CN116521831A - 集成自然语言理解算法和Web3.0技术的聊天机器人及方法 - Google Patents

集成自然语言理解算法和Web3.0技术的聊天机器人及方法 Download PDF

Info

Publication number
CN116521831A
CN116521831A CN202310185908.3A CN202310185908A CN116521831A CN 116521831 A CN116521831 A CN 116521831A CN 202310185908 A CN202310185908 A CN 202310185908A CN 116521831 A CN116521831 A CN 116521831A
Authority
CN
China
Prior art keywords
module
learning
natural language
language understanding
technology
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
Application number
CN202310185908.3A
Other languages
English (en)
Inventor
张庆全
谢启桃
杨子聪
于瑞卿
王资逸
陈子希
张零修
李永前
陆文茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhizhi Intelligent Technology Co ltd
Original Assignee
Shanghai Zhizhi Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhizhi Intelligent Technology Co ltd filed Critical Shanghai Zhizhi Intelligent Technology Co ltd
Priority to CN202310185908.3A priority Critical patent/CN116521831A/zh
Publication of CN116521831A publication Critical patent/CN116521831A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/3343—Query execution using phonetics
    • 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
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了集成自然语言理解算法和Web3.0技术的聊天机器人及方法，聊天机器人包括：指令输入模块连接后台学习模块，后台学习模块并行连接数据储存模块和自学习评分模块，自学习评分模块连接语音和文字输出模块；指令输入模块，用于收集用户对聊天机器人发出的指令；后端学习模块，用于学习和理解上述指令，并根据理解的意思在存储模块中查找可能的回复；数据储存模块，用于储存所有指令的可能回复；自学习评分模块，给后端学习模块输出的回复赋予权重；语音和文字输出模块，用于将回复传达给用户；本发明提供了更加灵活、实用的集成自然语言理解算法和Web3.0技术的聊天机器人及方法。

