CN116910212A - 对话生成方法、装置、电子设备及计算机可读存储介质 - Google Patents
对话生成方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116910212A CN116910212A CN202310860894.0A CN202310860894A CN116910212A CN 116910212 A CN116910212 A CN 116910212A CN 202310860894 A CN202310860894 A CN 202310860894A CN 116910212 A CN116910212 A CN 116910212A
- Authority
- CN
- China
- Prior art keywords
- text
- historical
- user
- dialogue
- dialog
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 72
- 230000006870 function Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 46
- 102100033814 Alanine aminotransferase 2 Human genes 0.000 claims description 34
- 101710096000 Alanine aminotransferase 2 Proteins 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 20
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 8
- 229910052791 calcium Inorganic materials 0.000 description 8
- 239000011575 calcium Substances 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 206010006956 Calcium deficiency Diseases 0.000 description 4
- 229930003316 Vitamin D Natural products 0.000 description 4
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 235000019166 vitamin D Nutrition 0.000 description 4
- 239000011710 vitamin D Substances 0.000 description 4
- 150000003710 vitamin D derivatives Chemical class 0.000 description 4
- 229940046008 vitamin d Drugs 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 150000003722 vitamin derivatives Chemical class 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及机器学习领域，揭露一种对话生成方法，包括：利用历史数据训练预构建的文本生成模型，通过第一损失函数计算训练时文本生成模型输出的预测答复文本序列与真实历史答复文本之间的第一损失值，通过第二损失函数计算训练时文本生成模型输出的预测转化率与真实转化率之间的第二损失值，根据第一损失值和第二损失值调整预构建的文本生成模型的参数，得到预训练的文本生成模型；将目标对话文本、目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至预训练的文本生成模型，得到答复用户对于目标问题文本的目标答复文本序列。本发明还提出一种对话生成装置、电子设备及介质。本发明可以基于自然语言处理技术准确地生成个性化的对话内容。
Description
技术领域
本发明涉及机器学习领域及数字医疗领域，尤其涉及一种对话生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能技术的快速发展，自然语言处理领域取得了显著进展。文本生成模型已成为重要的辅助工具，它们能够生成具有一定逻辑和语法结构的文本，然而，现有的文本生成模型通常忽略了用户的个性化需求和语言风格，导致生成的文本与用户的偏好和习惯不匹配，使得对话用户的参与者需要花费较长的时间去理解适应，增加了对话的响应时间。例如，在问诊平台等系统中，用户端的使用者(患者)或者医生端的使用者(医助)对生成的行文表达陌生，则需要花费额外的时间去适应其语言风格进而理解文本内容，反而增加了问诊的响应时间。因此，亟需提出一种个性化的对话生成方法，旨在准确生成符合个人偏好和习惯的语言表达的个性化的对话内容。
发明内容
本发明提供一种对话生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于准确地生成个性化的对话内容。
为实现上述目的，本发明提供的一种对话生成方法，包括：
获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述目标问题文本对应的目标答复文本序列。
