CN116303962B - 对话生成方法、深度学习模型的训练方法、装置和设备 - Google Patents
对话生成方法、深度学习模型的训练方法、装置和设备 Download PDFInfo
- Publication number
- CN116303962B CN116303962B CN202310280513.1A CN202310280513A CN116303962B CN 116303962 B CN116303962 B CN 116303962B CN 202310280513 A CN202310280513 A CN 202310280513A CN 116303962 B CN116303962 B CN 116303962B
- Authority
- CN
- China
- Prior art keywords
- sample
- knowledge
- dialogue
- text
- deep learning
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012549 training Methods 0.000 title claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 33
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 241000065610 Cotinus Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 125000003118 aryl group Chemical group 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000208140 Acer Species 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 235000007173 Abies balsamea Nutrition 0.000 description 1
- 239000004857 Balsam Substances 0.000 description 1
- 244000018716 Impatiens biflora Species 0.000 description 1
- 240000000275 Persicaria hydropiper Species 0.000 description 1
- 235000017337 Persicaria hydropiper Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 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
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 238000003062 neural network model Methods 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
- 238000010998 test method Methods 0.000 description 1
- 239000013598 vector 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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种对话生成方法、深度学习模型的训练方法、装置和设备，涉及人工智能领域，具体涉及自然语言处理、深度学习技术、计算机视觉等领域。对话生成方法包括：获取第一对话上文，第一对话上文包含闲聊内容；确定与第一对话上文对应的第一提示文本，其中，响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复，第一提示文本包括指示深度学习模型生成包含知识内容的针对第一对话上文的对话回复的意图表示；以及将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复。
Description
技术领域
本公开涉及人工智能领域，具体涉及自然语言处理和深度学习等技术领域，特别涉及一种对话生成方法、深度学习模型的训练方法、对话生成装置、深度学习模型的训练装置、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、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在一些对话场景中，用户希望与对话系统围绕某些主题进行基于知识的对话，因此需要对话系统需要具备丰富的知识储备，才能进行基于知识的人机对话。
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生成方法、深度学习模型的训练方法、对话生成装置、深度学习模型的训练装置、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，提供了一种对话生成方法，包括：获取第一对话上文，第一对话上文包含闲聊内容；确定与第一对话上文对应的第一提示文本，其中，响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复，第一提示文本包括指示深度学习模型生成包含知识内容的针对第一对话上文的对话回复的意图表示；以及将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复。
根据本公开的另一方面，提供了一种用于对话生成的深度学习模型的训练方法，包括：获取知识对话样本，知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对第一样本对话上文的第一样本对话回复；确定与第一样本对话上文对应的第一样本提示文本，第一样本提示文本包括指示深度学习模型生成包含知识内容的针对第一样本对话上文的对话回复的意图表示；将第一样本对话上文和第一样本提示文本输入深度学习模型，以获得第一预测回复；以及基于第一样本对话回复和第一预测回复，调整深度学习模型的参数，以得到训练后的深度学习模型。
根据本公开的另一方面，提供了一种对话生成装置，包括：第一获取单元，被配置为获取第一对话上文，第一对话上文包含闲聊内容；第一确定单元，被配置为确定与第一对话上文对应的第一提示文本，其中，响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复，第一提示文本包括指示深度学习模型生成包含知识内容的针对第一对话上文的对话回复的意图表示；以及第二获取单元，被配置为将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复。
根据本公开的另一方面，提供了一种用于对话生成的深度学习模型的训练装置，包括：第四获取单元，被配置为获取知识对话样本，知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对第一样本对话上文的第一样本对话回复；第五确定单元，被配置为确定与第一样本对话上文对应的第一样本提示文本，第一样本提示文本包括指示深度学习模型生成包含知识内容的针对第一样本对话上文的对话回复的意图表示；第五获取单元，被配置为将第一样本对话上文和第一样本提示文本输入深度学习模型，以获得第一预测回复；以及第一调参单元，被配置为基于第一样本对话回复和第一预测回复，调整深度学习模型的参数，以得到训练后的深度学习模型。
根据本公开的另一方面，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，这些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上述方法。
根据本公开的另一方面，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，计算机指令用于使计算机执行上述方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例，通过使用提示文本，显式地提示深度学习模型针对包含闲聊内容的对话上文生成包含知识内容的回复，使得用于对话生成的深度学习模型生成知识类型的对话回复，提升了对话回复的内容丰富度。
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示出了根据本公开的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示出了根据本公开示例性实施例的对话生成方法的流程图；
图3示出了根据本公开示例性实施例的对话生成方法的流程图；
图4示出了根据本公开示例性实施例的深度学习模型的训练方法的流程图；
图5示出了根据本公开示例性实施例的深度学习模型的训练方法的流程图；
图6示出了根据本公开示例性实施例的深度学习模型的训练方法的流程图；
图7示出了根据本公开示例性实施例的获取知识对话样本的流程图；
图8示出了根据本公开示例性实施例的检索得到第一样本知识文本的流程图；
图9示出了根据本公开示例性实施例的深度学习模型的训练方法的流程图；
图10示出了根据本公开示例性实施例的对话生成装置的结构框图；
图11示出了根据本公开示例性实施例的深度学习模型的训练装置的结构框图；以及
图12示出了能够用于实现本公开的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元件与另一元件区分开。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。
相关技术中，针对用户的闲聊内容，已有的对话生成模型通常仅能回复闲聊内容，而并非知识性的内容。
为解决上述问题，本公开通过使用提示文本，显式地提示深度学习模型针对包含闲聊内容的对话上文生成包含知识内容的回复，使得用于对话生成的深度学习模型生成知识类型的对话回复，提升了对话回复的内容丰富度。
