CN116150339A - 对话方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供一种对话方法、装置、设备及存储介质，涉及人工智能技术领域，具体涉及人机交互、以及人机对话等技术领域，可应用于智能对话、智能客服、以及聊天机器人等场景下。具体实现方案包括：接收用户的会话信息；会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；根据会话内容的类型和识别模型之间的对应关系，确定每种类型的会话内容对应的目标识别模型；利用目标识别模型分别识别对应类型的会话内容，得到每种类型的会话内容的识别结果；根据至少两种类型的会话内容的识别结果，确定目标话术；展示目标话术。本公开可以提高对用户的询问的识别精准度。

Description

对话方法、装置、设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及人机交互、以及人机对话等技术领域，可应用于智能对话、智能客服、以及聊天机器人等场景下，尤其涉及一种对话方法、装置、设备及存储介质。

背景技术

随着计算机技术的不断发展，聊天机器人被广泛应用于各行各业。

目前聊天机器人可以获取用户的语音信息，并将该语音信息利用自动语音识别技术(automatic speech recognition，ASR)转换为文本，然后基于对文本的识别，理解用户的查询(query)，从而生成回复内容，并将回复内容通过从文本到语言(text to speech，TTS)技术将回复内容复述给用户。

但是，目前的聊天机器人可能无法充分理解用户的意图，无法精准回复用户的查询。

发明内容

本公开提供了一种对话方法、装置、设备及存储介质，能够对文本、语音、图片、以及视频等多模态的输入信息进行融合识别理解，充分理解用户意图，精准回复。

根据本公开的第一方面，提供了一种对话方法，该方法包括：接收用户的会话信息；会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；根据会话内容的类型和识别模型之间的对应关系，确定每种类型的会话内容对应的目标识别模型；利用目标识别模型分别识别对应类型的会话内容，得到每种类型的会话内容的识别结果；根据至少两种类型的会话内容的识别结果，确定目标话术；展示目标话术。

根据本公开的第二方面，提供了一种对话装置，该装置包括：获取模块，用于接收用户的会话信息；会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；处理模块，用于根据会话内容的类型和识别模型之间的对应关系，确定每种类型的会话内容对应的目标识别模型；利用目标识别模型分别识别对应类型的会话内容，得到每种类型的会话内容的识别结果；根据至少两种类型的会话内容的识别结果，确定目标话术；展示目标话术。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行根据第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。

本公开可以针对包括多种类型(例如文本、语音、图片、以及视频)会话内容的用户会话信息分别采用对应的目标识别模型进行识别和理解，得到对应于不同类型会话内容的识别结果，并结合不同类型会话内容的识别结果，确定出目标话术，向用户回复。与目前的文本识别或语音识别的方案相比，可以对多模态的输入信息(即包括多种类型会话内容的会话信息)分别采用对应的识别模型进行识别和理解，提高对不同类型的会话内容进行识别的准确性。并能够对不同类型会话内容对应的识别结果进行结合以得到目标话术，从而基于多种类型的会话内容充分理解用户意图，提高回复的话术的准确性，提升与用户交互的效率和用户体验。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例提供的对话方法的流程示意图；

图2为本公开实施例提供的对话方法的另一种流程示意图；

图3为本公开实施例提供的对话方法的另一种流程示意图；

图4为本公开实施例提供的对话方法的另一种流程示意图；

图5为本公开实施例提供的对话装置的组成示意图；

图6为本公开实施例提供的电子设备的组成示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

应当理解，在本公开各实施例中，字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

随着计算机技术的不断发展，聊天机器人被广泛应用于各行各业。

目前聊天机器人可以获取用户的语音信息，并将该语音信息利用自动语音识别技术(automatic speech recognition，ASR)转换为文本，然后基于对文本的识别，理解用户的查询(query)，从而生成回复内容，并将回复内容通过从文本到语言(text to speech，TTS)技术将回复内容复述给用户。

但是，目前的聊天机器人可能仅局限于文字和语音的识别，无法充分理解用户的意图，无法精准回复用户的查询。

在此基础上，本公开提供了一种对话方法，可以通过对用户输入的多模态的会话信息(即包括至少两种会话内容的会话信息)进行识别，充分理解用户的查询(query)意图，提高回复话术的精准度。