可选地，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
可选地，所述预构建的文本生成模型为GPT-2。
可选地，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据增强。
可选地，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据清洗。
为了解决上述问题，本发明还提供一种对话生成装置，所述装置包括：
第一获取模块，用于获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
训练模块，用于获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
参数调整模块，用于通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
第二获取模块，用于获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
对话预测模块，用于将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
可选地，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
可选地，所述装置还包括：
数据增强模块，用于获取所述历史数据之后，对所述历史数据进行数据增强。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的程序以实现上述所述的对话生成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的对话生成方法。
本发明实施例通过获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。通过将历史对话中第一对话用户的身份信息、第二对话用户的身份信息以及历史对话拼接在一起对训练文本生成模型训练，使得预训练的文本生成模型能够根据不同用户进行个性化的输出，从而实现准确地生成个性化的对话内容的目的。
附图说明
图1为本发明一实施例提供的对话生成方法的流程示意图；
图2为本发明一实施例提供的对话生成方法中其中一个步骤的详细实施流程示意图；
图3为本发明一实施例提供的对话生成装置的功能模块图；
图4为本发明一实施例提供的实现所述对话生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种对话生成方法。所述对话生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述对话生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的对话生成方法的流程示意图。在本实施例中，所述一种对话生成方法包括：
S1、获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率。
本实施例中，历史数据是过去一段时间的对话的集合。例如，医疗数据库中存储的过去三年期间患者和医生之间的对话的集合。
本实施例中，历史数据中包含的历史对话的对话数量为多个，第一对话用户和第二对话用户是不同的用户，并且，不同历史对话之间第一对话用户和第二对话用户可以是相同或者不同的，例如，历史数据中存在一历史对话，第一对话用户是A用户，第二对话用户是B用户，历史数据中存在另一对话，第一对话用户是C用户，第二对话用户是D用户，历史数据中存在又一对话，第一对话用户是A用户，第二对话用户是D用户。
本实施例中，每个历史对话中可以仅包含一个问题(如第一对话用户的问题“今天天气如何”)，也可以包括至少一个问题以及至少一个答复(如，第一对话用户的问题1“今天天气如何”，第二对话用户的答复1“阳光明媚”，第一对话用户的问题2“出去踢球如何”)，并且，每个历史对话存在对应的历史真实答复序列，以及该历史对话中第一对话用户的身份信息、第二对话用户的身份信息，以及该历史对话对应的历史真实答复序列的转化率。
其中，身份信息可以为姓名、账号等唯一标识对话者身份的标识信息。真实转化率为实际统计到的，该对话进行过程中或者结束之后，提问者下单购买商品，或者订阅服务、或者继续点击进行下一步处理的结果。例如，转化率为0或者1，其中，1表示成交，0表示未成交，即若转化率为0，则表明，该对话过程中直至对话结束之后，提出该问题的提问用户并没有下单购买商品或者订阅服务等进一步操作；即若转化率为1，则表明，该对话过程中或者对话结束之后，提出该问题的提问用户存在下单购买商品或者订阅服务等进一步操作。
本实施例中，历史真实答复序列中包含多个答复文本(即不同的单个文本)。例如，历史真实答复序列包含“多吃维生素D”，其中，“多”、“吃”、“维”、“生”、“素”、“D”分别为6个不同的答复文本。
具体的，可以以history＝[a1,a2,…,an]的形式收集历史数据(数据的格式可以为json格式的)，其中，an＝{′text′:string,′sender′:int}，an表示历史数据中的一条(个)对话中一方对话者及其发言内容，“text”存储对话本身的文本内容，“sender”表示发送该text消息的对话用户，“sender”为int类型，0代表第一对话用户(如患者)，1代表第二对话用户(如医生)；再将属于同一个对话序列(即一个对话中可以包括一轮或者多轮对话，一轮或者多轮对话中第一对话和第二对话用户轮流发言)的文本内容拼接起来成为一个长文本，不同的对话用户之间的消息用特殊字符[C]或者[D]分隔，其中，[C]可以代表第一对话用户(如问诊方)，[D]可以代表的第二对话用户(如接诊方)；属于一个对话序列的多轮对话消息通过特殊字符[next]拼接，首尾分别添加开始字符和结束字符[CLS]和[SEP]，最终将一个对话序列的连续的对话(即多轮对话)形成格式为以下的对话数据：
