CN116842156A - 数据生成方法及装置、设备和介质 - Google Patents
数据生成方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN116842156A CN116842156A CN202310798540.8A CN202310798540A CN116842156A CN 116842156 A CN116842156 A CN 116842156A CN 202310798540 A CN202310798540 A CN 202310798540A CN 116842156 A CN116842156 A CN 116842156A
- Authority
- CN
- China
- Prior art keywords
- data
- reply data
- reply
- query
- feedback
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000013136 deep learning model Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 6
- 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
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 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
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 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
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 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
- G06F16/3325—Reformulation based on results of preceding query
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据生成方法及装置、设备和介质，涉及人工智能技术领域，尤其涉及自然语言处理和深度学习等技术领域。数据生成方法包括：基于来自用户的第一问询数据，生成第一回复数据；响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
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和深度学习等领域，具体涉及一种数据生成方法、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。
生成式语言大模型可以应用于各种自然语言处理任务，特别是能够根据用户的问询内容生成用于回复的自然语言文本，以实现与用户的交互。
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
本公开提供了一种数据生成方法、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，提供了一种数据生成方法，包括：基于来自用户的第一问询数据，生成第一回复数据；响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
根据本公开的另一方面，提供了一种数据生成装置，包括：第一生成单元，被配置为基于来自用户的第一问询数据，生成第一回复数据；确定单元，被配置为响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及第二生成单元，基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
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数据生成方法。
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，所述计算机指令用于使所述计算机执行上述数据生成方法。
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能够实现上述数据生成方法。
根据本公开的一个或多个实施例，可以提升回复数据生成的质量。
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示出了根据本公开示例性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数据生成方法的流程图；
图3示出了根据本公开示例性实施例的数据生成过程的示意图；
图4示出了根据本公开示例性实施例的数据生成装置的结构框图；
图5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，当应用生成式语言模型来基于用户的输入数据生成回复数据时，通常是在模型训练阶段通过人工标注语料或是调整训练方式(例如优化损失函数或是进行强化学习)来增强模型的性能。而在模型的应用阶段，即数据生成过程中，通常仅是基于用户所输入的问询数据来直接生成回复数据，未能实现根据用户对回复数据的反馈来调整相应的回复数据，从而导致回复数据的质量无法充分满足用户的需求。
基于此，本公开提供了一种数据生成方法，在针对用户的问询数据生成初始的回复数据之后，当接收到用户对该回复数据的负反馈时，基于该负反馈自我诊断该回复数据得到负反馈的原因，进而生成针对该回复数据的反思结果，以基于该反思结果生成新的回复数据，从而使得回复数据更符合用户的需求，提升回复数据生成的质量。