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生成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还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。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)网络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。
用户可以使用客户端设备101、102、103、104、105和/或106来进行人机交互。客户端设备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、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(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile 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、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)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使用的数据存储库可以在服务器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使用的数据库可以是数据库，例如关系数据库。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。
根据本公开的一方面，提供了一种对话生成方法。如图2所示，对话生成方法包括：步骤S201、获取第一对话上文，第一对话上文包含闲聊内容；步骤S202、确定与第一对话上文对应的第一提示文本，其中，响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复，第一提示文本包括指示深度学习模型生成包含知识内容的针对第一对话上文的对话回复的意图表示；以及步骤S203、将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复。
由此，通过使用提示文本，显式地提示深度学习模型针对包含闲聊内容的对话上文生成包含知识内容的回复，使得用于对话生成的深度学习模型生成知识类型的对话回复，提升了对话回复的内容丰富度。
在一些实施例中，本公开中所使用的深度学习模型具有端到端的特性，能够基于输入的内容直接生成回复数据。换句话说，深度学习模型本身具有生成功能。此外，部署本公开描述的深度学习模型的系统可以被称为智能系统、对话系统或智能对话系统。智能系统中还可以包括交互模块，用于接收来自用户的输入数据并将最终生成的回复提供给用户。
深度学习模型例如可以采用具有编码器(Encoder)和解码器(Decoder)的N层Transformer网络结构，或者是统一预训练语言模型(Unified pre-trained LanguageModel，UniLM)网络结构。可以理解的是，深度学习模型还可以是其他的基于Transformer网络结构的深度学习模型(或神经网络模型)，在此不作限定。深度学习模型的输入和输出均是由令符(token)构成的，每一个令符可以对应一个单字、字符、词、或特殊符号。
可以理解的是，在本公开的对话生成方法中所使用的深度学习模型可以是利用本公开中描述的深度学习模型的训练方法进行训练得到的。
在一些实施例中，第一对话上文可以是来自用户的输入数据，例如可以是用户对智能系统的输入，并且可以包括文本输入、语音输入、图像输入等。可以理解的是，用户的输入数据还可以具有其他的数据形式，在此不作限定。第一对话上文中可以包括闲聊内容。“闲聊内容”可以理解为不包含知识内容的对话内容。在一个示例性实施例中，包含闲聊内容的第一对话上文例如可以为“时间过得真快，都到秋天了”。
在步骤S201之后，在获取到第一对话上文后，可以判断深度学习模型基于该第一对话上文生成的对话回复是否需要包含知识内容。在一些实施例中，可以基于本方法的应用场景、基于用户输入的第一对话上文、基于与用户的对话历史或其他上下文信息确定深度学习模型是否需要生成包含知识内容的对话回复。在一个示例性实施例中，应用场景为用于百科类网站或应用程序的对话系统，或者与用户的对话历史中具有包含知识内容的对话内容，则可以确定深度学习模型基于对应的第一对话上文需要生成包含知识内容的对话回复。
上述这样的在使用深度学习模型之前进行判断的方法可以称为先验方法，下文将对在使用深度学习模型的过程中进行判断的后验方法进行说明。
在步骤S202生成的第一提示文本包括指示深度学习模型生成包含知识内容的对话回复的意图表示。在一些实施例中，第一提示文本可以通过自然语言的形式以体现这样的意图表示。例如，第一提示文本可以包括“知识对话”或“知识回复”，以使得深度学习模型能够基于这样的提示以生成包含知识内容的回复。
根据一些实施例，步骤S202、确定与第一对话上文对应的第一提示文本可以包括：响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的回复，将知识对话任务填入预设的提示文本模板中的任务槽，以得到第一提示文本，其中，提示文本模板使用自然语言提示深度学习模型需要执行任务槽中填入的任务，知识对话任务提示深度学习模型生成包含知识内容的对话回复。
由此，通过使用带有任务槽的提示文本模板，使得深度学习模型能够通过提示文本显式区分需要执行的任务，从而使得深度学习模型能够生成更符合相应的需求的内容。
在一个示例性实施例中，提示文本模板例如可以为“任务_[任务槽]”。其中，[任务槽]为需要填入任务的任务槽。在需要深度学习模型生成包含知识内容的对话回复时，可以将知识对话任务填入上述任务槽中，得到第一提示文本“任务_知识对话”。该第一提示文本能够使用自然语言提示深度学习模型执行知识对话任务，以生成包含知识内容的知识性回复。可以理解的是，提示模板可以采用其他的表述方式以描述需要深度学习模型执行的任务；指示模型生成包含知识内容的对话回复的任务还可以具有其他的名词，例如“知识回复”，在此均不作限定。
在一些实施例中，响应于确定深度学习模型基于第一对话上文需要生成不包含知识内容的回复，第一提示文本包括可以指示深度学习模型生成不包含知识内容的针对第一对话上文的对话回复的意图表示。由此，通过使用具有不同的意图表示的提示文本，实现了对深度学习模型的生成过程的控制，从而利用同一深度学习模型既能够生成包含知识内容的知识性对话回复，也能够生成不包含知识内容的闲聊对话回复。
根据一些实施例，步骤S202、确定与第一对话上文对应的第一提示文本包括：响应于确定深度学习模型基于第一对话上文需要生成不包含知识内容的回复，将闲聊对话任务填入预设的提示文本模板中的任务槽，以得到第一提示文本，其中，闲聊对话任务提示深度学习模型生成不包含知识内容的对话回复。
在一个示例性实施例中，在需要深度学习模型生成不包含知识内容的对话回复时，可以将闲聊对话任务填入上述任务槽中，得到第一提示文本“任务_闲聊对话”。该第一提示文本能够使用自然语言提示深度学习模型执行闲聊对话任务，以生成不包含知识内容的闲聊回复。可以理解的是，指示模型生成包含不知识内容的对话回复的任务还可以具有其他的名词，例如“闲聊”，在此不作限定。
在一些实施例中，在步骤S203，可以将第一对话上文和第一提示文本进行融合，以得到深度学习模型的输入文本。进而，可以将该输入文本输入到深度学习模型中，以得到针对第一对话上文的第一对话回复。在一个示例性实施例中，可以将第一对话上文和第一提示文本进行拼接，也可以采用其他的融合手段(例如，转换为语义向量后进行求和、使用小型神经网络处理等等)，以得到相应的输入文本。利用深度学习模型处理该输入文本，即能够得到满足需求的针对第一对话上文的第一对话回复。
在一个示例性实施例中，第一对话上文为“时间过得真快，都到秋天了”；响应于确定深度学习模型基于该第一文本需要生成包含知识内容的对话回复，第一提示文本为“任务_知识对话”；深度学习模型的输入文本为第一对话上文和该第一提示文本的拼接结果；深度学习模型输出的内容为第一对话回复“秋天适合去香山看红叶，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。
在一个示例性实施例中，第一对话上文为“时间过得真快，都到秋天了”；响应于确定深度学习模型基于该第一文本需要生成不包含知识内容的对话回复，第一提示文本为“任务_闲聊对话”；深度学习模型的输入文本为第一对话上文和该第一提示文本的拼接结果；深度学习模型输出的内容为第一对话回复“冬天也不远了”。
由此，通过上述两个示例性实施例能够看出，通过使用提示文本显式地提示深度学习模型，使得深度学习模型能够区分指示模型生成包含知识内容的对话回复的任务和指示模型生成不包含知识内容的闲聊回复的任务，从而生成更符合需求的内容。
根据一些实施例，在生成过程中，可以先由深度学习模型生成显式的与用户的对话上文相关的知识文本，再根据所生成的知识文本进行对话回复生成。如图3所示，对话生成方法可以包括：步骤S302、确定与第一对话上文对应的第二提示文本，第二提示文本包括指示深度学习模型生成与第一对话上文相关的知识文本的意图表示；以及步骤S303、将第一对话上文和第二提示文本输入深度学习模型，以获得第一知识文本。可以理解的是，图3中的步骤S301、步骤S305-步骤S306的操作分别与图2中的步骤S201-步骤S203的操作类似，在此不作赘述。
在一些实施例中，步骤S306、将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复可以包括：将第一对话上文、第一提示文本和第一知识文本输入深度学习模型，以获得包含第一知识文本中的知识内容的第一对话回复。
由此，通过利用模型显式预测出回复所依赖的知识文本，而后利用该知识文本辅助回复句生成，使得能够强化深度学习模型学习到的知识对生成对话回复的影响，提升所生成的对话回复的内容丰富性。而通过不同的提示文本可以使得模型针对同一输入进行不同的处理，从而生成不同的结果(知识文本和对话回复)。
此外，相比于使用外部系统检索知识文本，使用同一个模型进行知识文本生成和对话回复生成，一方面使得模型能够更好的理解、生成、运用知识，以得到更适用于生成对话回复的知识文本，进而基于该文本能够输出质量更高的对话回复；另一方面能够避免额外的部署成本，降低系统的复杂程度。