本公开实施例提供的对话方法的执行主体可以是计算机或服务器，或者还可以是其他具有数据处理能力的电子设备；或者，该方法的执行主体也可以是上述电子设备中的处理器(例如中央处理器(central processing unit，CPU))；再或者，该方法的执行主体还可以是上述电子设备中安装的提供对话功能的应用程序(application，APP)；又或者，该方法的执行主体又可以是上述电子设备中具有对话功能的功能模块或单元等。在此对该方法的执行主体不作限制。

一些实施例中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集群。部分实施方式中，服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。

下面结合附图对该对话方法进行示例性说明。

图1为本公开实施例提供的对话方法的流程示意图。如图1所示，该方法可以包括：

S101、接收用户的会话信息。

其中，会话信息可以包括以下至少两种类型的会话内容：文本、语音、图片、以及视频。

例如，执行该方法的执行主体可以是聊天机器人服务器，该聊天机器人服务器可以与用户设备(例如手机、平板电脑、或者笔记本电脑等)通过有线网络或无线网络连接，用户设备中可以显示有聊天对话窗口，用户设备可以通过鼠标、键盘、或者触控显示屏等接收用户输入的会话信息，并将该会话信息通过上述有线或无线网络发送至聊天机器人服务器，在这种情况下，上述S101可以具体包括：接收用户设备发送的该用户的会话信息。

S102、根据会话内容的类型和识别模型之间的对应关系，确定每种类型的会话内容对应的目标识别模型。

即基于会话内容的类型和识别模型之间的对应关系，为接收到的用户的会话信息中包括的每种类型的会话内容匹配对应的目标识别模型。

其中，会话内容的类型和识别模型之间的对应关系中，会话内容的类型和识别模型可以一一对应。识别模型用于接收输入的对应类型的会话内容后识别出该类型的会话内容的识别结果。

示例性地，会话内容的类型和识别模型之间的对应关系可以如下述表1所示。

表1

会话内容的类型	识别模型
		文本	识别模型1
语音	识别模型2
		图片	识别模型3
视频	识别模型4

如表1所示，该表包括会话内容的类型项和识别模型项。其中，会话内容的类型项包括：文本、语音、图片、以及视频。识别模型项包括识别模型1、识别模型2、识别模型3、以及识别模型4。文本和识别模型1之间具有对应关系；语音和识别模型2之间具有对应关系；图片和识别模型3之间具有对应关系；视频和识别模型4之间具有对应关系。

例如，聊天机器人可以以会话内容的类型为索引，遍历会话内容的类型和识别模型之间的对应关系，将会话内容的类型和识别模型之间的对应关系中，与待查询的会话内容的类型对应的识别模型确定为该会话内容的类型的目标识别模型。

示例性地，以视频类型对应的识别模型为视频识别模型为例，视频识别模型可以具体包括视频分类模型、视频目标捕捉模型、以及视频流模型等。

视频分类模型，可以将不同的视频数据按照其内容进行分类，通常在处理大量视频数据分类任务时，使用基于机器学习的分类模型根据视频图像帧进行分类，例如，分析视频的内容，识别出视频内人体做出的动作、或者物体/环境发生的变化等。

视频目标捕捉模型，基于视频的最优目标捕捉方法，从视频中获取一帧图像，包括至少一个待捕捉目标，提取该待捕捉目标的基础特征，进而提取多个属性特征，将多个属性特征进行融合，得到融合属性特征，通过预构建评分函数对其进行质量评分，输出质量分数，不断重复直到视频的最后一帧图像，根据多帧图像的多个质量分分数，选出质量分数最高的一帧图像作为视频的最优目标，以供后续业务场景高效实用。

视频流模型，视频结构化最常见的流程包括目标检测、目标分类(属性识别)、目标跟踪、目标行为分析，而视频结构化是一个数据流式的处理过程，通过利用视频的连续性将视频中目标的运动轨迹进行跟踪处理并进行行为分析。

S103、利用目标识别模型分别识别对应类型的会话内容，得到每种类型的会话内容的识别结果。

如此，能够根据会话内容的类型，对不同类型的会话内容通过对应的识别模型进行识别得到识别结果，从而提高对会话内容进行识别的准确性，进而提高根据识别结果确定的目标会话的准确性，提高用户体验。

可选地，获取的会话信息可以同时包括多种类型的会话内容。在这种情况下，以会话信息包括第一会话内容和第二会话内容，第一会话内容和第二会话内容的类型不同，会话内容的识别结果包括第一识别结果和第二识别结果为例，上述步骤可以具体包括以下步骤1至步骤4：