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数据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。
用户可以使用客户端设备101、102、103、104、105和/或106来发送问询数据和反馈。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可以包括各种类别的计算机设备，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别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别的网络，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、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可以是不同的类别。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别的数据库，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。
图2示出了根据本公开示例性实施例的数据生成方法200的流程图。如图2所示，方法200包括：
步骤S201、基于来自用户的第一问询数据，生成第一回复数据；
步骤S202、响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及
步骤S203、基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
通过利用方法200所述的数据生成方式，能够在针对用户输入的问询数据生成第一回复数据之后，当接收到用户对第一回复数据的负面反馈时，基于该负面反馈生成针对第一回复数据的反思结果，以实现自我诊断，再基于该反思结果生成新的第二回复数据，以使得新的第二回复数据更符合用户的需求，提升回复数据生成的质量。
在一些示例中，第一问询数据、第一回复数据、第二回复数据和第一反思结果可以是自然语言文本。例如，第一问询数据可以为“帮我写一句五个字的汽车广告词”，在这种情况下，当所生成的第一回复数据是一句包含七个字的广告词，并且用户针对该第一回复数据给出负反馈时，即可自我诊断收到负反馈的原因，以得到第一反思结果“用户的要求是五个字的广告词，生成结果包含了七个字，字数不符合用户的要求”，通过利用第一反思结果来指示第一回复数据得到负反馈的可能原因，能够基于此生成新的第二回复数据，以避免第二回复数据再次收到用户的负反馈，从而提升了回复数据生成的质量。
根据一些实施例，所述第一反思结果还包括针对所述第一回复数据的优化策略。由此，能够基于进一步包括优化策略的反思结果来进行数据生成，以基于反思结果得到针对性更强、内容更丰富具体的第二回复数据。
在上述示例中，反思结果可以为“用户的要求是五个字的广告词，生成结果包含了七个字，字数不符合用户的要求，再次生成时需要保证结果是五个字”。通过基于包含了“再次生成时需要保证结果是五个字”这一优化策略的反思结果来生成新的第二回复数据，能够提升第二回复数据生成的质量，进而提升用户体验。
根据一些实施例，步骤S201中基于来自用户的第一问询数据，生成第一回复数据包括：基于所述第一问询数据，确定用于深度学习模型的第一输入数据，所述深度学习模型用于基于输入数据生成回复数据；以及将所述第一输入数据输入所述深度学习模型，以获取所述第一回复数据，并且步骤S203中基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据包括：基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据；以及将所述第二输入数据输入所述深度学习模型，以获取所述第二回复数据。由此，能够利用深度学习模型来生成回复数据，通过生成指示不同需求的第一输入数据和第二输入数据并输入深度学习模型，即能够利用同一深度学习模型来生成第一回复数据和第二回复数据，提升效率和便捷性。
在一些示例中，用于基于输入数据而生成回复数据的深度学习模型具有端到端的特性，能够基于自然语言文本形式的输入数据直接生成自然语言文本形式的回复数据。在一些示例中，该深度学习模型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，该深度学习模型还可以是其他的基于Transformer网络结构的神经网络模型，在此不作限定。
在一些示例中，该深度学习模型可以是利用样本语料进行训练得到的，用于训练该深度学习模型的样本语料例如可以包括样本输入数据和针对该样本输入数据的样本回复数据。在训练过程中，可以是将样本输入数据输入该深度学习模型以得到预测回复数据，基于预测回复数据和样本回复数据来计算损失值，进而基于损失值调整深度学习模型的参数。在一些示例中，可以是基于负对数似然损失(Negative-Log likelihood Loss，NLL)计算方式来确定深度学习模型的损失值。
在一些示例中，也可以是分别利用不同的语料来训练应用于步骤S201的深度学习模型和应用于步骤S203的深度学习模型，通过使用更具针对性的训练语料来提升模型生成回复内容的准确度。
根据一些实施例，基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据包括：基于所述第一问询数据、所述第一反思结果和任务说明信息，确定所述第二输入数据，所述任务说明信息指示所述第二输入数据包括所述第一反思结果。由此，通过在输入内容的基础上添加任务说明信息，能够显式地指示当前的数据生成需求，以使得深度学习模型能够基于第一反思结果和第一问询数据来生成第二输入数据，以提升数据生成效率。