根据一些实施例，步骤S302、确定与第一对话上文对应的第二提示文本可以包括：将知识文本任务填入预设的提示文本模板中的任务槽，以得到第二提示文本，其中，提示文本模板使用自然语言提示深度学习模型需要执行任务槽中填入的任务，知识文本任务提示深度学习模型生成知识文本。步骤S305、确定与第一对话上文对应的第一提示文本可以包括：将知识对话任务填入预设的提示文本模板中的任务槽，以得到第一提示文本，其中，知识对话任务指示深度学习模型生成包含知识文本中的知识内容的对话回复。
由此，通过使用带有任务槽的提示文本模板，使得深度学习模型能够通过提示文本显式区分需要执行的任务，从而使得深度学习模型能够生成更符合相应的需求的内容。
在一个示例性实施例中，针对提示文本模板“任务_[任务槽]”，可以将知识文本任务填入其中的任务槽中，以得到第二提示文本“任务_知识文本”。该第二提示文本能够使用自然语言提示深度学习模型执行知识文本，以生成纯粹的知识文本内容。可以理解的是，指示模型生成知识文本的任务还可以具有其他的名词，例如“知识文档”，在此不作限定。
需要注意的是，知识文本不同于对话回复。知识文本与对话上文(例如，用户的输入内容)相关，但并不适合直接作为回复，否则可能会出现前后文不搭、所答非所问的情况。而通过将对话上文、所生成知识文本以及相应的提示文本(例如，与知识对话任务对应的提示文本)再次输入深度学习模型，即能够得到包含知识内容，并且能够顺畅应答对话上文的对话回复。
在一个示例性实施例中，第一对话上文为“时间过得真快，都到秋天了”；第二提示文本为“任务_知识文本”；深度学习模型的第一次输入文本为第一对话上文和该第二提示文本的拼接结果；深度学习模型第一次输出的内容为第一知识文本“北京香山每到秋天，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。进而，可以将第一对话上文和第一提示文本“任务_知识对话”拼接以作为深度学习模型的第二次输入；深度学习模型第二次输出的内容为第一对话回复“秋天适合去香山看红叶，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。
由此，通过上述例子可以看出，可以先利用与知识文本任务对应的提示文本指示深度学习模型生成与对话上文相关的知识内容，进而利用与知识对话任务对应的提示文本指示深度学习模型生成包含知识内容的针对对话上文的回复。
根据一些实施例，如图3所示，对话生成方法还可以包括：步骤S304、响应于确定第一知识文本不为空，确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复。由此，通过上述方式，实现了对是否需要深度学习模型生成包含知识内容的对话回复的后验判断方法。
根据一些实施例，对话生成方法还可以包括：响应于确定第一知识文本为空，确定深度学习模型基于第一对话上文需要生成不包含知识内容的对话回复，其中，第一提示文本包括指示深度学习模型生成不包含知识内容的针对第一对话上文的对话回复的意图表示。
在一些实施例中，相关技术中的自然语言处理领域的深度学习模型能够基于输入的上文生成相关的内容，但由于知识文档与闲聊内容的差异较大，因此模型通常很容易区分不同来源、不同类型、不同场景的上文，导致生成结果出现与上文同质化倾向。也就是说，在知识文档场景针对知识文档上文生成知识文档类的内容，在对话场景针对闲聊上文生成闲聊内容，但在对话场景中很难出现知识性的回复内容。本公开通过显式的提示文本，能够提示深度学习模型实现不同的功能(执行不同的任务)，从而能够实现针对同一输入利用不同的提示使得模型生成不同的内容，并能够实现在对话场景下生成包含知识内容的回复。
根据一些实施例，步骤S305、确定与第一对话上文对应的第一提示文本可以包括：确定与第一对话上文对应的第一主题词，第一提示文本指示深度学习模型生成与第一主题词相关的内容。由此，通过确定第一主题词，使得在利用第一提示文本指示深度学习模型执行相应任务的同时，还能够利用第一提示文本指示深度学习模型生成与所确定的第一主题词相关的内容，从而得到更符合用户需求、质量更高的对话回复。
根据一些实施例，确定与第一对话上文对应的第一主题词可以包括：将第一对话上文输入主题词生成模型，以得到第一主题词。主题词生成模型可以是与深度学习模型不同的模型，并且可以是由下文描述的训练方法训练得到的。由此，通过使用主题词生成模型，能够得到更贴近第一对话上文的主题词。
在一些实施例中，第一主题词也可以是通过其他方式得到的，在此不作限定。
根据一些实施例，步骤S305、确定与第一对话上文对应的第一提示文本可以包括：将知识对话任务和第一主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到第一提示文本，其中，提示文本模板使用自然语言提示深度学习模型需要执行任务槽中填入的任务，并且提示深度学习模型生成与主题词槽中填入的主题词相关的内容，其中，知识对话任务提示深度学习模型生成包含知识内容的回复。
由此，通过使用带有主题词槽的提示文本模板，使得深度学习模型能够通过提示文本显式获知相应的主题词，从而使得深度学习模型能够生成与填入的主题词相关的更符合需求的内容。
在一个示例性实施例中，提示文本模板例如可以为“任务_[任务槽]_主题_[主题词槽]”。其中，[任务槽]为需要填入任务的任务槽，[主题词槽]为需要填入主题词的主题词槽。在需要深度学习模型生成包含知识内容的关于特定主题的对话回复时，可以将知识对话任务和相应的主题词填入上述任务槽中。可以理解的是，提示模板可以采用其他的表述方式以描述需要深度学习模型生成的内容的主题，在此不作限定。
可以理解的是，针对不同的任务，均可以使用主题词来指示深度学习模型生成与该主题词的相关内容。在一个示例性实施例中，通过主题词生成模型得到的与第一对话上文“时间过的真快，都到秋天了”对应的主题词为“香山”，则针对知识文本任务可以生成提示文本“任务_知识文本_主题_香山”；针对知识对话任务可以生成提示文本“任务_知识对话_主题_香山”；针对闲聊对话任务可以生成提示文本“任务_闲聊对话_主题_香山”。在一些实施例中，闲聊对话任务也可以没有主题词，在此不作限定。
根据本公开的另一方面，提供了一种用于对话生成的深度学习模型的训练方法。如图4所示，训练方法包括：步骤S401、获取知识对话样本，知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对第一样本对话上文的第一样本对话回复；步骤S402、确定与第一样本对话上文对应的第一样本提示文本，第一样本提示文本包括指示深度学习模型生成包含知识内容的针对第一样本对话上文的对话回复的意图表示；步骤S403、将第一样本对话上文和第一样本提示文本输入深度学习模型，以获得第一预测回复；以及步骤S404、基于第一样本对话回复和第一预测回复，调整深度学习模型的参数，以得到训练后的深度学习模型。可以理解的是，图4中的步骤S401-步骤S403的部分操作与图2中的步骤S201-步骤S203的操作类似，在此不作赘述。
由此，通过使用深度学习模型基于第一样本对话上文和第一样本提示文本生成的第一预测回复和作为真实值(ground truth)的第一样本对话回复对深度学习模型进行训练，使得训练后的深度学习模型具备根据相应的提示文本生成包含知识内容的对话回复的能力。
在一些实施例中，在步骤S401，可以从已有的知识对话数据库(例如，DuConv、kdConv等)获取多组知识对话样本，每一组样本包括包含闲聊内容的第一样本对话上文和包含知识内容的第一样本对话回复。在一些实施例中，可以通过人工标注的方式生成知识对话样本。在一些实施例中，还可以通过半自动方式获取，例如通过标注少量数据，然后另外训练一个对话生成模型自动生成大量样本，如下文将要描述的。
在一个示例性实施例中，一个知识对话样本所包括的第一样本对话上文可以为“时间过的真快，都到秋天了”，该知识对话样本所包括的第一样本对话回复可以为“秋天适合去香山看红叶，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。
根据一些实施例，步骤S402、确定与第一样本对话上文对应的第一样本提示文本可以包括：将知识对话任务填入预设的提示文本模板中的任务槽，以得到第一样本提示文本，其中，提示文本模板使用自然语言描述深度学习模型需要执行任务槽中填入的任务，知识对话任务指示深度学习模型生成包含知识内容的对话回复。
由此，通过使用带有任务槽的提示文本模板，使得训练后的深度学习模型能够通过提示文本显式区分需要执行的任务，从而使得训练后的深度学习模型能够生成更符合相应的需求的内容。
在一些实施例中，可以根据需求确定相应的损失函数，进而可以在步骤S404利用所确定的损失函数基于第一样本对话回复和第一预测回复计算损失值，并基于损失值调整深度学习模型的参数。可以理解的是，由于训练目标为使模型生成的第一预测回复接近作为真实值(ground truth)的第一样本对话回复，因此损失值可以与对第一样本对话回复和第一预测回复的差别的定量化表示成正比。
根据一些实施例，如图5所示，训练方法还可以包括：步骤S505、获取闲聊对话样本，闲聊对话样本包括包含闲聊内容的第二样本对话上文和包含闲聊内容的针对第二样本对话上文的第二样本对话回复；步骤S506、确定与第一样本知识文本对应的第二样本提示文本，第二样本提示文本包括指示深度学习模型生成不包含知识内容的针对第一样本对话上文的对话回复的意图表示；步骤S507、将第二样本对话上文和第二样本提示文本输入深度学习模型，以获得第二预测回复；以及步骤S508、基于第二样本对话回复和第二预测回复，调整深度学习模型的参数。可以理解的是，图5中的步骤S501-步骤S504操作与图4中的步骤S401-步骤S404的操作类似，在此不做赘述。此外，图5中的步骤S506-步骤S508的操作亦与图4中的步骤S402-步骤S404的操作类似，区别仅在于操作对象的不同。
由此，通过上述方式，使得训练后的深度学习模型具备了在相应的提示文本的提示下生成不包括知识内容的闲聊式回复的能力。
在一些实施例中，在步骤S505，可以从已有的闲聊对话数据库中获取闲聊对话样本，也可以从互联网等来源获取闲聊对话样本，或者可以采用其他方式获取到包含闲聊内容的闲聊对话样本，在此不作限定。
在一些实施例中，在步骤S506，将闲聊对话任务填入预设的提示文本模板中的任务槽，以得到与第二样本对话上文对应的第二样本提示文本。闲聊对话任务指示深度学习模型生成不包含知识内容的对话回复确定与第二样本对话上文对应的第二样本提示文本。第二样本提示文本包括指示深度学习模型生成不包含知识内容的针对第二样本对话上文的对话回复的意图表示。
由此，通过上述方式，使得训练后的深度学习模型能够根据与不同的任务对应的提示文本执行相应的任务，从而生成满足需求的对话回复。