Description

集成自然语言理解算法和Web3.0技术的聊天机器人及方法
技术领域
本发明涉及智能系统技术领域，具体是集成自然语言理解算法和Web3.0技术的聊天机器人及方法。
背景技术
目前许多智能人机对话系统都是使用长短时记忆网络和卷积数据网络为算法基础开发的。但是这些算法在使用时需要大量新的数据。训练时间和对计算资源的占用会限制这类系统的表现力和潜力。
申请号为201910505280.4的中国专利，一种多轮对话智能语音交互系统及装置，公开了：集成语音识别和自然语言理解，通过语义理解自适应模块来判断用户意图并实现多轮交互。其可以通过语音对话的方式来和用户交互，但是缺乏处理其他种类输入数据如图片、影像等。
申请号为201710973047.X的中国专利，封闭域的智能人机对话系统，公开了：基于双向长短时记忆网络Bi-LSTM和卷积神经网络CNN来构建模型，可以精确识别用户语音并判断用户意图，最终实现更加精确的对话。其使用的模型Bi-LSTM需要更多的数据来进行训练，并且训练时需要占用更多的内存空间。
申请号为202011249692.5的中国专利，基于Bert模型的意图识别与槽值填充联合，公开了：基于BERT模型和注意力系统，将用户输入的文字处理之后学习，并最终预测和识别用户意图。BERT模型训练所需要的数据量较大，相比于本发明使用的GPT-3模型所采用的小样本训练来说。GPT-3模型能够减少训练的计算量，并提供一样精确的意图识别。本发明还能够接受其他信息载体如声音和图像作为输入，提升用户使用便携性。
申请号为202010545399.7的中国专利，智能问答方法、装置、计算机设备和存储介质，公开了：基于人工智能模型对用户的语义进行意图识别，提高回答问题的准确度。提及的计算机设备和储存设备比较固定，而本发明结合Web3.0技术开发之后拓展了使用场景。除了移动端应用外，本发明的智能对话系统还可以嵌入网页应用、虚拟现实场景和任何联网终端。将模型计算和数据储存都置于云上之后，极大地减少了对使用者设备的硬件要求，提升了灵活性和实用性。
发明内容
本发明的方法提供了更加灵活、实用的集成自然语言理解算法和Web3.0技术的聊天机器人及方法。
为达此目的，本发明提供如下的技术方案：
本发明的第一个方面，提供了一种集成自然语言理解算法和Web3.0技术的聊天机器人，包括：指令输入模块、后端学习模块、数据储存模块、自学习评分模块、语音和文字输出模块；所述指令输入模块连接所述后台学习模块，所述后台学习模块并行连接所述数据储存模块和所述自学习评分模块，所述自学习评分模块连接所述语音和文字输出模块；
所述指令输入模块，用于收集用户对聊天机器人发出的指令；
所述后端学习模块，用于学习和理解上述指令，并根据理解的意思在存储模块中查找可能的回复；
所述数据储存模块，用于储存所有指令的可能回复；
所述自学习评分模块，给后端学习模块输出的回复赋予权重；
所述语音和文字输出模块，用于将回复传达给用户。
优选的，所述指令输入模块和所述后台学习模块之间还依次设有预处理模块、应用处理器和云上后端。
优选的，所述指令输入模块可以同时处理文字、语音、视频和图像指令，
文字指令直接进入预处理步骤；
语音指令将通过语音识别功能来转换成文字，
图像指令被提取为文字信息之后送入预处理环节；
视频将会拆分成声音和图像两种信息之后分别处理；
在预处理环节中，机器人会识别有效指令和其他噪音信息，有效指令将传回后端学习模块。
优选的，所述后端学习模块包括GPT-3和BERT，BERT算法可以双向学习指令并抓取其中的关键词。其也可以同时处理多行指令，学习和理解每一行的重点和作用，并选择最合适的回复；GPT-3则使用小样本学习法，可以消耗更少的资源来学习用户的指令，同时GPT-3也会为每一个可能的回复赋予权重并传回自学习评分模块。
优选的，所述自学习评分模块使用集成学习将两种语言处理算法的结果放入数个分类器中，每个分类器使用线性模型拟合指令和回复，然后返回平均方差最小的结果，集成学习将归纳所有分类器的结果，之后选择可能性最大的结果传给文字和语音输出模块的。
优选的，所述后端学习模块将学习和理解的信息输出并存储于所述数据存储模块内。
本发明的第二个方面，提供了一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法，其特征在于，包括以下步骤：
S1、接受语音、文字、图像和影像作为指令输入；
S2、指令信息经过预处理之后送到云上后端；
S4、多个算法的反馈集中之后，会送入自学习评分模块来判断，该模块使用了分类器的判断评分，最后将可能性最高的回复输出。
优选的，步骤S1中，指令包括语音、文字、图像和影像信息。
优选的，包括以下步骤：云上后端连接的多个深度学习自然语言理解算法会将信息处理成字符串序列并开始学习；算法会使用注意力机制来抓取指令中的关键词，为储存模块中的多个可能的回复计算可能性，这些回复也会一一与指令并列学习，并采用反馈机制让算法意识那个回复更加适合。
综上所述，本发明集成了多个深度学习语言理解模型，可以使用小样本学习方法来减少资源消耗，提高运行效率并提供优质服务。本发明还扩展了可以处理的信息载体，不仅可以接受文字和语音，还可以接受图像和影像，为用户提供了更全面的适用范围。提升了智能对话系统的实用性，处理任务的多样性，用户使用的便携性。本发明在结合Web3.0开发技术之后，可以解锁更多使用场景。相比传统人机对话系统用于移动设备或者PC端，本发明还可以引用到虚拟环境中，为使用者提供沉浸体验。
与现有技术相比，本发明有益效果及显著进步在于：
1、本发明通过采用多个深度学习自然语言处理算法，解决了训练算法需要大量数据量和效率不足的问题，达到了更加节约计算资源和提升效率的效果；
2、本发明通过将算法学习和计算置于云端，解决了多进程导致服务器负荷过大、响应不及时的问题，达到了多用户实时使用并互不干扰的效果；
3、本发明通过结合了Web3.0开发技术，解决了虚拟聊天机器人服务场景局限于单一设备的问题，达到了该机器人可移植到任意可联网设备或应用中的效果；
4、本发明通过添加了语音识别和图像识别技术，解决了指令信息传达局限于文字的问题，达到了提升用户交互的实用性以及信息传达效率的效果。
附图说明
为更清楚地说明本发明的技术方案，下面将对本发明的实施例所需使用的附图作一简单介绍。
显而易见地，下面描述中的附图仅是本发明中的部分实施例的附图，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，但这些其他的附图同样属于本发明实施例所需使用的附图之内。