参见前文所描述的示例，在这一示例中，第一问询数据、第一回复数据、第二回复数据和第一反思结果均为自然语言文本，并且深度学习模型也是用于接收和生成自然语言文本的。在这种情况下，任务说明信息可以是预设的自然语言文本片段或模板，用以指示输入数据中第一问询数据和第一反思结果的存在性，该任务说明信息例如可以为：请根据第一问询数据__和第一反思结果__生成针对第一问询数据的回复数据。通过将第一问询数据和第一反思结果的内容填充至该模板中，即可得到能够明确地指示数据生成需求的输入数据，以使得深度学习模型能够基于此生成第二回复数据。
应当理解，上述实施方式仅是对深度学习模型的输入数据的示例，输入数据也可以是基于其他方式生成，例如直接在第一问询数据和第一反思结果的基础上添加预先定义的生成模式的标签来得到第二输入数据，以使得深度学习模型能够基于该标签确定第二输入数据中包含第一反思结果。只要能够令深度学习模型感知到输入数据中反思结果的存在并基于该反思结果生成回复数据，本公开对输入数据的确定方式不作限定。
根据一些实施例，步骤S202中基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果包括：将所述第一回复数据和所述第一反馈输入反思生成网络，以获取所述反思生成网络输出的所述第一反思结果，其中，所述反思生成网络是利用样本语料进行训练得到的，所述样本语料包括样本回复数据、样本反馈和针对所述样本回复数据的样本反思结果。由此，能够利用训练好的反思生成网络来得到反思结果，提升反思结果生成的效率和便捷性。
在一些示例中，反思生成网络可以是采用具有编码器(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 Language Model，UniLM)网络结构。与前文所描述的深度学习模型的训练方式类似，该反思生成网络可以是利用样本语料进行训练得到的，用于训练反思生成网络的样本语料例如可以包括样本回复数据、样本反馈和针对所述样本回复数据的样本反思结果。在训练过程中，可以是将样本回复数据和样本反馈输入该深度学习模型以得到预测反思结果，基于预测反思结果和样本反思结果来计算损失值，进而基于损失值调整反思生成网络的参数。
根据一些实施例，步骤S202中响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果包括：响应于接收到所述用户针对所述第一回复数据的第一反馈，并且响应于确定所述第一反馈为负反馈，基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果。由此，能够在获取到用户的反馈数据后，进一步确定该反馈数据是否为负反馈，从而能够在反馈数据未显式地指示该反馈是否为负反馈的情况下，进一步通过确定步骤来识别负反馈，以提升准确度。
在一些示例中，可以是利用基于分类器的用户反馈识别模型来区分该第一反馈是否为负反馈。在一些示例中，用户反馈识别模型可以是利用标注有真实属性标签(包括正反馈和负反馈)的样本反馈数据集进行训练得到的，从而能够更高效、准确地确定来自用户的第一反馈是否为负反馈。
在一些示例中，也可以是通过其他方式来确定是否接收到来自用户的负反馈。在一个示例中，可以是基于用户在用户界面上的操作来确定收到负反馈，例如可以是响应于确定用户点击差评按钮或是给出低于阈值的评分来确定收到负反馈。
根据一些实施例，方法200还包括：响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据。由此，能够在用户发出与第一问询数据相似的第二问询数据时，利用第一问询数据和第二回复数据来增强当前的第三回复数据的生成，以提升回复数据生成的质量。
在一些示例中，可以是将问询数据均表示为文本向量，通过计算向量相似度来确定第一问询数据与第二问询数据之间的相似度。
根据一些实施例，方法200还包括：将所述第一问询数据和所述第二回复数据存入记忆库，其中，所述响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据包括：响应于确定来自用户的第二问询数据与所述记忆库中的第一问询数据的相似度大于所述预设阈值，从所述记忆库中获取所述第二回复数据；以及基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成所述第三回复数据。由此，能够利用记忆库来保存问询数据-回复数据对，通过使用记忆库，能够保存更多数量、更长时间内的历史对话数据，进而参考历史对话来增强当前的回复数据的生成，以提升回复数据生成的质量。
在一些示例中，当利用如前文所描述的深度学习模型来生成回复数据，可以是基于第一问询数据、第二回复数据和第二问询数据确定用于所述深度学习模型的第三输入数据，进而将第三输入数据输入深度学习模型，以获取第三回复数据。在一个示例中，该第三回复数据例如可以包括指示第一问询数据和第二回复数据存在的说明信息，以使得深度学习模型能够基于此生成第三回复数据。
图3示出了根据本公开示例性实施例的数据生成过程的示意图。如图3所示，在这一示例中，可以是利用智能交互系统300来实现与用户交互的数据生成过程。
参见图3，智能交互系统300包括用户反馈识别模型301、反思生成网络302、深度学习模型303和记忆库304。
在这一示例中，包含用户反馈识别模型301、反思生成网络302和记忆库304的数据传输通路是可选的。当用户发出第一问询数据，并且记忆库304中不包括与第一问询数据相似的历史数据时，深度学习模型303可以基于用户所输入的第一问询数据直接生成第一回复数据。当接收到用户针对第一回复数据的第一反馈后，则可以利用用户反馈识别模型301来确定该第一反馈是否为负反馈，当确定该第一反馈为负反馈时，即可利用反思生成网络302基于第一回复数据和第一反馈来得到第一反思结果，进而令深度学习模型303基于第一问询数据和第一反思结果来确定新的第二回复数据，并且可以将第一问询数据和第二回复数据存入记忆库304。
