未获得所述接口的返回结果,所述输出包括所述请求参数。
根据一些实施例,响应于所述请求参数为空,所述输出还包括所述应答。
根据一些实施例,所述第一生成模块640进一步被配置为:将所述历史对话数据和所述返回结果输入所述对话模型,以得到所述对话模型输出的所述应答。
应当理解,图6中所示装置600的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应。由此,上面针对方法200描述的操作、特征和优点同样适用于装置600及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
根据本公开的实施例,提供了一种对话模型的训练装置。图7示出了根据本公开实施例的对话模型的训练装置700的结构框图。如图7所示,装置700包括获取模块710、预测模块720、确定模块730和调整模块740。
获取模块710被配置为获取第一对话样本和所述第一对话样本的接口标注数据,其中,所述第一对话样本包括用户的第一对话历史和所述第一对话历史的第一目标应答,所述接口标注数据包括用于响应所述第一对话历史的目标接口的目标请求参数。
预测模块720被配置为将所述第一对话历史输入所述对话模型,以得到用于响应所述第一对话历史的预测接口的预测请求参数和所述第一对话历史的第一预测应答。
确定模块730被配置为基于所述预测请求参数、所述目标请求参数、所述第一预测应答和所述第一目标应答,确定所述对话模型的第一损失值。
调整模块740被配置为基于所述第一损失值,调整所述对话模型的参数。
根据本公开的实施例,对话模型除了能够输出应答之外,还可以输出待调用的接口的请求参数。基于请求参数的预测值和真实值以及应答的预测值和真实值,计算对话模型的损失值并调整模型参数,能够使对话模型学习到对话历史与接口请求参数、应答的对应关系,从而使模型能够与不同任务场景的接口对接,并准确生成相应场景的应答,提高了模型的通用性和准确性。
根据一些实施例,预测模块720包括:第一预测单元,被配置为将所述第一对话历史和预设的缺省值输入所述对话模型,以得到所述对话模型输出的第一请求参数和第一应答,其中,所述缺省值指示当前未获得所述预测接口的返回结果;以及第一确定单元,被配置为基于所述第一请求参数和所述第一应答,确定所述预测请求参数和所述第一预测应答。
根据一些实施例,所述第一确定单元包括:第二确定单元,被配置为响应于所述第一请求参数为空,将所述第一请求参数确定为所述预测请求参数,并且将所述第一应答确定为所述第一预测应答。
根据一些实施例,所述第一确定单元包括:调用单元,被配置为响应于所述第一请求参数非空,基于所述第一请求参数调用所述预测接口,以得到所述预测接口的返回结果;第二预测单元,被配置为将所述第一对话历史和所述返回结果输入所述对话模型,以得到所述对话模型输出的第二请求参数和第二应答;以及第三确定单元,被配置为将所述第一请求参数确定为所述预测请求参数,并且将所述第二应答确定为所述第一预测应答。
根据一些实施例,装置700还包括:预训练模块,被配置为在所述获取第一对话样本和所述第一对话样本的接口标注数据之前,基于第二对话样本对所述对话模型进行预训练,其中,所述第二对话样本包括用户的第二对话历史和所述第二对话历史的第二目标应答。
根据一些实施例,所述预训练模块包括:第三预测单元,被配置为将所述第二对话历史输入所述对话模型,以得到所述对话模型输出的所述第二对话历史的第二预测应答;第四确定单元,被配置为基于所述第二预测应答和所述第二目标应答,确定所述对话模型的第二损失值;以及调整单元,被配置为基于所述第二损失值,调整所述对话模型的参数。
应当理解,图7中所示装置700的各个模块或单元可以与参考图4描述的方法400中的各个步骤相对应。由此,上面针对方法400描述的操作、特征和优点同样适用于装置700及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图6和图7描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,模块610-640和模块710-740中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器,该存储器存储有可被上述至少一个处理器执行的指令,该指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行本公开实施例的对话方法和/或对话模型的训练方法。
根据本公开的实施例,还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,该计算机指令用于使计算机执行本公开实施例的对话方法和/或对话模型的训练方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序指令,该计算机程序指令在被处理器执行时实现本公开实施例的对话方法和/或对话模型的训练方法。
参考图8,现将描述可以作为本公开的服务器或客户端的电子设备900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,个人数字助理、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8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备,输入单元806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807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808可以包括但不限于磁盘、光盘。通信单元809允许电子设备800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,例如蓝牙设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。