在一个示例性实施例中，一个闲聊对话样本所包括的第二样本对话上文可以为“时间过的真快，都到秋天了”，该闲聊对话样本所包括的第二样本对话下文可以为“冬天也不远了”。
根据一些实施例，如图6所示，训练方法还可以包括：步骤S605、获取知识内容样本，知识内容样本包括基于知识内容语料的第二样本知识文本和基于知识内容语料的与第二样本知识文本相关的第三样本知识文本；步骤S606、确定与第二样本知识文本对应的第三样本提示文本，第三样本提示文本包括指示深度学习模型生成与第三样本对话上文相关的知识内容的意图表示；步骤S607、将第二样本知识文本和第三样本提示文本输入深度学习模型，以获得第三样本知识文本；以及步骤S608、基于第二样本知识文本和第三样本知识文本，调整深度学习模型的参数。可以理解的是，图6中的步骤S601-步骤S604操作与图4中的步骤S401-步骤S404的操作类似，在此不做赘述。此外，图6中的步骤S606-步骤S608的操作亦与图4中的步骤S402-步骤S404的操作类似，区别仅在于操作对象的不同。
由此，通过上述方式，使得训练后的深度学习模型中内化有大量的知识内容，从而能够在相应的提示文本的提示下生成更具知识性、内容更丰富的对话回复。
需要注意的是，步骤S605-步骤S608的训练步骤与相应的提示文本(即，指示模型生成纯粹知识文本的提示文本)并不一定与推理环节相关。换句话说，这样的训练方式可能为用于丰富深度学习模型中内化的知识的预训练任务。
在一些实施例中，在利用训练后的深度学习模型进行推理的过程中，并不一定需要使用相应的提示文本提示深度学习模型显式生成相应的知识文本，而可以在没有显式的知识文本的情况下直接将对话上文和指示模型生成包含知识内容的对话回复的提示文本输入到深度学习模型中，从而直接得到针对对话上文的对话回复。
进一步地，在训练深度学习模型时，输入模型的内容也可以不包括显式的知识文本。这样的方式能够强制模型在没有接收到显式的知识文本的情况下利用模型中内化的知识生成包含知识内容的对话回复。
还需要注意的是，在一些实施例中，如果需要模型在推理阶段基于显式的知识文本生成对话回复，则需要在上述步骤S605中将第三样本知识文本设置为满足生成对话回复时所基于的显式的知识文本的形式、格式或其他相应要求。
在一些实施例中，知识内容语料例如可以是知识文档，例如书籍、期刊、百科等等。可以将这样的知识文档中相邻的两句分别作第二样本知识文本和为与第二样本知识文本相关的第三样本知识文本。可以理解的是，除上述方式外，还可以以其他方式获取知识内容样本，在此不作限定。
根据一些实施例，步骤S606、确定与第二样本知识文本对应的第三样本提示文本可以包括：将知识文本任务填入预设的提示文本模板中的任务槽，以得到第三样本提示文本，其中，提示文本模板使用自然语言提示深度学习模型需要执行任务槽中填入的任务，知识文本任务提示深度学习模型生成知识文本。
由此，通过使用带有任务槽的提示文本模板，使得训练后的深度学习模型能够通过提示文本显式区分知识对话任务和知识文本任务，从而使得训练后的深度学习模型能够生成更符合相应的需求的内容。
在一个示例性实施例中，一个知识内容样本所包括的第二样本知识文本可以为“香山可谓是国内赏枫的鼻祖，其红叶驰名中外，也是我国四大赏枫胜地之一”，该知识内容样本所包括的第三样本知识文本可以为“北京香山每到秋天，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。
综上，通过使用不同的提示文本实现了对知识文本、知识对话以及闲聊对话三种任务进行建模。提示文本能够在训练和推理过程中帮助模型更好地理解并区分不同的任务，也能够辅助模型捕捉不同的任务之间的共性并将三者进行关联，从而实现了利用单一的深度学习模型进行不同类型的内容生成。
根据一些实施例，知识对话样本还包括与第一样本对话上文相关的第一样本知识文本。步骤S403、将第一样本对话上文和第一样本提示文本输入深度学习模型，以获得第一预测回复可以包括：将第一样本对话上文、第一样本提示文本和第一样本知识文本输入深度学习模型，以获得第一预测回复。
由此，通过上述方式，使得训练后的深度学习模型具备了基于显式的知识文本和提示文本生成针对对话上文生成包含知识内容的对话回复的能力。
在一个示例性实施例中，一个知识对话样本所包括的第一样本对话上文可以为“时间过的真快，都到秋天了”，该知识对话样本所包括的第一样本知识文本可以为“北京香山每到秋天，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”，该知识对话样本所包括的第一样本对话回复可以为“秋天适合去香山看红叶，漫山遍野的黄栌树叶红得像火焰一般，霜后呈深紫红色”。
根据一些实施例，如图7所示，步骤S401、获取知识对话样本可以包括：步骤S701、获取第一样本对话上文；步骤S702、基于第一样本对话上文，生成第一样本问询；步骤S703、基于第一样本问询在外部检索系统中进行检索，以得到与第一样本对话上文相关的第一样本知识文本；以及步骤S704、将第一样本对话上文和第一样本知识文本输入经训练的知识对话生成模型，以得到包括第一样本知识文本中的知识内容的第一样本对话回复。
由此，实现了对知识对话样本的构造。通过上述方式，能够快速构造出大量知识对话样本，从而减少人工标注的成本。此外，通过上述方式获取到的样本中，包含知识内容的对话回复是利用从外部检索系统中检索到的内容而生成的。因此，使用这样的样本对深度学习模型进行训练，使得能够进一步将这些外部的知识内化到模型中，丰富模型的知识储备，从而使得模型能够生成更丰富、更具知识性的纯知识文本或包含知识内容的对话回复。
根据一些实施例，如图8所示，步骤S703、基于第一样本问询在外部检索系统中进行检索，以得到与第一样本对话上文相关的第一样本知识文本可以包括：步骤S801、基于第一样本问询在外部检索系统进行检索，以得到与第一样本对话上文相关的至少一个候选知识文本；以及步骤S802、基于至少一个候选知识文本各自与第一样本对话上文的相似度，在至少一个候选知识文本中确定第一样本知识文本。
由此，通过上述方式，能够利用外部检索系统获取到与样本对话上文最相关的知识作为样本知识文本，进而能够用于生成高质量的与样本对话上文对应的样本对话回复。而通过提升样本数据的质量，可以使得训练后的深度学习模型的效果更优。
根据一些实施例，经训练的知识对话生成模型是利用至少一个直接获取的标注数据作为启动数据进行训练而得到的，标注数据包括对应的标注对话上文、标注知识文本和标注对话回复。
在一些实施例中，标注数据所包括的标注对话上文、标注知识文本和标注对话回复可以是人工标注的，也可以是从已有的数据库中获取的。通过使用少量直接获取得到的标注数据作为启动数据对知识对话生成模型进行训练，进而使用该模型生成大量的知识对话样本，能够显著减少标注成本，并提升训练效率。
根据一些实施例，如图9所示，训练方法还可以包括：步骤S902、确定与知识对话样本对应的第一样本主题词，其中，第一样本提示文本指示深度学习模型生成与第一样本主题词相关的内容。可以理解的是，图9中的步骤S901、步骤S903-步骤S905操作与图4中的步骤S401-步骤S404的操作类似，在此不做赘述。
由此，通过上述方式，使得训练后的深度学习模型具备生成与提示文本中所指示的主题词相关的内容的能力，从而提升训练后的深度学习模型生成的内容的质量。
根据一些实施例，步骤S902、确定与知识对话样本对应的第一样本主题词可以包括：在第一样本对话回复中确定至少一个候选主题词；以及基于至少一个候选主题词各自与第一样本对话回复的相似度，在至少一个候选主题词中确定第一样本主题词。
由此，通过上述方式，能够得到与知识对话样本更相关的主题词。此外，针对知识对话样本，通过在对话回复中提取候选主题词，使得训练后的深度学习模型生成的内容尽可能贴近包含知识内容的样本对话回复。
在一些实施例中，针对知识内容样本和闲聊对话样本，也可以确定相应的主题词，并令相应的提示文本指示生成与该主题词相关的内容。针对知识内容样本和闲聊对话样本，由于对话上文和对话回复的一致性较高，因此可以基于上文和/或回复句确定主题词。在一些实施例中，闲聊对话任务也可以没有主题词，在此不作限定。
根据一些实施例，训练方法还可以包括：将第一样本对话上文输入主题词生成模型，以得到预测主题词；以及基于第一样本主题词和预测主题词，调整主题词生成模型的参数，以得到训练后的主题词生成模型。
由此，通过上述方式，实现了对主题词生成模型进行训练，进而在利用深度学习模型进行对话生成的过程中，可以使用训练后的主题词生成模型生成准确的主题词，以提升深度学习模型生成的内容与相应的对话上文的相关程度。
根据一些实施例，步骤S402、确定与第一样本对话上文对应的第一样本提示文本包括：将知识对话任务和第一样本主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到第一样本提示文本，其中，提示文本模板使用自然语言提示深度学习模型执行任务槽中填入的任务，并且指示深度学习模型生成与主题词槽中填入的主题词相关的内容，其中，知识对话任务提示深度学习模型生成包含知识内容的回复。
由此，通过使用带有主题词槽的提示文本模板，使得训练后的深度学习模型能够通过提示文本获知与对话上文对应主题词，从而生成与该主题词更相关、更符合相应的需求的内容。
根据本公开的另一方面，提供了一种对话生成装置。如图10所示，对话生成装置1000包括：第一获取单元1010，被配置为获取第一对话上文，第一对话上文包含闲聊内容；第一确定单元1020，被配置为确定与第一对话上文对应的第一提示文本，其中，响应于确定深度学习模型基于第一对话上文需要生成包含知识内容的对话回复，第一提示文本包括指示深度学习模型生成包含知识内容的针对第一对话上文的对话回复的意图表示；以及第二获取单元1030，被配置为将第一对话上文和第一提示文本输入深度学习模型，以获得第一对话回复。可以理解的是，装置1000中的单元1010-单元1030的操作和图2中的步骤S201-步骤S203的操作类似，在此不作赘述。
根据一些实施例，所述第一确定单元可以包括：第一填入子单元，被配置为响应于确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的回复，将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务提示所述深度学习模型生成包含知识内容的对话回复。
根据一些实施例，所述第一确定单元可以包括：第二填入子单元，被配置为响应于确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的回复，将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述闲聊对话任务提示所述深度学习模型生成不包含知识内容的对话回复。