当接收到第二问询数据，并且确定记忆库304中已存在与第二问询数据304相似的第一问询数据时，即可令深度学习模型303基于第一问询数据、第二回复数据和第二问询数据来确定针对第二问询数据的第三回复数据，以利用第一问询数据和第二回复数据来增强当前的第三回复数据的生成，提升回复数据生成的质量。
根据本公开的一方面，还提供一种数据生成装置。图4示出了根据本公开示例性实施例的数据生成装置400的结构框图。如图4所示，装置400包括：第一生成单元401，被配置为基于来自用户的第一问询数据，生成第一回复数据；确定单元402，被配置为响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及第二生成单元403，基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
根据一些实施例，第一生成单元401包括：第一确定子单元，被配置为基于所述第一问询数据，确定用于深度学习模型的第一输入数据，所述深度学习模型用于基于输入数据生成回复数据；以及第一输入子单元，被配置为将所述第一输入数据输入所述深度学习模型，以获取所述第一回复数据，并且其中，第二生成单元403包括：第二确定子单元，被配置为基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据；以及第二输入子单元，被配置为将所述第二输入数据输入所述深度学习模型，以获取所述第二回复数据。
根据一些实施例，所述第二输入子单元被配置为：基于所述第一问询数据、所述第一反思结果和任务说明信息，确定所述第二输入数据，所述任务说明信息指示所述第二输入数据包括所述第一反思结果。
根据一些实施例，确定单元402被配置为：将所述第一回复数据和所述第一反馈输入反思生成网络，以获取所述反思生成网络输出的所述第一反思结果，其中，所述反思生成网络是利用样本语料进行训练得到的，所述样本语料包括样本回复数据、样本反馈和针对所述样本回复数据的样本反思结果。
根据一些实施例，确定单元402被配置为：响应于接收到所述用户针对所述第一回复数据的第一反馈，并且响应于确定所述第一反馈为负反馈，基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果。
根据一些实施例，装置400还包括：第三生成单元，被配置为响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据。
根据一些实施例，装置400还包括：存储单元，被配置为将所述第一问询数据和所述第二回复数据存入记忆库，其中，所述第三生成单元包括：获取子单元，被配置为响应于确定来自用户的第二问询数据与所述记忆库中的第一问询数据的相似度大于所述预设阈值，从所述记忆库中获取所述第二回复数据；以及生成子单元，被配置为基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成所述第三回复数据。
根据一些实施例，所述第一反思结果还包括针对所述第一回复数据的优化策略。
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。
根据本公开的另一方面，还提供一种电子设备，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的数据生成方法。
根据本公开的另一方面，还提供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上述的数据生成方法。
根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序再被处理器执行时实现上述的数据生成方法。
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500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5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类别的设备，输入单元506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507可以是能呈现信息的任何类别的设备，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508可以包括但不限于磁盘、光盘。通信单元509允许设备500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、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501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501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501执行上文所描述的各个方法和处理，例如数据生成方法。例如，在一些实施例中，数据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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的数据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501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据生成方法。
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)、复杂可编程逻辑设备(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，本发明的范围并不由这些实施例或示例限制。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 (19)
1.一种数据生成方法，所述方法包括：