步骤1、根据会话内容的类型和识别模型之间的对应关系、以及第一会话内容的类型，确定第一会话内容对应的第一目标识别模型。

步骤2、根据会话内容的类型和识别模型之间的对应关系、以及第二会话内容的类型，确定第二会话内容对应的第二目标识别模型。

步骤3、利用第一目标识别模型识别第一会话内容，确定第一识别结果。

步骤4、利用第二目标识别模型识别第二会话内容，确定第二识别结果。

需要说明的是，上述以第一会话内容和第二会话内容两种会话内容为例进行了说明，可选地，获取的会话信息还可以包括更多类型的会话内容。本公开实施例对此不作限制。更多类型的会话内容的识别过程可以参照上述步骤1至步骤4的描述，不再赘述。

如此，能够通过对应于不同类型的会话内容的识别模型来对包括多种类型的会话内容的会话信息进行识别。从而得到多个识别结果，便于后续根据多个识别结果进行融合处理，得到对应的目标话术，从而实现对用户输入的多模态的会话信息进行识别，向用户回复目标会话的功能。

其中，会话内容的识别结果可以通过文本的方式表达，该识别结果可以包括多个字段。通常，识别结果可以是对会话内容进行识别得到的文本信息。

例如，以会话信息包括图片类会话内容为例，则可以通过相应的识别模型对图片类会话内容进行识别，从而得到对应的文本字段(即识别结果)。通过该文本字段能够描述对应的图片类会话内容。从而，便于后续根据该文本字段确定相应的目标话术。

又例如，以会话信息包括语音类会话内容为例，则可以通过相应的识别模型对语音类会话内容进行识别，从而得到对应的文本字段(即识别结果)。通过该文本字段能够描述对应的语音类会话内容。从而，便于后续根据该文本字段确定相应的目标话术。

S104、根据至少两种类型的会话内容的识别结果，确定目标话术。

示例地，可以预设识别结果和话术之间的对应关系，然后根据识别结果，按照识别结果和话术间的对应关系，查询确定各识别结果匹配的话术，然后将匹配得到的各话术结合得到最终的目标话术。

可选地，当识别结果以文本字段的形式表达时，还可以预设字段和话术之间的对应关系。然后根据识别结果中包括的各文本字段，分别按照字段和话术之间的对应关系，查询确定各字段匹配的话术，然后将识别结果包含的所有文本字段分别对应的话术进行结合，确定出目标话术回复给用户。

S105、展示目标话术。

本公开实施例提供的对话方法，可以针对包括多种类型(例如文本、语音、图片、以及视频)会话内容的用户会话信息分别采用对应的目标识别模型进行识别和理解，得到对应于不同类型会话内容的识别结果，并结合不同类型会话内容的识别结果，确定出目标话术，向用户回复。与目前的文本识别或语音识别的方案相比，可以对多模态的输入信息(即包括多种类型会话内容的会话信息)分别采用对应的识别模型进行识别和理解，提高对不同类型的会话内容进行识别的准确性。并能够对不同类型会话内容对应的识别结果进行结合以得到目标话术，从而基于多种类型的会话内容充分理解用户意图，提高回复的话术的准确性，提升与用户交互的效率和用户体验。

一种可能的实现方式中，图2为本公开实施例提供的对话方法的另一种流程示意图，如图2所示，根据至少两种类型的会话内容的识别结果，确定目标话术，可以具体包括S201和S202。

S201、对至少两种类型的会话内容的识别结果中的字段进行融合，得到目标字段。

示例地，对每种类型的会话内容的识别结果中的字段进行融合的方式，可以是将所有字段中出现频率最高的字段作为目标字段。也可以是将不同识别结果对应的字段作为一个集合，取各集合的交集，将交集中的字段作为目标字段，此处不做限制。

S202、根据预设字段和预设话术的对应关系，从预设话术中确定与目标字段匹配的目标话术。

其中，预设字段和预设话术之间的对应关系中，每个预设话术可以对应一个或多个预设字段。

示例性地，预设字段和预设话术之间的对应关系可以如下述表2所示。

表2

预设字段	预设话术
		字段1	话术1
字段2	话术2
		字段3	话术2

如表2所示，该表中可以包括预设字段项和预设话术项。其中，预设字段项可以包括字段1、字段2、以及字段3。预设话术项可以包括话术1、话术2、以及话术2。字段1和话术1之间具有对应关系；字段2和话术2之间具有对应关系；字段3和话术2之间具有对应关系。