根据一些实施例，对话生成装置还可以包括：第二确定单元，被配置为确定与所述第一对话上文对应的第二提示文本，所述第二提示文本包括指示所述深度学习模型生成与所述第一对话上文相关的知识文本的意图表示；以及第三获取单元，被配置为将所述第一对话上文和所述第二提示文本输入所述深度学习模型，以获得第一知识文本，其中，所述第二获取单元包括：第一获取子单元，被配置为将所述第一对话上文、所述第一提示文本和所述第一知识文本输入所述深度学习模型，以获得包含所述第一知识文本中的知识内容的所述第一对话回复。
根据一些实施例，所述第二确定单元可以包括：第三填入子单元，被配置为将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第二提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本。所述第一确定单元可以包括：第四填入子单元，被配置为将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述知识对话任务指示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
根据一些实施例，对话生成装置还可以包括：第三确定单元，被配置为响应于确定所述第一知识文本不为空，确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的对话回复。
根据一些实施例，对话生成装置还可以包括：第四确定单元，被配置为响应于确定所述第一知识文本为空，确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的对话回复，其中，所述第一提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第一对话上文的对话回复的意图表示。
根据一些实施例，所述第一确定单元可以包括：第一确定子单元，被配置为确定与所述第一对话上文对应的第一主题词，所述第一提示文本指示所述深度学习模型生成与所述第一主题词相关的内容。
根据一些实施例，所述第一确定单元可以包括：第五填入子单元，被配置为将所述知识对话任务和所述第一主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，并且提示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
根据一些实施例，所述第一确定子单元可以包括：第二获取子单元，被配置为将所述第一对话上文输入主题词生成模型，以得到所述第一主题词。
根据本公开的另一方面，提供了一种用于对话生成的深度学习模型的训练装置。如图11所示，训练装置1100包括：第四获取单元1110，被配置为获取知识对话样本，知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对第一样本对话上文的第一样本对话回复；第五确定单元1120，被配置为确定与第一样本对话上文对应的第一样本提示文本，第一样本提示文本包括指示深度学习模型生成包含知识内容的针对第一样本对话上文的对话回复的意图表示；第五获取单元1130，被配置为将第一样本对话上文和第一样本提示文本输入深度学习模型，以获得第一预测回复；以及第一调参单元1140，被配置为基于第一样本对话回复和第一预测回复，调整深度学习模型的参数，以得到训练后的深度学习模型。可以理解的是，装置1100中的单元1110-单元1140的操作和图4中的步骤S401-步骤S404的操作类似，在此不作赘述。
根据一些实施例，所述第五确定可以单元，被配置为包括：第六填入子单元，被配置为将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言描述所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务指示所述深度学习模型生成包含知识内容的对话回复。
根据一些实施例，训练装置还可以包括：第六获取单元，被配置为获取闲聊对话样本，所述闲聊对话样本包括包含闲聊内容的第二样本对话上文和包含闲聊内容的针对所述第二样本对话上文的第二样本对话回复；填入单元，被配置为将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到与所述第二样本对话上文对应的第二样本提示文本，其中，所述闲聊对话任务指示所述深度学习模型生成不包含知识内容的对话回复确定与所述第二样本对话上文对应的第二样本提示文本，所述第二样本提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第二样本对话上文的对话回复的意图表示；第七获取单元，被配置为将所述第二样本对话上文和所述第二样本提示文本输入所述深度学习模型，以获得第二预测回复；以及第二调参单元，被配置为基于所述第二样本对话回复和所述第二预测回复，调整所述深度学习模型的参数。
根据一些实施例，知识对话样本还可以包括与所述第一样本对话上文相关的第一样本知识文本，其中，所述第五获取单元包括：第三获取子单元，被配置为将所述第一样本对话上文、所述第一样本提示文本和所述第一样本知识文本输入所述深度学习模型，以获得所述第一预测回复。
根据一些实施例，所述第四获取单元包括：第四获取子单元，被配置为获取所述第一样本对话上文；生成子单元，被配置为基于所述第一样本对话上文，生成第一样本问询；第一检索子单元，被配置为基于所述第一样本问询在外部检索系统中进行检索，以得到与所述第一样本对话上文相关的所述第一样本知识文本；以及第五获取子单元，被配置为将所述第一样本对话上文和所述第一样本知识文本输入经训练的知识对话生成模型，以得到包括所述第一样本知识文本中的知识内容的所述第一样本对话回复。
根据一些实施例，所述第一检索子单元可以包括：第二检索子单元，被配置为基于所述第一样本问询在所述外部检索系统进行检索，以得到与所述第一样本对话上文相关的至少一个候选知识文本；以及第二确定子单元，被配置为基于所述至少一个候选知识文本各自与所述第一样本对话上文的相似度，在所述至少一个候选知识文本中确定所述第一样本知识文本。
根据一些实施例，所述经训练的知识对话生成模型可以是利用至少一个直接获取的标注数据作为启动数据进行训练而得到的，所述标注数据可以包括对应的标注对话上文、标注知识文本和标注对话回复。
根据一些实施例，训练装置还可以包括：第八获取单元，被配置为获取知识内容样本，所述知识内容样本包括基于知识内容语料的第二样本知识文本和基于知识内容语料的与所述第二样本知识文本相关的第三样本知识文本；第六确定单元，被配置为确定与所述第二样本知识文本对应的第三样本提示文本，所述第三样本提示文本包括指示所述深度学习模型生成与所述第三样本对话上文相关的知识内容的意图表示；第九获取单元，被配置为将所述第二样本知识文本和所述第三样本提示文本输入所述深度学习模型，以获得第三样本知识文本；以及第三调参单元，被配置为基于所述第二样本知识文本和所述第三样本知识文本，调整所述深度学习模型的参数。
根据一些实施例，所述第六确定单元可以包括：第七填入子单元，被配置为将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第三样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本。所述第五确定单元可以包括：第八填入子单元，被配置为将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述知识对话任务提示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
根据一些实施例，训练装置还可以包括：第七确定单元，被配置为确定与所述知识对话样本对应的第一样本主题词，其中，所述第一样本提示文本指示所述深度学习模型生成与所述第一样本主题词相关的内容。
根据一些实施例，所述第五确定单元可以包括：第九填入子单元，被配置为将知识对话任务和所述第一样本主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型执行所述任务槽中填入的任务，并且指示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
根据一些实施例，所述第七确定单元可以包括：第三确定子单元，被配置为在所述第一样本对话回复中确定至少一个候选主题词；以及第四确定子单元，被配置为基于所述至少一个候选主题词各自与所述第一样本对话回复的相似度，在所述至少一个候选主题词中确定所述第一样本主题词。
根据一些实施例，训练装置还可以包括：第十获取单元，被配置为将所述第一样本对话上文输入主题词生成模型，以得到预测主题词；以及第四调参单元，被配置为基于所述第一样本主题词和所述预测主题词，调整所述主题词生成模型的参数，以得到训练后的主题词生成模型。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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，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。
参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200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12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向设备1200输入信息的任何类型的设备，输入单元1206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1207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1208可以包括但不限于磁盘、光盘。通信单元1209允许设备1200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TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201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1201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、各种运行机器学习网络算法的计算单元、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1201执行上文所描述的各个方法和处理，例如对话生成方法。例如，在一些实施例中，对话生成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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的对话生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201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生成方法。