基于来自用户的第一问询数据，生成第一回复数据；
响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及
基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
2.如权利要求1所述的方法，其中，所述基于来自用户的第一问询数据，生成第一回复数据包括：
基于所述第一问询数据，确定用于深度学习模型的第一输入数据，所述深度学习模型用于基于输入数据生成回复数据；以及
将所述第一输入数据输入所述深度学习模型，以获取所述第一回复数据，
并且其中，所述基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据包括：
基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据；以及
将所述第二输入数据输入所述深度学习模型，以获取所述第二回复数据。
3.如权利要求2所述的方法，其中，所述基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据包括：
基于所述第一问询数据、所述第一反思结果和任务说明信息，确定所述第二输入数据，所述任务说明信息指示所述第二输入数据包括所述第一反思结果。
4.如权利要求1-3中任一项所述的方法，其中，所述基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果包括：
将所述第一回复数据和所述第一反馈输入反思生成网络，以获取所述反思生成网络输出的所述第一反思结果，其中，所述反思生成网络是利用样本语料进行训练得到的，所述样本语料包括样本回复数据、样本反馈和针对所述样本回复数据的样本反思结果。
5.如权利要求1-4中任一项所述的方法，其中，所述响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果包括：
响应于接收到所述用户针对所述第一回复数据的第一反馈，并且响应于确定所述第一反馈为负反馈，基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果。
6.如权利要求1-5中任一项所述的方法，还包括：
响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据。
7.如权利要求6所述的方法，还包括：
将所述第一问询数据和所述第二回复数据存入记忆库，
其中，所述响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据包括：
响应于确定来自用户的第二问询数据与所述记忆库中的第一问询数据的相似度大于所述预设阈值，从所述记忆库中获取所述第二回复数据；以及
基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成所述第三回复数据。
8.如权利要求1-7中任一项所述的方法，其中，所述第一反思结果还包括针对所述第一回复数据的优化策略。
9.一种数据生成装置，所述装置包括：
第一生成单元，被配置为基于来自用户的第一问询数据，生成第一回复数据；
确定单元，被配置为响应于接收到所述用户针对所述第一回复数据的负反馈，基于所述第一回复数据和所述负反馈，确定针对所述第一回复数据的第一反思结果，所述第一反思结果指示所述用户针对所述第一回复数据的反馈为负反馈的诊断原因；以及
第二生成单元，基于所述第一问询数据和所述第一反思结果，生成针对所述第一问询数据的第二回复数据。
10.如权利要求9所述的装置，其中，所述第一生成单元包括：
第一确定子单元，被配置为基于所述第一问询数据，确定用于深度学习模型的第一输入数据，所述深度学习模型用于基于输入数据生成回复数据；以及
第一输入子单元，被配置为将所述第一输入数据输入所述深度学习模型，以获取所述第一回复数据，
并且其中，所述第二生成单元包括：
第二确定子单元，被配置为基于所述第一问询数据和所述第一反思结果，确定用于所述深度学习模型的第二输入数据；以及
第二输入子单元，被配置为将所述第二输入数据输入所述深度学习模型，以获取所述第二回复数据。
11.如权利要求10所述的装置，其中，所述第二输入子单元被配置为：
基于所述第一问询数据、所述第一反思结果和任务说明信息，确定所述第二输入数据，所述任务说明信息指示所述第二输入数据包括所述第一反思结果。
12.如权利要求9-11中任一项所述的装置，其中，所述确定单元被配置为：
将所述第一回复数据和所述第一反馈输入反思生成网络，以获取所述反思生成网络输出的所述第一反思结果，其中，所述反思生成网络是利用样本语料进行训练得到的，所述样本语料包括样本回复数据、样本反馈和针对所述样本回复数据的样本反思结果。
13.如权利要求9-12中任一项所述的装置，其中，所述确定单元被配置为：
响应于接收到所述用户针对所述第一回复数据的第一反馈，并且响应于确定所述第一反馈为负反馈，基于所述第一回复数据和所述第一反馈，确定针对所述第一回复数据的第一反思结果。
14.如权利要求9-13中任一项所述的装置，还包括：
第三生成单元，被配置为响应于确定来自用户的第二问询数据与所述第一问询数据的相似度大于预设阈值，基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成针对所述第二问询数据的第三回复数据。
15.如权利要求14所述的装置，还包括：
存储单元，被配置为将所述第一问询数据和所述第二回复数据存入记忆库，
其中，所述第三生成单元包括：
获取子单元，被配置为响应于确定来自用户的第二问询数据与所述记忆库中的第一问询数据的相似度大于所述预设阈值，从所述记忆库中获取所述第二回复数据；以及
生成子单元，被配置为基于所述第一问询数据、所述第二回复数据和所述第二问询数据，生成所述第三回复数据。
16.如权利要求9-15中任一项所述的装置，其中，所述第一反思结果还包括针对所述第一回复数据的优化策略。