计算单元801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801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801执行上文所描述的各个方法和处理,例如方法200和方法400。例如,在一些实施例中,方法200和方法400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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的方法200和方法400的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200和方法400。
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)、互联网和区块链网络。
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,本公开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 (18)
1.一种对话模型的训练方法,包括:
获取第一对话样本和所述第一对话样本的接口标注数据,其中,所述第一对话样本包括用户的第一对话历史和所述第一对话历史的第一目标应答,所述接口标注数据包括用于响应所述第一对话历史的目标接口的目标请求参数;
将所述第一对话历史和预设的缺省值输入所述对话模型,以得到所述对话模型输出的第一请求参数和第一应答,其中,所述缺省值指示当前未获得用于响应所述第一对话历史的预测接口的返回结果;
响应于所述第一请求参数为空,将所述第一请求参数确定为所述预测接口的预测请求参数,并且将所述第一应答确定为所述第一对话历史的第一预测应答;
响应于所述第一请求参数非空:
基于所述第一请求参数调用所述预测接口,以得到所述预测接口的返回结果;
将所述第一对话历史和所述返回结果输入所述对话模型,以得到所述对话模型输出的第二请求参数和第二应答;以及
将所述第一请求参数确定为所述预测接口的预测请求参数,并且将所述第二应答确定为所述第一对话历史的第一预测应答;
基于所述预测请求参数、所述目标请求参数、所述第一预测应答和所述第一目标应答,确定所述对话模型的第一损失值;以及
基于所述第一损失值,调整所述对话模型的参数。
2.根据权利要求1所述的方法,还包括:
在所述获取第一对话样本和所述第一对话样本的接口标注数据之前,基于第二对话样本对所述对话模型进行预训练,其中,所述第二对话样本包括用户的第二对话历史和所述第二对话历史的第二目标应答。
3.根据权利要求2所述的方法,其中,所述基于第二对话样本对所述对话模型进行预训练包括:
将所述第二对话历史输入所述对话模型,以得到所述对话模型输出的所述第二对话历史的第二预测应答;
基于所述第二预测应答和所述第二目标应答,确定所述对话模型的第二损失值;以及
基于所述第二损失值,调整所述对话模型的参数。
4.一种对话方法,包括:
获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入;
基于所述历史对话数据,利用经训练的对话模型确定用于响应所述用户输入的接口的请求参数,其中,所述对话模型根据权利要求1-3中任一项所述的方法训练得出;
响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果;以及
基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
5.根据权利要求4所述的方法,还包括:
响应于所述请求参数为空,基于所述历史对话数据生成所述用户输入对应的应答。
6.根据权利要求4或5所述的方法,其中,所述基于所述历史对话数据,利用经训练的对话模型确定用于响应所述用户输入的接口的请求参数包括:
将所述历史对话数据和预设的缺省值输入经训练的对话模型,以得到所述对话模型的输出,其中,所述缺省值指示当前未获得所述接口的返回结果,所述输出包括所述请求参数。
7.根据权利要求6所述的方法,其中,响应于所述请求参数为空,所述输出还包括所述应答。
8.根据权利要求6所述的方法,其中,所述基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答包括:
将所述历史对话数据和所述返回结果输入所述对话模型,以得到所述对话模型输出的所述应答。
9.一种对话模型的训练装置,包括:
获取模块,被配置为获取第一对话样本和所述第一对话样本的接口标注数据,其中,所述第一对话样本包括用户的第一对话历史和所述第一对话历史的第一目标应答,所述接口标注数据包括用于响应所述第一对话历史的目标接口的目标请求参数;
预测模块,包括:
第一预测单元,被配置为将所述第一对话历史和预设的缺省值输入所述对话模型,以得到所述对话模型输出的第一请求参数和第一应答,其中,所述缺省值指示当前未获得用于响应所述第一对话历史的预测接口的返回结果;
第二确定单元,被配置为响应于所述第一请求参数为空,将所述第一请求参数确定为所述预测接口的预测请求参数,并且将所述第一应答确定为所述第一对话历史的第一预测应答;