如此，能够根据不同类型的会话内容的识别结果中的字段，对各识别结果进行融合，然后根据融合后得到的目标字段来确定目标话术，从而能够充分的对不同类型会话内容进行融合理解，提高对用户输入的会话信息的理解度，提高得到的目标话术的准确性。

一种可能的实现方式中，对至少两种类型的会话内容的识别结果中的字段进行融合，得到目标字段，如图3所示可以包括：

S301、获取每种类型的会话内容的识别结果中的字段。

S302、对至少两种类型的会话内容的识别结果中的字段取交集，得到目标字段。

可选地，当得到的目标字段仅包括一个字段时，可以以该目标字段为索引，遍历预设字段和预设话术之间的对应关系，将预设字段和预设话术之间的对应关系中，该目标字段对应的预设话术确定为目标话术。

可选地，当得到的目标字段包括多个字段时，可以分别确定出该多个字段各自对应的预设话术，然后将该多个字段各自对应的预设话术确定为目标话术。

如此，能够通过对各类型的会话内容的识别结果中的字段取交集的方式，确定出各类型的会话内容的识别结果均包括的字段，从而根据该字段确定出的目标话术能够更加充分的结合各识别结果，更加准确。

另一种可能的实现方式中，根据至少两种类型的会话内容的识别结果，确定目标话术，如图4所示，可以包括：

S401、获取每种类型的会话内容的识别结果中的字段。

S402、根据预设字段和预设话术的对应关系，从预设话术中确定与至少两种类型的会话内容的识别结果中的每个字段分别匹配的待选话术。

S403、对所有的待选话术进行融合，得到目标话术。

其中，预设字段和预设话术的对应关系，以及根据该对应关系确定字段对应的话术(即上述的待选话术)的方式，可以参考前述表2相关描述，此处不做赘述。

示例地，对所有待选话术进行融合的方式，可以是将所有待选话术中出现频率最高的话术作为目标话术。或者，以各字段对应的待选话术分别作为一个集合，然后取各集合的交集，将交集中的待选话术作为目标话术。

如此，能够直接对各识别结果中的字段对应的话术进行融合，从而确定出目标话术，能够充分的对不同类型会话内容进行融合理解，提高对用户输入的会话信息的理解度，提高得到的目标话术的准确性。

可选地，对所有的待选话术进行融合，得到目标话术，可以包括：对所有的待选话术取交集，得到目标话术。

即以各字段对应的待选话术分别作为一个集合，然后取各集合的交集，将交集中的待选话术作为目标话术。

如此，能够通过取待选话术的交集的方式，确定出与不同识别结果的字段均可匹配的话术，以该话术作为目标话术，能够使目标话术更加充分的结合各识别结果，更加准确。

可选地，基于前述实施方式，得到的目标话术可以包括多个，因此目标话术包括至少两个时，展示目标话术可以包括：

根据用户的历史会话记录中的上下文内容，从至少两个目标话术中确定与上下文内容相关的一个进行展示。

其中，与上下文内容相关可以是与上下文内容相同，或相似。

示例性地，以历史会话记录中包括话术A、话术B、以及话术C为例，假设确定出来的目标话术包括话术A，话术D，话术A在历史会话记录中出现过，则可以将该话术A作为目标话术。

如此，能够在确定出多个目标话术时，可以利用用户的历史会话记录来对该多个目标话术进行筛选，筛选出在历史会话记录中曾经出现过的话术进行展示，筛选出来的目标话术更加符合用户的实际需要，从而提高了展示的目标话术的准确性，提高了用户体验。

一些可能的实施例中，该方法还可以包括以下几个步骤：

步骤1、向服务器发送会话信息的每种类型的会话内容的识别结果。

其中，步骤1中的服务器可以是上述聊天机器人服务器和用户设备之外的第三方服务器。

步骤2、接收服务器发送的推荐信息。

其中，推荐信息与会话内容的识别结果相关。该推荐信息可以是服务器接收到识别结果之后，根据该识别结果检索预设的产品库之后确定的产品信息。

步骤3、展示会话评价界面。

步骤4、响应于用户对评价界面中多个评价选项中的任意一个评价选项的触发操作，展示预设信息和推荐信息。

例如，预设信息可以是感谢用语。

如此，能够根据识别结果通过服务器向用户进行产品推荐，提升用户体验。

一些可能的实施例中，在上述S101之前，该方法还可以包括：获取识别模型。

一种可能的实现方式中，聊天机器人服务器可以直接获取训练完成的识别模型。

例如，聊天机器人可以通过有线或无线网络，或者中间存储介质从其他服务器中获取训练完成的识别模型。

另一种可能的实现方式中，聊天机器服务器还可以对初始模型进行训练得到训练完成的识别模型。

训练的具体过程可以参照相关技术中利用带有标签的训练样本进行训练，不再赘述。

需要说明的是，本公开实施例提供的对话方法可以应用于多种场景。

例如，在通信行业，用户可以通过多模态交互咨询宽带安装和维修等业务，进而引导用户参与相关活动，提升交互效率并拓宽业务引流渠道。

再例如，在汽车及保险行业，用户可以在日常生活中通过多模态交互咨询感兴趣的汽车品牌，进而可以通过用户画像向用户进行汽车推荐，其次可以联动车险、维修等行业，通过多模态定损理赔简化处理流程，引导定点维修，实现一站式服务，节省人力资源。

示例性地，在汽车品牌咨询场景下，聊天机器人可以获取用户发送的汽车图片，并对汽车图片进行识别，识别出汽车图片中的汽车的型号、年份、以及车身颜色等识别结果后，聊天机器人可以根据该识别结果确定对应的目标会话(如包括汽车的型号、年份、车身颜色等信息的会话内容)并反馈给用户。

示例性地，在保险咨询场景下，聊天机器人可以接收用户发送的视频，并对视频进行识别，识别出视频中汽车损伤的零部件和损伤类别识别结果后，聊天机器人可以根据该识别结果确定对应的目标会话(如包含损伤零部件、损伤类别以及理赔相关内容的会话内容)并反馈给用户。

又例如，在电商行业，用户可以采用多模态交互方式表达购物需求或待解决的问题，进而平台可以根据多模态综合分析结果抽取用户需求属性，从而高效理解用户购物所遇到的问题，快速定向并解决问题。

上述主要从方法的角度对本公开实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术目标应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术目标可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在示例性实施例中，本公开实施例还提供一种对话装置，可以用于实现如前述实施例的对话方法。图5为本公开实施例提供的对话装置的组成示意图。如图5所示，该装置可以包括：获取模块501和处理模块502。

获取模块501，用于接收用户的会话信息；会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；

处理模块502，用于根据会话内容的类型和识别模型之间的对应关系，确定每种类型的会话内容对应的目标识别模型；利用目标识别模型分别识别对应类型的会话内容，得到每种类型的会话内容的识别结果；根据至少两种类型的会话内容的识别结果，确定目标话术；展示目标话术。

一些可能的实施例中，处理模块502，具体用于对至少两种类型的会话内容的识别结果中的字段进行融合，得到目标字段；根据预设字段和预设话术的对应关系，从预设话术中确定与目标字段匹配的目标话术。

一些可能的实施例中，处理模块502，具体用于获取每种类型的会话内容的识别结果中的字段；对至少两种类型的会话内容的识别结果中的字段取交集，得到目标字段。

一些可能的实施例中，处理模块502，具体用于获取每种类型的会话内容的识别结果中的字段；根据预设字段和预设话术的对应关系，从预设话术中确定与至少两种类型的会话内容的识别结果中的每个字段分别匹配的待选话术；对所有的待选话术进行融合，得到目标话术。

一些可能的实施例中，处理模块502，具体用于对所有的待选话术取交集，得到目标话术。

一些可能的实施例中，目标话术包括至少两个，处理模块502，具体用于根据用户的历史会话记录中的上下文内容，从至少两个目标话术中确定与上下文内容相关的一个进行展示。

一些可能的实施例中，处理模块502，还用于向服务器发送会话信息的每种类型的会话内容的识别结果；

获取模块501，还用于接收服务器发送的推荐信息；推荐信息与会话内容的识别结果相关；

处理模块502，还用于展示会话评价界面；会话评价界面包括多个评价选项；响应于用户对多个评价选项中的任意一个评价选项的触发操作，展示预设信息和推荐信息。

需要说明的是，图5中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，还可以将两个或两个以上的功能集成在一个处理模块中。本公开实施例对此不作限制。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

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。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

示例性实施例中，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如以上实施例所述的方法。该电子设备可以是上述计算机或服务器。

示例性实施例中，可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行根据以上实施例所述的方法。

示例性实施例中，计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据以上实施例所述的方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元606，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如对话方法。例如，在一些实施例中，对话方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的对话方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对话方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种对话方法，其特征在于，所述方法包括：