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。
19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310798540.8A CN116842156B (zh) | 2023-06-30 | 2023-06-30 | 数据生成方法及装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310798540.8A CN116842156B (zh) | 2023-06-30 | 2023-06-30 | 数据生成方法及装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842156A true CN116842156A (zh) | 2023-10-03 |
| CN116842156B CN116842156B (zh) | 2024-05-10 |
Family
ID=88173771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310798540.8A Active CN116842156B (zh) | 2023-06-30 | 2023-06-30 | 数据生成方法及装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842156B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060206337A1 (en) * | 2005-03-08 | 2006-09-14 | Microsoft Corporation | Online learning for dialog systems |
| US20180090136A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | System, method and computer program product for improving dialog service quality via user feedback |
| US20190115027A1 (en) * | 2017-10-12 | 2019-04-18 | Google Llc | Turn-based reinforcement learning for dialog management |
| US20190130904A1 (en) * | 2017-10-26 | 2019-05-02 | Hitachi, Ltd. | Dialog system with self-learning natural language understanding |
| CN110688468A (zh) * | 2019-08-28 | 2020-01-14 | 北京三快在线科技有限公司 | 输出响应消息的方法、装置、电子设备及可读存储介质 |
| US20200251105A1 (en) * | 2017-09-29 | 2020-08-06 | Torooc Inc. | Method and system for providing conversation service by using autonomous behavior robot, and non-transitory computer-readable recording medium |
| CN112052688A (zh) * | 2020-09-09 | 2020-12-08 | 青岛大学 | 一种基于语义的行为生成方法 |
| CN113342945A (zh) * | 2021-05-11 | 2021-09-03 | 北京三快在线科技有限公司 | 一种语音会话处理方法及装置 |
| US20220310078A1 (en) * | 2021-03-29 | 2022-09-29 | Sap Se | Self-improving intent classification |
| CN115470381A (zh) * | 2022-08-16 | 2022-12-13 | 北京百度网讯科技有限公司 | 信息交互方法、装置、设备及介质 |
| CN115795038A (zh) * | 2023-01-31 | 2023-03-14 | 南方电网数字电网研究院有限公司 | 基于国产化深度学习框架的意图识别方法和装置 |
| CN115952274A (zh) * | 2023-03-10 | 2023-04-11 | 北京百度网讯科技有限公司 | 基于深度学习模型的数据生成方法、训练方法和装置 |
| CN116186224A (zh) * | 2023-03-03 | 2023-05-30 | 湖北企保信息科技有限公司 | 基于互联网的电子商务平台管理方法及系统 |
| CN116303962A (zh) * | 2023-03-21 | 2023-06-23 | 北京百度网讯科技有限公司 | 对话生成方法、深度学习模型的训练方法、装置和设备 |
-
2023
- 2023-06-30 CN CN202310798540.8A patent/CN116842156B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060206337A1 (en) * | 2005-03-08 | 2006-09-14 | Microsoft Corporation | Online learning for dialog systems |
| US20180090136A1 (en) * | 2016-09-27 | 2018-03-29 | International Business Machines Corporation | System, method and computer program product for improving dialog service quality via user feedback |