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、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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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，本发明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 (40)
1.一种对话生成方法，包括：
获取第一对话上文，所述第一对话上文包含闲聊内容；
确定与所述第一对话上文对应的第二提示文本，所述第二提示文本包括指示深度学习模型生成与所述第一对话上文相关的知识文本的意图表示；
将所述第一对话上文和所述第二提示文本输入所述深度学习模型，以获得第一知识文本；
响应于确定所述第一知识文本不为空，确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的对话回复；
响应于确定所述第一知识文本为空，确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的对话回复；
确定与所述第一对话上文对应的第一提示文本，其中，响应于确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的对话回复，所述第一提示文本包括指示所述深度学习模型生成包含知识内容的针对所述第一对话上文的对话回复的意图表示，并且其中，响应于确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的回复，所述第一提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第一对话上文的对话回复的意图表示；以及
将所述第一对话上文和所述第一提示文本输入所述深度学习模型，以获得第一对话回复，包括：
响应于确定所述第一知识文本不为空，将所述第一对话上文、所述第一提示文本和所述第一知识文本输入所述深度学习模型，以获得包含所述第一知识文本中的知识内容的所述第一对话回复。
2.根据权利要求1所述的方法，其中，确定与所述第一对话上文对应的第一提示文本包括：
响应于确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的回复，将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务提示所述深度学习模型生成包含知识内容的对话回复。
3.根据权利要求2所述的方法，其中，确定与所述第一对话上文对应的第一提示文本包括：
响应于确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的回复，将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述闲聊对话任务提示所述深度学习模型生成不包含知识内容的对话回复。
4.根据权利要求1所述的方法，其中，确定与所述第一对话上文对应的第二提示文本包括：
将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第二提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本，
其中，确定与所述第一对话上文对应的第一提示文本包括：
将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述知识对话任务指示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
5.根据权利要求1至3中任一项所述的方法，其中，确定与所述第一对话上文对应的第一提示文本包括：
确定与所述第一对话上文对应的第一主题词，所述第一提示文本指示所述深度学习模型生成与所述第一主题词相关的内容。
6.根据权利要求5所述的方法，其中，确定与所述第一对话上文对应的第一提示文本包括：
将知识对话任务和所述第一主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，并且提示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
7.根据权利要求5所述的方法，其中，确定与所述第一对话上文对应的第一主题词包括：
将所述第一对话上文输入主题词生成模型，以得到所述第一主题词。
8.一种用于对话生成的深度学习模型的训练方法，包括：
获取知识对话样本，所述知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对所述第一样本对话上文的第一样本对话回复；
确定与所述第一样本对话上文对应的第一样本提示文本，所述第一样本提示文本包括指示所述深度学习模型生成包含知识内容的针对所述第一样本对话上文的对话回复的意图表示；
将所述第一样本对话上文和所述第一样本提示文本输入所述深度学习模型，以获得第一预测回复；
基于所述第一样本对话回复和所述第一预测回复，调整所述深度学习模型的参数；
获取闲聊对话样本，所述闲聊对话样本包括包含闲聊内容的第二样本对话上文和包含闲聊内容的针对所述第二样本对话上文的第二样本对话回复；
确定与所述第二样本对话上文对应的第二样本提示文本，所述第二样本提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第二样本对话上文的对话回复的意图表示；
将所述第二样本对话上文和所述第二样本提示文本输入所述深度学习模型，以获得第二预测回复；
基于所述第二样本对话回复和所述第二预测回复，调整所述深度学习模型的参数，以得到训练后的深度学习模型；
获取知识内容样本，所述知识内容样本包括基于知识内容语料的第二样本知识文本和基于知识内容语料的与所述第二样本知识文本相关的第三样本知识文本；
确定与所述第二样本知识文本对应的第三样本提示文本，所述第三样本提示文本包括指示所述深度学习模型生成与所述第二样本知识文本相关的知识内容的意图表示；
将所述第二样本知识文本和所述第三样本提示文本输入所述深度学习模型，以获得第三样本知识文本；以及
基于所述第二样本知识文本和所述第三样本知识文本，调整所述深度学习模型的参数。
9.根据权利要求8所述的方法，其中，确定与所述第一样本对话上文对应的第一样本提示文本包括：
将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言描述所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务指示所述深度学习模型生成包含知识内容的对话回复。
10.根据权利要求9所述的方法，其中，确定与所述第二样本对话上文对应的第二样本提示文本包括：
将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到与所述第二样本对话上文对应的第二样本提示文本，其中，所述闲聊对话任务指示所述深度学习模型生成不包含知识内容的对话回复。
11.根据权利要求8至10中任一项所述的方法，其中，所述知识对话样本还包括与所述第一样本对话上文相关的第一样本知识文本，其中，将所述第一样本对话上文和所述第一样本提示文本输入所述深度学习模型，以获得第一预测回复包括：
将所述第一样本对话上文、所述第一样本提示文本和所述第一样本知识文本输入所述深度学习模型，以获得所述第一预测回复。
12.根据权利要求11所述的方法，其中，获取知识对话样本包括：
获取所述第一样本对话上文；
基于所述第一样本对话上文，生成第一样本问询；
基于所述第一样本问询在外部检索系统中进行检索，以得到与所述第一样本对话上文相关的所述第一样本知识文本；以及
将所述第一样本对话上文和所述第一样本知识文本输入经训练的知识对话生成模型，以得到包括所述第一样本知识文本中的知识内容的所述第一样本对话回复。
13.根据权利要求12所述的方法，其中，基于所述第一样本问询在外部检索系统中进行检索，以得到与所述第一样本对话上文相关的所述第一样本知识文本包括：
基于所述第一样本问询在所述外部检索系统进行检索，以得到与所述第一样本对话上文相关的至少一个候选知识文本；以及
基于所述至少一个候选知识文本各自与所述第一样本对话上文的相似度，在所述至少一个候选知识文本中确定所述第一样本知识文本。
14.根据权利要求12所述的方法，其中，所述经训练的知识对话生成模型是利用至少一个直接获取的标注数据作为启动数据进行训练而得到的，所述标注数据包括对应的标注对话上文、标注知识文本和标注对话回复。
15.根据权利要求8所述的方法，其中，确定与所述第二样本知识文本对应的第三样本提示文本包括：
将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第三样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本，
其中，确定与所述第一样本对话上文对应的第一样本提示文本包括：
将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述知识对话任务提示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
16.根据权利要求8至10中任一项所述的方法，还包括：