接收用户的会话信息；所述会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；

根据会话内容的类型和识别模型之间的对应关系，确定每种类型的所述会话内容对应的目标识别模型；

利用所述目标识别模型分别识别对应类型的所述会话内容，得到每种类型的所述会话内容的识别结果；

根据所述至少两种类型的所述会话内容的识别结果，确定目标话术；

展示所述目标话术。

2.根据权利要求1所述的方法，其特征在于，所述根据所述至少两种类型的所述会话内容的识别结果，确定目标话术，包括：

对所述至少两种类型的所述会话内容的识别结果中的字段进行融合，得到目标字段；

根据预设字段和预设话术的对应关系，从所述预设话术中确定与所述目标字段匹配的目标话术。

3.根据权利要求2所述的方法，其特征在于，所述对所述至少两种类型的所述会话内容的识别结果中的字段进行融合，得到目标字段，包括：

获取每种类型的所述会话内容的识别结果中的字段；

对所述至少两种类型的所述会话内容的识别结果中的字段取交集，得到所述目标字段。

4.根据权利要求1所述的方法，其特征在于，所述根据所述至少两种类型的所述会话内容的识别结果，确定目标话术，包括：

获取每种类型的所述会话内容的识别结果中的字段；

根据预设字段和预设话术的对应关系，从所述预设话术中确定与所述至少两种类型的所述会话内容的识别结果中的每个字段分别匹配的待选话术；

对所有的所述待选话术进行融合，得到所述目标话术。

5.根据权利要求4所述的方法，其特征在于，所述对所有的所述待选话术进行融合，得到所述目标话术，包括：

对所有的所述待选话术取交集，得到所述目标话术。

6.根据权利要求1所述的方法，其特征在于，所述目标话术包括至少两个，所述展示所述目标话术包括：

根据所述用户的历史会话记录中的上下文内容，从至少两个所述目标话术中确定与所述上下文内容相关的一个进行展示。

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：

向服务器发送所述会话信息的每种类型的所述会话内容的识别结果；

接收所述服务器发送的推荐信息；所述推荐信息与所述会话内容的识别结果相关；

展示会话评价界面；所述会话评价界面包括多个评价选项；

响应于所述用户对所述多个评价选项中的任意一个评价选项的触发操作，展示预设信息和所述推荐信息。

8.一种对话装置，其特征在于，所述装置包括：

获取模块，接收用户的会话信息；所述会话信息包括以下至少两种类型的会话内容：文本、语音、图片、以及视频；

处理模块，用于根据会话内容的类型和识别模型之间的对应关系，确定每种类型的所述会话内容对应的目标识别模型；利用所述目标识别模型分别识别对应类型的所述会话内容，得到每种类型的所述会话内容的识别结果；根据所述至少两种类型的所述会话内容的识别结果，确定目标话术；展示所述目标话术。

9.根据权利要求8所述的装置，其特征在于，所述处理模块，具体用于对所述至少两种类型的所述会话内容的识别结果中的字段进行融合，得到目标字段；根据预设字段和预设话术的对应关系，从所述预设话术中确定与所述目标字段匹配的目标话术。

10.根据权利要求9所述的装置，其特征在于，所述处理模块，具体用于获取每种类型的所述会话内容的识别结果中的字段；对所述至少两种类型的所述会话内容的识别结果中的字段取交集，得到所述目标字段。

11.根据权利要求8所述的装置，其特征在于，所述处理模块，具体用于获取每种类型的所述会话内容的识别结果中的字段；根据预设字段和预设话术的对应关系，从所述预设话术中确定与所述至少两种类型的所述会话内容的识别结果中的每个字段分别匹配的待选话术；对所有的所述待选话术进行融合，得到所述目标话术。

12.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于对所有的所述待选话术取交集，得到所述目标话术。

13.根据权利要求8所述的装置，其特征在于，所述目标话术包括至少两个，所述处理模块，具体用于根据所述用户的历史会话记录中的上下文内容，从至少两个所述目标话术中确定与所述上下文内容相关的一个进行展示。

14.根据权利要求8所述的装置，其特征在于，所述处理模块，还用于向服务器发送所述会话信息的每种类型的所述会话内容的识别结果；

所述获取模块，还用于接收所述服务器发送的推荐信息；所述推荐信息与所述会话内容的识别结果相关；

所述处理模块，还用于展示会话评价界面；所述会话评价界面包括多个评价选项；响应于所述用户对所述多个评价选项中的任意一个评价选项的触发操作，展示预设信息和所述推荐信息。

15.一种电子设备，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1-7任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行根据权利要求1-7任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-7任一项所述的方法。

Images