调用单元,被配置为响应于所述第一请求参数非空,基于所述第一请求参数调用所述预测接口,以得到所述预测接口的返回结果;
第二预测单元,被配置为将所述第一对话历史和所述返回结果输入所述对话模型,以得到所述对话模型输出的第二请求参数和第二应答;以及
第三确定单元,被配置为将所述第一请求参数确定为所述预测请求参数,并且将所述第二应答确定为所述第一预测应答;
确定模块,被配置为基于所述预测请求参数、所述目标请求参数、所述第一预测应答和所述第一目标应答,确定所述对话模型的第一损失值;以及
调整模块,被配置为基于所述第一损失值,调整所述对话模型的参数。
10.根据权利要求9所述的装置,还包括:
预训练模块,被配置为在所述获取第一对话样本和所述第一对话样本的接口标注数据之前,基于第二对话样本对所述对话模型进行预训练,其中,所述第二对话样本包括用户的第二对话历史和所述第二对话历史的第二目标应答。
11.根据权利要求10所述的装置,其中,所述预训练模块包括:
第三预测单元,被配置为将所述第二对话历史输入所述对话模型,以得到所述对话模型输出的所述第二对话历史的第二预测应答;
第四确定单元,被配置为基于所述第二预测应答和所述第二目标应答,确定所述对话模型的第二损失值;以及
调整单元,被配置为基于所述第二损失值,调整所述对话模型的参数。
12.一种对话装置,包括:
获取模块,被配置为获取历史对话数据,其中,所述历史对话数据至少包括当前轮对话的用户输入;
确定模块,被配置为基于所述历史对话数据,利用经训练的对话模型确定用于响应所述用户输入的接口的请求参数,其中,所述对话模型根据权利要求9-11中任一项所述的装置训练得出;
调用模块,被配置为响应于所述请求参数非空,基于所述请求参数调用所述接口,以得到所述接口的返回结果;以及
第一生成模块,被配置为基于所述历史对话数据和所述返回结果,生成所述用户输入对应的应答。
13.根据权利要求12所述的装置,还包括:
第二生成模块,被配置为响应于所述请求参数为空,基于所述历史对话数据生成所述用户输入对应的应答。
14.根据权利要求12或13所述的装置,其中,所述确定模块进一步被配置为:
将所述历史对话数据和预设的缺省值输入经训练的对话模型,以得到所述对话模型的输出,其中,所述缺省值指示当前未获得所述接口的返回结果,所述输出包括所述请求参数。
15.根据权利要求14所述的装置,其中,响应于所述请求参数为空,所述输出还包括所述应答。
16.根据权利要求14所述的装置,其中,所述第一生成模块进一步被配置为:
将所述历史对话数据和所述返回结果输入所述对话模型,以得到所述对话模型输出的所述应答。
17.一种电子设备,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1-8中任一项所述的方法。
18.一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计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004041.7A CN116127035B (zh) | 2023-01-03 | 2023-01-03 | 对话方法、对话模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004041.7A CN116127035B (zh) | 2023-01-03 | 2023-01-03 | 对话方法、对话模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127035A CN116127035A (zh) | 2023-05-16 |
CN116127035B true CN116127035B (zh) | 2023-12-08 |
Family
ID=86302257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004041.7A Active CN116127035B (zh) | 2023-01-03 | 2023-01-03 | 对话方法、对话模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127035B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112065A (zh) * | 2023-08-30 | 2023-11-24 | 北京百度网讯科技有限公司 | 大模型插件调用方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108501A (zh) * | 2019-12-25 | 2020-05-05 | 深圳市优必选科技股份有限公司 | 一种基于上下文的多轮对话方法、装置、设备及存储介质 |
CN113010653A (zh) * | 2021-03-16 | 2021-06-22 | 支付宝(杭州)信息技术有限公司 | 一种对话策略模型训练、对话的方法和系统 |
CN113377931A (zh) * | 2020-03-09 | 2021-09-10 | 香港理工大学深圳研究院 | 一种交互式机器人的语言模型协作学习方法、系统及终端 |
CN113505198A (zh) * | 2021-07-09 | 2021-10-15 | 和美(深圳)信息技术股份有限公司 | 关键词驱动的生成式对话回复方法、装置及电子设备 |
CN114201589A (zh) * | 2020-09-17 | 2022-03-18 | 阿里巴巴集团控股有限公司 | 对话方法、装置、设备和存储介质 |