| US20200251105A1 (en) * | 2017-09-29 | 2020-08-06 | Torooc Inc. | Method and system for providing conversation service by using autonomous behavior robot, and non-transitory computer-readable recording medium |
| US20190115027A1 (en) * | 2017-10-12 | 2019-04-18 | Google Llc | Turn-based reinforcement learning for dialog management |
| US20190130904A1 (en) * | 2017-10-26 | 2019-05-02 | Hitachi, Ltd. | Dialog system with self-learning natural language understanding |
| CN110688468A (zh) * | 2019-08-28 | 2020-01-14 | 北京三快在线科技有限公司 | 输出响应消息的方法、装置、电子设备及可读存储介质 |
| CN112052688A (zh) * | 2020-09-09 | 2020-12-08 | 青岛大学 | 一种基于语义的行为生成方法 |
| US20220310078A1 (en) * | 2021-03-29 | 2022-09-29 | Sap Se | Self-improving intent classification |
| CN113342945A (zh) * | 2021-05-11 | 2021-09-03 | 北京三快在线科技有限公司 | 一种语音会话处理方法及装置 |
| CN115470381A (zh) * | 2022-08-16 | 2022-12-13 | 北京百度网讯科技有限公司 | 信息交互方法、装置、设备及介质 |
| CN115795038A (zh) * | 2023-01-31 | 2023-03-14 | 南方电网数字电网研究院有限公司 | 基于国产化深度学习框架的意图识别方法和装置 |
| CN116186224A (zh) * | 2023-03-03 | 2023-05-30 | 湖北企保信息科技有限公司 | 基于互联网的电子商务平台管理方法及系统 |
| CN115952274A (zh) * | 2023-03-10 | 2023-04-11 | 北京百度网讯科技有限公司 | 基于深度学习模型的数据生成方法、训练方法和装置 |
| CN116303962A (zh) * | 2023-03-21 | 2023-06-23 | 北京百度网讯科技有限公司 | 对话生成方法、深度学习模型的训练方法、装置和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842156B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| CN116450917B (zh) | 信息搜索方法及装置、电子设备和介质 | |
| CN116842155B (zh) | 文本生成方法、文本生成模型的训练方法及装置 | |
| CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
| 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 | |
| CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
| CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
| CN116841506A (zh) | 程序代码生成方法及装置、模型训练方法及装置 | |
| CN113722594B (zh) | 推荐模型的训练方法、推荐方法、装置、电子设备及介质 | |
| CN115964462A (zh) | 对话内容处理方法、对话理解模型的训练方法和装置 | |
| CN114219046B (zh) | 模型训练方法、匹配方法、装置、系统、电子设备和介质 | |
| CN113596011B (zh) | 流量识别方法及装置，计算设备和介质 | |
| CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
| CN113722534B (zh) | 视频推荐方法和装置 | |
| CN114861658B (zh) | 地址信息解析方法及装置、设备和介质 | |
| CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
| CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
| CN114140851B (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
| CN114821233B (zh) | 目标检测模型的训练方法及装置、设备和介质 | |
| CN117709471A (zh) | 可解释性分析方法、装置、设备和介质 | |
| CN117669667A (zh) | 用于执行目标任务的模型的训练方法、装置及设备 | |
| CN117390445A (zh) | 大语言模型的训练方法、文本处理方法、装置和设备 |
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 |