图1为本发明实施例的一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案、有益效果及显著进步更加清楚，下面，将结合本发明实施例中所提供的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
显然，所有描述的这些实施例仅是本发明的部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书以及本发明实施例附图中的术语“第一”、“第二”和“第三”(如果存在)等，仅是用于区别不同的对象，而非用于描述特定的顺序。此外，术语“包括”以及它们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要理解的是：
在本发明中，除非另有明确的规定和限定，术语“安装”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或活动连接，亦可是成为一体；可以是直接连接，也可以是通过中间媒介的间接连接或是无形的信号连接，甚至是光连接，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。
对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是，以下的具体实施例可以相互结合，对于其中相同或相似的概念或过程可能在某些实施例中不再赘述。
下面，以具体的实施例对本发明的技术方案进行详细说明。
实施例1
一种集成自然语言理解算法和Web3.0技术的聊天机器人，包括：指令输入模块、后端学习模块、数据储存模块、自学习评分模块、语音和文字输出模块；所述指令输入模块连接所述后台学习模块，所述后台学习模块并行连接所述数据储存模块和所述自学习评分模块，所述自学习评分模块连接所述语音和文字输出模块；
所述指令输入模块，用于收集用户对聊天机器人发出的指令；
所述后端学习模块，用于学习和理解上述指令，并根据理解的意思在存储模块中查找可能的回复；
所述数据储存模块，用于储存所有指令的可能回复；
所述自学习评分模块，给后端学习模块输出的回复赋予权重；
所述语音和文字输出模块，用于将回复传达给用户。
在本实施例中，所述指令输入模块和所述后台学习模块之间还依次设有预处理模块、应用处理器和云上后端。
在本实施例中，所述指令输入模块可以同时处理文字、语音、视频和图像指令，
文字指令直接进入预处理步骤；
语音指令将通过语音识别功能来转换成文字，
图像指令被提取为文字信息之后送入预处理环节；
视频将会拆分成声音和图像两种信息之后分别处理；
在预处理环节中，机器人会识别有效指令和其他噪音信息，有效指令将传回后端学习模块。
在本实施例中，所述后端学习模块包括GPT-3和BERT，BERT算法可以双向学习指令并抓取其中的关键词。其也可以同时处理多行指令，学习和理解每一行的重点和作用，并选择最合适的回复；GPT-3则使用小样本学习法，可以消耗更少的资源来学习用户的指令，同时GPT-3也会为每一个可能的回复赋予权重并传回自学习评分模块。
在本实施例中，所述自学习评分模块使用集成学习将两种语言处理算法的结果放入数个分类器中，每个分类器使用线性模型拟合指令和回复，然后返回平均方差最小的结果，集成学习将归纳所有分类器的结果，之后选择可能性最大的结果传给文字和语音输出模块的。
在本实施例中，所述后端学习模块将学习和理解的信息输出并存储于所述数据存储模块内。
实施例2
如图1所示，示出了一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法，包括以下步骤：
S1、接受语音、文字、图像和影像作为指令输入；
S2、指令信息经过预处理之后送到云上后端；
S4、多个算法的反馈集中之后，会送入自学习评分模块来判断，该模块使用了分类器的判断评分，最后将可能性最高的回复输出。
在本实施例中，步骤S1中，指令包括语音、文字、图像和影像信息。
在本实施例中，包括以下步骤：云上后端连接的多个深度学习自然语言理解算法会将信息处理成字符串序列并开始学习；算法会使用注意力机制来抓取指令中的关键词，为储存模块中的多个可能的回复计算可能性，这些回复也会一一与指令并列学习，并采用反馈机制让算法意识那个回复更加适合。
本实施例可以接受语音、文字、图像和影像作为指令输入。这些信息经过预处理之后送到云上后端。云端链接的多个深度学习自然语言理解算法会将信息处理成字符串序列并开始学习。算法会使用注意力机制来抓取指令中的关键词，为储存模块中的多个可能的回复计算可能性。这些回复也会一一与指令并列学习，并采用反馈机制让算法意识那个回复更加适合。最后多个算法的反馈集中之后，会送入自学习评分模块来判断。该模块使用了分类器的判断评分，最后将可能性最高的回复输出。最后回复会同时以语音和文字的形式传递给用户。
实施例3
以在虚拟教室里使用为例。
首先，学生能够在使用交互性网页，访问智能对话机器人，并通过多种途径发送指令。在这个虚拟沉浸式的环境中，学生可以选择输入文字、说话、画图、传送图片等等方式与机器人交互，而这些指令会传送至云上后端，并开始处理。最后机器人会以与语音和文字同步回复学生，解答他们的问题或者提供他们想要的资料。
比如说，学生想要了解一节课程的内容，他可以先文字输入课程代号，然后说“想了解这节课的详细信息。”机器人会根据这两个信息构成的指令去学习和理解。当机器人了解指令之后就会去数据储存模块查找课程相关的数据。这些数据可以是学校提供的，也有上过课的学生的反馈等等。机器人将会选择更加可能的回复输出给同学。最后机器人会在交互屏幕上展示回复，并且念给学生听。最后学生可以给这个回复打分，将自己的满意程度反馈给机器人。
在上述说明书的描述过程中：
术语“本实施例”、“本发明实施例”、“如……所示”、“进一步的”、“进一步改进的技术分方案”等的描述，意指该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中；在本说明书中，对上述术语的示意性表述不是必须针对相同的实施例或示例，而且，描述的具体特征、结构、材料或者特点等可以在任意一个或者多个实施例或示例中以合适的方式结合或组合；此外，在不产生矛盾的前提下，本领域的普通技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合或组合。
最后应说明的是：
以上各实施例仅用以说明本发明的技术方案，而非是对其的限制；
尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，本领域技术人员根据本说明书内容所做出的非本质改进和调整或者替换，均属本发明所要求保护的范围。

Claims (9)

1.一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，包括：指令输入模块、后端学习模块、数据储存模块、自学习评分模块、语音和文字输出模块；所述指令输入模块连接所述后台学习模块，所述后台学习模块并行连接所述数据储存模块和所述自学习评分模块，所述自学习评分模块连接所述语音和文字输出模块；
所述指令输入模块，用于收集用户对聊天机器人发出的指令；
所述后端学习模块，用于学习和理解上述指令，并根据理解的意思在存储模块中查找可能的回复；
所述数据储存模块，用于储存所有指令的可能回复；
所述自学习评分模块，给后端学习模块输出的回复赋予权重；
所述语音和文字输出模块，用于将回复传达给用户。
2.如权利要求1所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，所述指令输入模块和所述后台学习模块之间还依次设有预处理模块、应用处理器和云上后端。
3.如权利要求2所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，所述指令输入模块可以同时处理文字、语音、视频和图像指令，
文字指令直接进入预处理步骤；
语音指令将通过语音识别功能来转换成文字，
图像指令被提取为文字信息之后送入预处理环节；
视频将会拆分成声音和图像两种信息之后分别处理；
在预处理环节中，机器人会识别有效指令和其他噪音信息，有效指令将传回后端学习模块。
4.如权利要求1所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，所述后端学习模块包括GPT-3和BERT，BERT算法可以双向学习指令并抓取其中的关键词。其也可以同时处理多行指令，学习和理解每一行的重点和作用，并选择最合适的回复；GPT-3则使用小样本学习法，可以消耗更少的资源来学习用户的指令，同时GPT-3也会为每一个可能的回复赋予权重并传回自学习评分模块。
5.如权利要求1所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，所述自学习评分模块使用集成学习将两种语言处理算法的结果放入数个分类器中，每个分类器使用线性模型拟合指令和回复，然后返回平均方差最小的结果，集成学习将归纳所有分类器的结果，之后选择可能性最大的结果传给文字和语音输出模块的。
6.如权利要求1所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人，其特征在于，所述后端学习模块将学习和理解的信息输出并存储于所述数据存储模块内。
7.一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法，其特征在于，包括以下步骤：
S1、接受语音、文字、图像和影像作为指令输入；
S2、指令信息经过预处理之后送到云上后端；
S4、多个算法的反馈集中之后，会送入自学习评分模块来判断，该模块使用了分类器的判断评分，最后将可能性最高的回复输出。
8.如权利要求7所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法，其特征在于，步骤S1中，指令包括语音、文字、图像和影像信息。
9.如权利要求7所述的一种集成自然语言理解算法和Web3.0技术的聊天机器人的方法，其特征在于，包括以下步骤：云上后端连接的多个深度学习自然语言理解算法会将信息处理成字符串序列并开始学习；算法会使用注意力机制来抓取指令中的关键词，为储存模块中的多个可能的回复计算可能性，这些回复也会一一与指令并列学习，并采用反馈机制让算法意识那个回复更加适合。
CN202310185908.3A 2023-03-01 2023-03-01 集成自然语言理解算法和Web3.0技术的聊天机器人及方法 Pending CN116521831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310185908.3A CN116521831A (zh) 2023-03-01 2023-03-01 集成自然语言理解算法和Web3.0技术的聊天机器人及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310185908.3A CN116521831A (zh) 2023-03-01 2023-03-01 集成自然语言理解算法和Web3.0技术的聊天机器人及方法

Publications (1)

Publication Number Publication Date
CN116521831A true CN116521831A (zh) 2023-08-01

Family

ID=87401839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310185908.3A Pending CN116521831A (zh) 2023-03-01 2023-03-01 集成自然语言理解算法和Web3.0技术的聊天机器人及方法

Country Status (1)

Country Link
CN (1) CN116521831A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290468A (zh) * 2023-08-25 2023-12-26 北京红棉小冰科技有限公司 智能对话方法、装置和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117290468A (zh) * 2023-08-25 2023-12-26 北京红棉小冰科技有限公司 智能对话方法、装置和存储介质
CN117290468B (zh) * 2023-08-25 2024-06-04 北京红棉小冰科技有限公司 智能对话方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN109947954B (zh) 多任务协同识别方法及系统
CN111554268B (zh) 基于语言模型的语言识别方法、文本分类方法和装置
CN113392640B (zh) 一种标题确定方法、装置、设备及存储介质
WO2022012605A1 (zh) 基于预训练深度神经网络模型的用户流失预测系统
JP7283836B2 (ja) マルチタスク言語モデル向けのメタ知識微調整方法及びプラットフォーム
CN115146975A (zh) 基于深度学习的面向师-机-生教学成效评估方法和系统
US20200004768A1 (en) Method for processing language information and electronic device therefor
CN114510570A (zh) 基于小样本语料的意图分类方法、装置及计算机设备
CN117332072B (zh) 对话处理、语音摘要提取以及目标对话模型训练方法
CN116521831A (zh) 集成自然语言理解算法和Web3.0技术的聊天机器人及方法
CN112069781A (zh) 一种评语生成方法、装置、终端设备及存储介质
CN117271745A (zh) 一种信息处理方法、装置及计算设备、存储介质
CN116975288A (zh) 文本处理方法及文本处理模型训练方法
CN114282606A (zh) 对象识别方法、装置、计算机可读存储介质及计算机设备
CN113672714A (zh) 一种多轮对话装置及方法
CN117636874A (zh) 机器人对话方法、系统、机器人和存储介质
CN117521771A (zh) 模型训练方法、装置、电子设备和存储介质
CN109299805B (zh) 一种基于人工智能的在线教育课程请求处理方法
CN114330701A (zh) 模型训练方法、装置、计算机设备、存储介质及程序产品
CN113763929A (zh) 一种语音评测方法、装置、电子设备和存储介质
Hao Design and application of an intelligent communication platform for aesthetics education for internationalization
CN112052320A (zh) 一种信息处理方法、装置及计算机可读存储介质
Starostenko et al. Computational approaches to support image-based language learning within mobile environment
CN117540024B (zh) 一种分类模型的训练方法、装置、电子设备和存储介质
Bayounes et al. NajahniBot: An Intelligent Chatbot aware of Educational Context for Adaptive Learning

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