确定与所述知识对话样本对应的第一样本主题词，其中，所述第一样本提示文本指示所述深度学习模型生成与所述第一样本主题词相关的内容。
17.根据权利要求16所述的方法，其中，确定与所述第一样本对话上文对应的第一样本提示文本包括：
将知识对话任务和所述第一样本主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型执行所述任务槽中填入的任务，并且指示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
18.根据权利要求16所述的方法，其中，确定与所述知识对话样本对应的第一样本主题词包括：
在所述第一样本对话回复中确定至少一个候选主题词；以及
基于所述至少一个候选主题词各自与所述第一样本对话回复的相似度，在所述至少一个候选主题词中确定所述第一样本主题词。
19.根据权利要求18所述的方法，还包括：
将所述第一样本对话上文输入主题词生成模型，以得到预测主题词；以及
基于所述第一样本主题词和所述预测主题词，调整所述主题词生成模型的参数，以得到训练后的主题词生成模型。
20.一种对话生成装置，包括：
第一获取单元，被配置为获取第一对话上文，所述第一对话上文包含闲聊内容；
第二确定单元，被配置为确定与所述第一对话上文对应的第二提示文本，所述第二提示文本包括指示深度学习模型生成与所述第一对话上文相关的知识文本的意图表示；
第三获取单元，被配置为将所述第一对话上文和所述第二提示文本输入所述深度学习模型，以获得第一知识文本；
第三确定单元，被配置为响应于确定所述第一知识文本不为空，确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的对话回复；
第四确定单元，被配置为响应于确定所述第一知识文本为空，确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的对话回复；
第一确定单元，被配置为确定与所述第一对话上文对应的第一提示文本，其中，响应于确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的对话回复，所述第一提示文本包括指示所述深度学习模型生成包含知识内容的针对所述第一对话上文的对话回复的意图表示，并且其中，响应于确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的回复，所述第一提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第一对话上文的对话回复的意图表示；以及
第二获取单元，被配置为将所述第一对话上文和所述第一提示文本输入所述深度学习模型，以获得第一对话回复，包括：
响应于确定所述第一知识文本不为空，将所述第一对话上文、所述第一提示文本和所述第一知识文本输入所述深度学习模型，以获得包含所述第一知识文本中的知识内容的所述第一对话回复。
21.根据权利要求20所述的装置，其中，所述第一确定单元包括：
第一填入子单元，被配置为响应于确定所述深度学习模型基于所述第一对话上文需要生成包含知识内容的回复，将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务提示所述深度学习模型生成包含知识内容的对话回复。
22.根据权利要求21所述的装置，其中，所述第一确定单元包括：第二填入子单元，被配置为响应于确定所述深度学习模型基于所述第一对话上文需要生成不包含知识内容的回复，将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述闲聊对话任务提示所述深度学习模型生成不包含知识内容的对话回复。
23.根据权利要求20所述的装置，其中，所述第二确定单元包括：
第三填入子单元，被配置为将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第二提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本，
其中，所述第一确定单元包括：
第四填入子单元，被配置为将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一提示文本，其中，所述知识对话任务指示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
24.根据权利要求20至22中任一项所述的装置，其中，所述第一确定单元包括：
第一确定子单元，被配置为确定与所述第一对话上文对应的第一主题词，所述第一提示文本指示所述深度学习模型生成与所述第一主题词相关的内容。
25.根据权利要求24所述的装置，其中，所述第一确定单元包括：
第五填入子单元，被配置为将知识对话任务和所述第一主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，并且提示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
26.根据权利要求24所述的装置，其中，所述第一确定子单元包括：
第二获取子单元，被配置为将所述第一对话上文输入主题词生成模型，以得到所述第一主题词。
27.一种用于对话生成的深度学习模型的训练装置，包括：
第四获取单元，被配置为获取知识对话样本，所述知识对话样本包括包含闲聊内容的第一样本对话上文和包含知识内容的针对所述第一样本对话上文的第一样本对话回复；
第五确定单元，被配置为确定与所述第一样本对话上文对应的第一样本提示文本，所述第一样本提示文本包括指示所述深度学习模型生成包含知识内容的针对所述第一样本对话上文的对话回复的意图表示；
第五获取单元，被配置为将所述第一样本对话上文和所述第一样本提示文本输入所述深度学习模型，以获得第一预测回复；
第一调参单元，被配置为基于所述第一样本对话回复和所述第一预测回复，调整所述深度学习模型的参数；
第六获取单元，被配置为获取闲聊对话样本，所述闲聊对话样本包括包含闲聊内容的第二样本对话上文和包含闲聊内容的针对所述第二样本对话上文的第二样本对话回复；
第二样本提示文本确定单元，被配置为确定与所述第二样本对话上文对应的第二样本提示文本，所述第二样本提示文本包括指示所述深度学习模型生成不包含知识内容的针对所述第二样本对话上文的对话回复的意图表示；
第七获取单元，被配置为将所述第二样本对话上文和所述第二样本提示文本输入所述深度学习模型，以获得第二预测回复；
第二调参单元，被配置为基于所述第二样本对话回复和所述第二预测回复，调整所述深度学习模型的参数，以得到训练后的深度学习模型；
第八获取单元，被配置为获取知识内容样本，所述知识内容样本包括基于知识内容语料的第二样本知识文本和基于知识内容语料的与所述第二样本知识文本相关的第三样本知识文本；
第六确定单元，被配置为确定与所述第二样本知识文本对应的第三样本提示文本，所述第三样本提示文本包括指示所述深度学习模型生成与所述第二样本知识文本相关的知识内容的意图表示；
第九获取单元，被配置为将所述第二样本知识文本和所述第三样本提示文本输入所述深度学习模型，以获得第三样本知识文本；以及
第三调参单元，被配置为基于所述第二样本知识文本和所述第三样本知识文本，调整所述深度学习模型的参数。
28.根据权利要求27所述的装置，其中，所述第五确定单元被配置为包括：
第六填入子单元，被配置为将知识对话任务填入预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言描述所述深度学习模型需要执行所述任务槽中填入的任务，所述知识对话任务指示所述深度学习模型生成包含知识内容的对话回复。
29.根据权利要求28所述的装置，其中，所述第二样本提示文本确定单元被配置为将闲聊对话任务填入所述预设的提示文本模板中的任务槽，以得到与所述第二样本对话上文对应的第二样本提示文本，其中，所述闲聊对话任务指示所述深度学习模型生成不包含知识内容的对话回复。
30.根据权利要求27至29中任一项所述的装置，其中，所述知识对话样本还包括与所述第一样本对话上文相关的第一样本知识文本，其中，所述第五获取单元包括：
第三获取子单元，被配置为将所述第一样本对话上文、所述第一样本提示文本和所述第一样本知识文本输入所述深度学习模型，以获得所述第一预测回复。
31.根据权利要求30所述的装置，其中，所述第四获取单元包括：
第四获取子单元，被配置为获取所述第一样本对话上文；
生成子单元，被配置为基于所述第一样本对话上文，生成第一样本问询；
第一检索子单元，被配置为基于所述第一样本问询在外部检索系统中进行检索，以得到与所述第一样本对话上文相关的所述第一样本知识文本；以及
第五获取子单元，被配置为将所述第一样本对话上文和所述第一样本知识文本输入经训练的知识对话生成模型，以得到包括所述第一样本知识文本中的知识内容的所述第一样本对话回复。
32.根据权利要求31所述的装置，其中，所述第一检索子单元包括：
第二检索子单元，被配置为基于所述第一样本问询在所述外部检索系统进行检索，以得到与所述第一样本对话上文相关的至少一个候选知识文本；以及
第二确定子单元，被配置为基于所述至少一个候选知识文本各自与所述第一样本对话上文的相似度，在所述至少一个候选知识文本中确定所述第一样本知识文本。
33.根据权利要求31所述的装置，其中，所述经训练的知识对话生成模型是利用至少一个直接获取的标注数据作为启动数据进行训练而得到的，所述标注数据包括对应的标注对话上文、标注知识文本和标注对话回复。
34.根据权利要求30所述的装置，其中，所述第六确定单元包括：
第七填入子单元，被配置为将知识文本任务填入预设的提示文本模板中的任务槽，以得到所述第三样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型需要执行所述任务槽中填入的任务，所述知识文本任务提示所述深度学习模型生成知识文本，
其中，所述第五确定单元包括：
第八填入子单元，被配置为将知识对话任务填入所述预设的提示文本模板中的任务槽，以得到所述第一样本提示文本，其中，所述知识对话任务提示所述深度学习模型生成包含所述知识文本中的知识内容的对话回复。
35.根据权利要求27至29中任一项所述的装置，还包括：
第七确定单元，被配置为确定与所述知识对话样本对应的第一样本主题词，其中，所述第一样本提示文本指示所述深度学习模型生成与所述第一样本主题词相关的内容。
36.根据权利要求35所述的装置，其中，所述第五确定单元包括：
第九填入子单元，被配置为将知识对话任务和所述第一样本主题词分别填入预设的提示文本模板中的任务槽和主题词槽，以得到所述第一样本提示文本，其中，所述提示文本模板使用自然语言提示所述深度学习模型执行所述任务槽中填入的任务，并且指示所述深度学习模型生成与所述主题词槽中填入的主题词相关的内容，其中，所述知识对话任务提示所述深度学习模型生成包含知识内容的回复。
37.根据权利要求35所述的装置，其中，所述第七确定单元包括：
第三确定子单元，被配置为在所述第一样本对话回复中确定至少一个候选主题词；以及
第四确定子单元，被配置为基于所述至少一个候选主题词各自与所述第一样本对话回复的相似度，在所述至少一个候选主题词中确定所述第一样本主题词。
38.根据权利要求37所述的装置，还包括：
第十获取单元，被配置为将所述第一样本对话上文输入主题词生成模型，以得到预测主题词；以及
第四调参单元，被配置为基于所述第一样本主题词和所述预测主题词，调整所述主题词生成模型的参数，以得到训练后的主题词生成模型。
39.一种电子设备，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1-19中任一项所述的方法。
40.一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所述计算机执行根据权利要求1-19中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310280513.1A CN116303962B (zh) | 2023-03-21 | 2023-03-21 | 对话生成方法、深度学习模型的训练方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310280513.1A CN116303962B (zh) | 2023-03-21 | 2023-03-21 | 对话生成方法、深度学习模型的训练方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116303962A CN116303962A (zh) | 2023-06-23 |
| CN116303962B true CN116303962B (zh) | 2024-05-28 |
Family
ID=86779426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310280513.1A Active CN116303962B (zh) | 2023-03-21 | 2023-03-21 | 对话生成方法、深度学习模型的训练方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116303962B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842156B (zh) * | 2023-06-30 | 2024-05-10 | 北京百度网讯科技有限公司 | 数据生成方法及装置、设备和介质 |
| CN116561286B (zh) * | 2023-07-06 | 2023-10-27 | 杭州华鲤智能科技有限公司 | 一种对话方法及装置 |
| CN117972057A (zh) * | 2023-08-22 | 2024-05-03 | 浙江口碑网络技术有限公司 | 对话内容处理方法、设备、存储介质及产品 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507103A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 任务型对话及模型训练方法、装置、设备和存储介质 |
| CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
| CN114297450A (zh) * | 2021-12-31 | 2022-04-08 | 山东科技大学 | 一种基于深度学习的对话系统及其对话方法 |
| CN114840671A (zh) * | 2022-04-29 | 2022-08-02 | 北京百度网讯科技有限公司 | 对话生成方法、模型的训练方法、装置、设备及介质 |
| JP2022135734A (ja) * | 2021-03-05 | 2022-09-15 | Kddi株式会社 | マルチモーダルな知識グラフを用いて雑談的に対話するプログラム、装置及び方法 |
| CN115221271A (zh) * | 2022-06-10 | 2022-10-21 | 网易（杭州）网络有限公司 | 一种对话回复方法及装置、语言模型训练方法及装置 |
| CN115525753A (zh) * | 2022-10-26 | 2022-12-27 | 上海交通大学 | 面向任务的基于1+n的多轮对话方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220415202A1 (en) * | 2020-02-20 | 2022-12-29 | Gopalakrishnan Venkatasubramanyam | Smart-learning and knowledge retrieval system with integrated chatbots |
| CN114116994A (zh) * | 2021-06-30 | 2022-03-01 | 同济人工智能研究院(苏州)有限公司 | 一种迎宾机器人对话方法 |
-
2023
- 2023-03-21 CN CN202310280513.1A patent/CN116303962B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507103A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 任务型对话及模型训练方法、装置、设备和存储介质 |
| JP2022135734A (ja) * | 2021-03-05 | 2022-09-15 | Kddi株式会社 | マルチモーダルな知識グラフを用いて雑談的に対話するプログラム、装置及び方法 |
| CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
| CN114297450A (zh) * | 2021-12-31 | 2022-04-08 | 山东科技大学 | 一种基于深度学习的对话系统及其对话方法 |
| CN114840671A (zh) * | 2022-04-29 | 2022-08-02 | 北京百度网讯科技有限公司 | 对话生成方法、模型的训练方法、装置、设备及介质 |
| CN115221271A (zh) * | 2022-06-10 | 2022-10-21 | 网易（杭州）网络有限公司 | 一种对话回复方法及装置、语言模型训练方法及装置 |
| CN115525753A (zh) * | 2022-10-26 | 2022-12-27 | 上海交通大学 | 面向任务的基于1+n的多轮对话方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 融合神经网络与电力领域知识的智能客服对话系统研究;吕诗宁;张毅;胡若云;沈然;江俊军;欧智坚;;浙江电力;20200825(08);80-86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116303962A (zh) | 2023-06-23 |
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 | |
| CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
| CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
| CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
| CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
| CN116501960B (zh) | 内容检索方法、装置、设备及介质 | |
| CN114611532B (zh) | 语言模型训练方法及装置、目标翻译错误检测方法及装置 | |
| WO2023142451A1 (zh) | 工作流生成方法、装置、电子设备 | |
| CN115952274A (zh) | 基于深度学习模型的数据生成方法、训练方法和装置 | |
| CN114547270B (zh) | 文本处理方法、文本处理模型的训练方法、装置和设备 | |
| CN115631251A (zh) | 基于文本生成图像的方法、装置、电子设备和介质 | |
| CN112559715B (zh) | 态度的识别方法、装置、设备及存储介质 | |
| CN116841506B (zh) | 程序代码生成方法及装置、模型训练方法及装置 | |
| CN116597454B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
| CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
| CN117648422A (zh) | 问答提示系统、问答提示、库构建、模型训练方法和装置 | |
| CN116361547A (zh) | 信息显示方法、装置、设备和介质 | |
| CN109002498B (zh) | 人机对话方法、装置、设备及存储介质 | |
| CN115964462A (zh) | 对话内容处理方法、对话理解模型的训练方法和装置 | |
| CN116127035A (zh) | 对话方法、对话模型的训练方法及装置 | |
| CN113590782B (zh) | 推理模型的训练方法、推理方法及装置 | |
| CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN112667196B (zh) | 信息展示方法及装置、电子设备和介质 | |
| CN115809364B (zh) | 对象推荐方法和模型训练方法 |
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 |