[CLS][C]string1[D]string2[next]string3[C]string4[SEP]
其中，string1、string2、string3和string4分别为前述history中的text的内容。
进一步的，本发明一可选实施例中，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据清洗。
本实施例中，对历史数据进行数据清洗包括对历史数据进行去重复处理、异常值检测处理和标准化处理。
通过对历史数据进行去重复处理能够减少重复冗余数据，通过对历史数据进行异常值检测处理能够提高历史数据的准确性和可靠性，对历史数据进行标准化处理可以提高数据处理的效率。
因此，本实施例中，通过对历史数据进行数据清洗，能够提高模型训练的效率和准确性。
进一步的，本发明一可选实施例中，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据增强。
具体的，所述对所述历史数据进行数据增强包括：
获取所述历史对话中多个源文本的近义词，将所述近义词替换所述多个源文本，确定替换后的数据为新增数据；
将所述新增数据添加至所述历史数据，得到数据增强后的历史数据。
本实施例中，通过对历史数据进行数据增强的能够扩充历史数据的数据量，从而提高训练的准确率和鲁棒性。
S2、获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本。
本实施例中，预构建的文本生成模型可以为自然语言处理模型。例如，预构建的文本生成模型为BERT模型，或者预构建的文本生成模型为CNN，或者LSTM模型。
在训练预构建的文本生成模型时，将历史对话中第一对话用户的身份信息、历史对话中第二对话用户的身份信息分别进行向量化，得到第一对话用户向量、第二对话用户向量，再将第一对话用户向量、第二对话用户向量和历史对话(将每个字符映射为向量)输入至与预构建的文本生成模型，预构建的文本生成模型逐个输出预测答复文本，并且输出下一个预测答复文本时，结合上一个预测答复文本进行输出，即预测下一个预测答复文本时，除了根据第一对话用户向量、第二对话用户向量和历史对话，还根据上一个预测答复文本进行计算，得到下一个预测答复文本。
并且，在训练时，训练预构建的文本生成模型的预测转化率，具体的，即通过前述输入同时得到预构建的文本生成模型的预测转化率。
进一步的，本发明一可选实施例中，所述预构建的文本生成模型为GPT-2。
GPT-2是一种开源的自然语言生成模型，预测准确率高，且速度快。因此在进行医疗问诊等对实时性高、准确率高的平台中，能够具有很好的效果。
实施例中，可以通过历史数据对预构建的文本生成模型(如GPT-2)进行训练。
如图2所示，图2为训练GPT-2时输出预测答复文本的示意图。
在图2中，GPT-2的输入数据包括：表示历史对话中第一对话用户的身份信息的(UU为向量)、表示历史对话中第二对话用户的身份信息P(P为向量)、历史对话、预构建的文本生成模型输出的预测答复文本(初始时为D，表示空值)；其中，历史对话中可以仅包括一个问题或者一个对话序列(即一轮或多轮对话)；预测答复文本是GPT-2的输出数据。在图2中，GPT-2输出的预测答复文本abcd构成预测答复文本序列，在第二个输出b时，将上一个预测的输出a也输入至GPT-2，从而在每次预测下一个文本输出时，也是参考了上一个预测文本的内容，得到流畅连续的预测答复文本序列。
例如，当用户A1与医生B1进行对话时，对话内容为，用户A1问“缺钙应该怎么办”，则将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和初始预测结果D(D可以为空值)输入到GPT-2中，得到GPT-2输出的第一个预测答复文本为“缺”；再将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和GPT-2输出的第一个预测答复文本“缺”输入到GPT-2中，得到GPT-2输出的第二个预测答复文本为“钙”；再将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和GPT-2前两次的输出结果“缺钙”输入到GPT-2中，得到GPT-2输出的第二个预测答复文本为“可”；以此类推，得到“缺钙可以补充维生素D”的预测答复文本序列。
S3、通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型。
本实施例中，将第一对话用户身份、第二对话用户身份以及历史对话拼接在一起对训练文本生成模型训练，这样训练时，生成的文本也会受到第一对话用户和第二对话用户的风格的影响，从而使得预训练的文本生成模型能够根据不同用户进行个性化的输出。
本实施例中，第一损失函数可以为交叉熵损失函数(Cross Entropy)，第二损失函数可以为均方差损失函数。
进一步的，本发明一可选实施例中，第一损失函数最大似然估计。
进一步的，本发明一可选实施例中，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
具体的，历史对话i是N个历史对话中的某一个历史对话。
进一步的，在本发明一可选实施例中，还可基于第一损失函数和第二损失构建如下目标函数：进而根据根据目标函数L的值调整预构建的文本生成模型的参数
L＝L1+λL2
再根据目标函数L的值调整预构建的文本生成模型的参数，其中，λ为[0,1]的系数，具体的，λ的值可以为预设的。
S4、获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息。
本实施例中，目标对话文本可以包含一个提问用户的输入消息，也可以是包含至少一个提问用户的输入消息和至少一个答复用户的输入消息。
本实施例中，身份信息可以为身份标识信息，例如，身份ID。
本实施例中，目标对话问题可以从对话文本框获取。
S5、将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
例如，新增对话任务中，目标对话问题的提问用户为患者M，对话问题的内容为“何时可以挂您的号”，提问用户的对话对象是医生N，则医生为答复用户，将目标对话文本“何时可以挂您的号”、提问用户的身份信息“患者M”以及答复用户的身份信息“医生N”，输入至预训练的文本生成模型，得到预训练的文本生成模型输入的符合医生N的语言表达习惯的答复文本，即医生N对于目标问题文本的目标答复文本序列。
本实施例中，获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。通过将历史对话中第一对话用户的身份信息、第二对话用户的身份信息以及历史对话拼接在一起对训练文本生成模型训练，使得预训练的文本生成模型能够根据不同用户进行个性化的输出，从而实现准确地生成个性化的对话内容的目的。
如图3所示，是本发明一实施例提供的对话生成装置的功能模块图。
本发明所述对话生成装置300可以安装于电子设备中。根据实现的功能，所述对话生成装置300包括：第一获取模块101、预测模块102、筛选模块103、第二获取模块104及确定模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
第一获取模块301，用于获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率。
本实施例中，历史数据是过去一段时间的对话的集合。例如，医疗数据库中存储的过去三年期间患者和医生之间的对话的集合。
本实施例中，历史数据中包含的历史对话的对话数量为多个，第一对话用户和第二对话用户是不同的用户，并且，不同历史对话之间第一对话用户和第二对话用户可以是相同或者不同的，例如，历史数据中存在一历史对话，第一对话用户是A用户，第二对话用户是B用户，历史数据中存在另一对话，第一对话用户是C用户，第二对话用户是D用户，历史数据中存在又一对话，第一对话用户是A用户，第二对话用户是D用户。
本实施例中，每个历史对话中可以仅包含一个问题(如第一对话用户的问题“今天天气如何”)，也可以包括至少一个问题以及至少一个答复(如，第一对话用户的问题1“今天天气如何”，第二对话用户的答复1“阳光明媚”，第一对话用户的问题2“出去踢球如何”)，并且，每个历史对话存在对应的历史真实答复序列，以及该历史对话中第一对话用户的身份信息、第二对话用户的身份信息，以及该历史对话对应的历史真实答复序列的转化率。
其中，身份信息可以为姓名、账号等唯一标识对话者身份的标识信息。真实转化率为实际统计到的，该对话进行过程中或者结束之后，提问者下单购买商品，或者订阅服务、或者继续点击进行下一步处理的结果。例如，转化率为0或者1，其中，1表示成交，0表示未成交，即若转化率为0，则表明，该对话过程中直至对话结束之后，提出该问题的提问用户并没有下单购买商品或者订阅服务等进一步操作；即若转化率为1，则表明，该对话过程中或者对话结束之后，提出该问题的提问用户存在下单购买商品或者订阅服务等进一步操作。
本实施例中，历史真实答复序列中包含多个答复文本(即不同的单个文本)。例如，历史真实答复序列包含“多吃维生素D”，其中，“多”、“吃”、“维”、“生”、“素”、“D”分别为6个不同的答复文本。
具体的，可以以history＝[a1,a2,…,an]的形式收集历史数据(数据的格式可以为json格式的)，其中，an＝{′text′:srring,′sender′:int}，an表示历史数据中的一条(个)对话中一方对话者及其发言内容，“text”存储对话本身的文本内容，“sender”表示发送该text消息的对话用户，“sender”为int类型，0代表第一对话用户(如患者)，1代表第二对话用户(如医生)；再将属于同一个对话序列(即一个对话中可以包括一轮或者多轮对话，一轮或者多轮对话中第一对话和第二对话用户轮流发言)的文本内容拼接起来成为一个长文本，不同的对话用户之间的消息用特殊字符[C]或者[D]分隔，其中，[C]可以代表第一对话用户(如问诊方)，[D]可以代表的第二对话用户(如接诊方)；属于一个对话序列的多轮对话消息通过特殊字符[next]拼接，首尾分别添加开始字符和结束字符[CLS]和[SEP]，最终将一个对话序列的连续的对话(即多轮对话)形成格式为以下的对话数据：
[CLS][C]string1[D]string2[next]string3[C]string4[SEP]
其中，string1、string2、string3和string4分别为前述history中的text的内容。
进一步的，本发明一可选实施例中，所述装置还包括：
数据清洗模块，用于获取所述历史数据之后，对所述历史数据进行数据清洗。
本实施例中，对历史数据进行数据清洗包括对历史数据进行去重复处理、异常值检测处理和标准化处理。
通过对历史数据进行去重复处理能够减少重复冗余数据，通过对历史数据进行异常值检测处理能够提高历史数据的准确性和可靠性，对历史数据进行标准化处理可以提高数据处理的效率。
因此，本实施例中，通过对历史数据进行数据清洗，能够提高模型训练的效率和准确性。
进一步的，本发明一可选实施例中，所述装置还包括：
数据增强模块，用于获取所述历史数据之后，对所述历史数据进行数据增强。
具体的，所述数据增强模块具体用于：获取所述历史对话中多个源文本的近义词，将所述近义词替换所述多个源文本，确定替换后的数据为新增数据；将所述新增数据添加至所述历史数据，得到数据增强后的历史数据。
本实施例中，通过对历史数据进行数据增强的能够扩充历史数据的数据量，从而提高训练的准确率和鲁棒性。
训练模块302，用于获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本。
本实施例中，预构建的文本生成模型可以为自然语言处理模型。例如，预构建的文本生成模型为BERT模型，或者预构建的文本生成模型为CNN，或者LSTM模型。
在训练预构建的文本生成模型时，将历史对话中第一对话用户的身份信息、历史对话中第二对话用户的身份信息分别进行向量化，得到第一对话用户向量、第二对话用户向量，再将第一对话用户向量、第二对话用户向量和历史对话(将每个字符映射为向量)输入至与预构建的文本生成模型，预构建的文本生成模型逐个输出预测答复文本，并且输出下一个预测答复文本时，结合上一个预测答复文本进行输出，即预测下一个预测答复文本时，除了根据第一对话用户向量、第二对话用户向量和历史对话，还根据上一个预测答复文本进行计算，得到下一个预测答复文本。
并且，在训练时，训练预构建的文本生成模型的预测转化率，具体的，即通过前述输入同时得到预构建的文本生成模型的预测转化率。
进一步的，本发明一可选实施例中，所述预构建的文本生成模型为GPT-2。
GPT-2是一种开源的自然语言生成模型，预测准确率高，且速度快。因此在进行医疗问诊等对实时性高、准确率高的平台中，能够具有很好的效果。
实施例中，可以通过历史数据对预构建的文本生成模型(如GPT-2)进行训练。
如图2所示，图2为训练GPT-2时输出预测答复文本的示意图。
在图2中，GPT-2的输入数据包括：表示历史对话中第一对话用户的身份信息的(UU为向量)、表示历史对话中第二对话用户的身份信息P(P为向量)、历史对话、预构建的文本生成模型输出的预测答复文本(初始时为D，表示空值)；其中，历史对话中可以仅包括一个问题或者一个对话序列(即一轮或多轮对话)；预测答复文本是GPT-2的输出数据。在图2中，GPT-2输出的预测答复文本abcd构成预测答复文本序列，在第二个输出b时，将上一个预测的输出a也输入至GPT-2，从而在每次预测下一个文本输出时，也是参考了上一个预测文本的内容，得到流畅连续的预测答复文本序列。
例如，当用户A1与医生B1进行对话时，对话内容为，用户A1问“缺钙应该怎么办”，则将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和初始预测结果D(D可以为空值)输入到GPT-2中，得到GPT-2输出的第一个预测答复文本为“缺”；再将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和GPT-2输出的第一个预测答复文本“缺”输入到GPT-2中，得到GPT-2输出的第二个预测答复文本为“钙”；再将“缺钙应该怎么办”、A1与B2向量化之后得到的向量U和向量P和GPT-2前两次的输出结果“缺钙”输入到GPT-2中，得到GPT-2输出的第二个预测答复文本为“可”；以此类推，得到“缺钙可以补充维生素D”的预测答复文本序列。
参数调整模块303，用于通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型。
本实施例中，将第一对话用户身份、第二对话用户身份以及历史对话拼接在一起对训练文本生成模型训练，这样训练时，生成的文本也会受到第一对话用户和第二对话用户的风格的影响，从而使得预训练的文本生成模型能够根据不同用户进行个性化的输出。
本实施例中，第一损失函数可以为交叉熵损失函数(Cross Entropy)，第二损失函数可以为均方差损失函数。
进一步的，本发明一可选实施例中，第一损失函数最大似然估计。
进一步的，本发明一可选实施例中，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
具体的，历史对话i是N个历史对话中的某一个历史对话。
进一步的，在本发明一可选实施例中，还可基于第一损失函数和第二损失构建如下目标函数：进而根据根据目标函数L的值调整预构建的文本生成模型的参数
L＝L1+λL2
再根据目标函数L的值调整预构建的文本生成模型的参数，其中，λ为[0,1]的系数，具体的，λ的值可以为预设的。
第二获取模块304，用于获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息。
本实施例中，目标对话文本可以包含一个提问用户的输入消息，也可以是包含至少一个提问用户的输入消息和至少一个答复用户的输入消息。
本实施例中，身份信息可以为身份标识信息，例如，身份ID。
本实施例中，目标对话问题可以从对话文本框获取。
对话预测模块305，用于将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
例如，新增对话任务中，目标对话问题的提问用户为患者M，对话问题的内容为“何时可以挂您的号”，提问用户的对话对象是医生N，则医生为答复用户，将目标对话文本“何时可以挂您的号”、提问用户的身份信息“患者M”以及答复用户的身份信息“医生N”，输入至预训练的文本生成模型，得到预训练的文本生成模型输入的符合医生N的语言表达习惯的答复文本，即医生N对于目标问题文本的目标答复文本序列。
本实施例中，获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。通过将历史对话中第一对话用户的身份信息、第二对话用户的身份信息以及历史对话拼接在一起对训练文本生成模型训练，使得预训练的文本生成模型能够根据不同用户进行个性化的输出，从而实现准确地生成个性化的对话内容的目的。
如图4所示，是本发明一实施例提供的实现对话生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如对话生成程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如对话生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如对话生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的对话生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于全息投影技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种对话生成方法，其特征在于，所述方法包括：
获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
2.如权利要求1所述的对话生成方法，其特征在于，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
3.如权利要求1所述的对话生成方法，其特征在于，所述预构建的文本生成模型为GPT-2。
4.如权利要求1至3中任一项所述的对话生成方法，其特征在于，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据增强。
5.如权利要求1至3中任一项所述的对话生成方法，其特征在于，所述获取所述历史数据之后，所述方法还包括：
对所述历史数据进行数据清洗。
6.一种对话生成装置，其特征在于，所述装置包括：
第一获取模块，用于获取历史数据，所述历史数据包含多个历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息、每个所述历史对话对应的历史真实答复序列以及对所述历史真实答复序列的真实转化率；
训练模块，用于获取预构建的文本生成模型，利用多个所述历史对话、所述历史对话中第一对话用户的身份信息、所述历史对话中第二对话用户的身份信息训练所述预构建的文本生成模型，获取训练时所述预构建的文本生成模型输出的每个所述历史对话对应的预测答复文本序列以及对所述预测答复文本序列的预测转化率，所述预测答复文本序列包含所述预构建的文本生成模型逐次输出的预测答复文本；
参数调整模块，用于通过第一损失函数计算所述预测答复文本序列与所述真实历史答复文本之间的第一损失值，通过第二损失函数计算所述预测转化率与所述真实转化率之间的第二损失值，根据所述第一损失值和所述第二损失值不断调整所述预构建的文本生成模型的参数，得到预训练的文本生成模型；
第二获取模块，用于获取目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息；
对话预测模块，用于将所述目标对话文本、所述目标对话文本中提问用户的身份信息以及答复用户的身份信息输入至所述预训练的文本生成模型，得到所述预训练的文本生成模型输出的所述答复用户对于所述目标问题文本的目标答复文本序列。
7.如权利要求6所述的对话生成装置，其特征在于，所述第二损失函数包括：
其中，N为多个所述历史对话的总数量，yi为对历史对话i对应的历史真实答复序列的真实转化率，为对所述历史对话i对应的预测答复文本序列的预测转化率。
8.如权利要求6所述的对话生成装置，其特征在于，所述装置还包括：
数据增强模块，用于获取所述历史数据之后，对所述历史数据进行数据增强。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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权利要求1至5中任意一项所述的对话生成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的对话生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860894.0A CN116910212A (zh) | 2023-07-12 | 2023-07-12 | 对话生成方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860894.0A CN116910212A (zh) | 2023-07-12 | 2023-07-12 | 对话生成方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116910212A true CN116910212A (zh) | 2023-10-20 |
Family
ID=88366135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310860894.0A Pending CN116910212A (zh) | 2023-07-12 | 2023-07-12 | 对话生成方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910212A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235239A (zh) * | 2023-11-13 | 2023-12-15 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN117493530A (zh) * | 2023-12-27 | 2024-02-02 | 苏州元脑智能科技有限公司 | 资源需求分析方法、装置、电子设备以及存储介质 |
-
2023
- 2023-07-12 CN CN202310860894.0A patent/CN116910212A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235239A (zh) * | 2023-11-13 | 2023-12-15 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN117235239B (zh) * | 2023-11-13 | 2024-02-20 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN117493530A (zh) * | 2023-12-27 | 2024-02-02 | 苏州元脑智能科技有限公司 | 资源需求分析方法、装置、电子设备以及存储介质 |
| CN117493530B (zh) * | 2023-12-27 | 2024-03-22 | 苏州元脑智能科技有限公司 | 资源需求分析方法、装置、电子设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116910212A (zh) | 对话生成方法、装置、电子设备及计算机可读存储介质 | |
| US11223723B2 (en) | Call center system having reduced communication latency | |
| CN111966800B (zh) | 情感对话生成方法、装置及情感对话模型训练方法、装置 | |
| CN107767152B (zh) | 产品购买倾向分析方法及服务器 | |
| CN112131368B (zh) | 对话生成方法、装置、电子设备及存储介质 | |
| CN114387061A (zh) | 产品推送方法、装置、电子设备及可读存储介质 | |
| US20210050000A1 (en) | Multimodal video system for generating a personality assessment of a user | |
| CN114781402A (zh) | 问诊意图识别方法、装置、电子设备及可读存储介质 | |
| CN113434651A (zh) | 话术推荐方法、装置及相关设备 | |
| CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
| CN117747087A (zh) | 问诊大模型的训练方法、基于大模型的问诊方法和装置 | |
| CN112463989A (zh) | 一种基于知识图谱的信息获取方法及系统 | |
| CN111914077A (zh) | 定制化话术推荐方法、装置、计算机设备及存储介质 | |
| CN113435180B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN118378148A (zh) | 多标签分类模型的训练方法、多标签分类方法及相关装置 | |
| CN111966805B (zh) | 用于辅助实现会话的方法、装置、介质以及电子设备 | |
| CN113763928A (zh) | 音频类别预测方法、装置、存储介质及电子设备 | |
| CN116521867A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
| WO2023050669A1 (zh) | 基于神经网络的信息推送方法、系统、设备及介质 | |
| CN111414609B (zh) | 一种对象验证方法和装置 | |
| CN114049973A (zh) | 对话质检方法、电子设备、计算机存储介质及程序产品 | |
| CN112784034B (zh) | 摘要生成方法、装置及计算机设备 | |
| CN114418609A (zh) | 成交概率预估方法、存储介质及程序产品 | |
| CN113704504B (zh) | 基于聊天记录的情绪识别方法、装置、设备及存储介质 | |
| CN117591660B (zh) | 基于数字人的材料生成方法、设备及介质 |
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 |