CN115017288A (zh) * | 2022-06-17 | 2022-09-06 | 平安科技(深圳)有限公司 | 模型训练方法、模型训练装置、设备及存储介质 |
CN115495568A (zh) * | 2022-11-17 | 2022-12-20 | 苏州浪潮智能科技有限公司 | 一种对话模型的训练方法及装置、对话响应方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201818237D0 (en) * | 2018-11-08 | 2018-12-26 | Polyal | A dialogue system, a dialogue method, a method of generating data for training a dialogue system, a system for generating data for training a dialogue system |
-
2023
- 2023-01-03 CN CN202310004041.7A patent/CN116127035B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108501A (zh) * | 2019-12-25 | 2020-05-05 | 深圳市优必选科技股份有限公司 | 一种基于上下文的多轮对话方法、装置、设备及存储介质 |
CN113377931A (zh) * | 2020-03-09 | 2021-09-10 | 香港理工大学深圳研究院 | 一种交互式机器人的语言模型协作学习方法、系统及终端 |
CN114201589A (zh) * | 2020-09-17 | 2022-03-18 | 阿里巴巴集团控股有限公司 | 对话方法、装置、设备和存储介质 |
CN113010653A (zh) * | 2021-03-16 | 2021-06-22 | 支付宝(杭州)信息技术有限公司 | 一种对话策略模型训练、对话的方法和系统 |
CN113505198A (zh) * | 2021-07-09 | 2021-10-15 | 和美(深圳)信息技术股份有限公司 | 关键词驱动的生成式对话回复方法、装置及电子设备 |
CN115017288A (zh) * | 2022-06-17 | 2022-09-06 | 平安科技(深圳)有限公司 | 模型训练方法、模型训练装置、设备及存储介质 |
CN115495568A (zh) * | 2022-11-17 | 2022-12-20 | 苏州浪潮智能科技有限公司 | 一种对话模型的训练方法及装置、对话响应方法及装置 |
Non-Patent Citations (2)
Title |
---|
Zhenxin Fu等.Query-to-Session Matching: Do NOT Forget History and Future during Response Selection for Multi-Turn Dialogue Systems.《CIKM '20: Proceedings of the 29th ACM International Conference on Information & Knowledge Management》.2020,全文. * |
任务型对话系统新领域适应策略研究;王晓露;《中国优秀硕士论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127035A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116303962B (zh) | 对话生成方法、深度学习模型的训练方法、装置和设备 | |
CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
CN116127035B (zh) | 对话方法、对话模型的训练方法及装置 | |
CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
CN114881170B (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
CN116152607A (zh) | 目标检测方法、训练目标检测模型的方法及装置 | |
CN115964462A (zh) | 对话内容处理方法、对话理解模型的训练方法和装置 | |
CN116361547A (zh) | 信息显示方法、装置、设备和介质 | |
CN113868453B (zh) | 对象推荐方法和装置 | |
CN114201043A (zh) | 内容交互的方法、装置、设备和介质 | |
CN112784912A (zh) | 图像识别方法及装置、神经网络模型的训练方法及装置 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
CN113722534B (zh) | 视频推荐方法和装置 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN115170536B (zh) | 图像检测方法、模型的训练方法和装置 | |
CN114120420B (zh) | 图像检测方法和装置 | |
CN114861675A (zh) | 用于语义识别的方法及装置、控制指令的生成方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |