CN117370520A - 分流的对话处理方法、装置、设备及介质 - Google Patents
分流的对话处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117370520A CN117370520A CN202311329734.XA CN202311329734A CN117370520A CN 117370520 A CN117370520 A CN 117370520A CN 202311329734 A CN202311329734 A CN 202311329734A CN 117370520 A CN117370520 A CN 117370520A
- Authority
- CN
- China
- Prior art keywords
- information
- dialogue
- query
- model
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 16
- 238000003672 processing method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000011064 split stream procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种分流的对话处理方法、装置、设备及介质,涉及人工智能中的语音技术、深度学习、自然语言处理、车联网、智能座舱等领域。该方法包括:响应于接收到的对话询问,确定对话询问的关联信息;其中,关联信息包括:对话询问的场景信息、关联询问的历史分流信息以及对话询问的语义信息;根据关联信息,在多个对话模型中确定本次需要调用的目标模型;根据目标模型,对对话询问进行处理,得到处理结果,以提高对话处理结果的准确性以及及时性,降低对话处理过程中需要消耗的处理资源。
Description
技术领域
本公开涉及人工智能中的语音技术、深度学习、自然语言处理、车联网、智能座舱等领域,尤其涉及一种分流的对话处理方法、装置、设备及介质。
背景技术
目前,随着人工智能技术在语音处理领域的不断发展,语音对话系统已应用到各个不同的领域。语音对话系统通过对说话人发送的对话数据进行意图理解,以便可以向用户反馈出符合用户意图的信息。
因此,如何准确及时地反馈对话处理结果,是一个亟需解决的问题。
发明内容
本公开提供了一种用于准确及时的确定对话处理结果的分流的对话处理方法、装置、设备及介质。
根据本公开的第一方面,提供了一种分流的对话处理方法,包括:
响应于接收到的对话询问,确定所述对话询问的关联信息;所述关联信息包括:所述对话询问的场景信息、关联询问的历史分流信息以及所述对话询问的语义信息;所述场景信息用于表征发起所述对话询问所处的场景;所述关联询问为与所述对话询问具有语义关联性的请求;所述历史分流信息指示所述关联询问的处理记录信息;所述语义信息表征所述对话询问的语义特征;
根据所述关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,所述对话模型用于进行对话询问处理;
根据所述目标模型,对所述对话询问进行处理,得到处理结果。
根据本公开的第二方面,提供了一种分流的对话处理装置,包括:
第一确定单元,用于响应于接收到的对话询问,确定所述对话询问的关联信息;所述关联信息包括:所述对话询问的场景信息、关联询问的历史分流信息以及所述对话询问的语义信息;所述场景信息用于表征发起所述对话询问所处的场景;所述关联询问为与所述对话询问具有语义关联性的请求;所述历史分流信息指示所述关联询问的处理记录信息;所述语义信息表征所述对话询问的语义特征;
第二确定单元,用于根据所述关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,所述对话模型用于进行对话询问处理;
处理单元,用于根据所述目标模型,对所述对话询问进行处理,得到处理结果。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与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第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术有利于提高对话处理结果的准确性,有利于提高用户对话体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是用来实现本公开实施例的分流的对话处理方法的电子设备的框图。
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和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,传统的对话模型通常是基于规则所实现的。通过开发者预先编写对话处理规则,当接收到用户发出的对话问询时,基于对话问询和预先设置的对话处理规则,确定相应的处理结果。然而,上述实现方式中,当用户发出的对话问询无法与开发者预先编写的对话处理规则相匹配时,则只能向用户反馈无法理解用户意图的反馈结果。也就是说,仅基于对话处理规则来进行对话处理的方式,受限于对话处理规则的限定,所能够理解处理的对话问询有限,当用户所发出的问询复杂度较高时,则无法给出准确的回复。
另一种可能的实现方式中,可以结合相关技术中所提供的大模型技术,基于海量的参数处理,来实现对用户反馈的问询进行处理反馈。上述大模型通过海量的数据学习参数处理,进而相比于对话处理规则的处理方式,具有更高的理解能力,可以处理复杂度较高的对话问询。然而,上述技术中缺点在于单次对话处理的耗时时间较长,且需要消耗较多的处理资源,进而导致用户无法及时接收到相应的处理反馈。
为了避免上述技术问题中的至少一种,本公开的发明人经过创造性地劳动,得到了本公开的发明构思:在获取到对话询问之后,首先确定用于指示该对话询问的理解复杂度的关联信息。并结合关联信息在多个对话模型中匹配出与当前的理解复杂度相匹配的目标模型,以便提高最终得到的对话处理结果的准确性。并且,在关联信息中不仅包括有对话询问本身的语音信息,还包括有对话询问所对应的场景信息以及关联询问的历史分流信息,以提高所选择的模型的准确性。
本公开提供一种分流的对话处理方法、装置、设备及介质,应用于人工智能中的语音技术、深度学习、自然语言处理、车联网、智能座舱等领域,以确保用户获取到的商品页面的多样性,进而确保页面上线前的用户反馈的准确性。
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。
图1是根据本公开第一实施例的示意图,如图1所示,本公开实施例的分流的对话处理方法,包括:
S101、响应于接收到的对话询问,确定对话询问的关联信息;关联信息包括:对话询问的场景信息、关联询问的历史分流信息以及对话询问的语义信息;场景信息用于表征发起对话询问所处的场景;关联询问为与对话询问具有语义关联性的请求;历史分流信息指示关联询问的处理结果;语义信息表征对话询问的语义特征。
示例性地,本实施例的执行主体可以为分流的对话处理装置,对话处理装置可以为服务器(如本地服务器,或者,云端服务器),也可以为计算机,也可以为处理器,也可以为芯片等,本实施例不做限定。
一个示例中,本实施例接收到的对话处理方法可以应用于出行领域的对话处理。举例来说,上述对话处理方法可以应用于目标地点信息查询、目的地导航、出行方式推荐以及其余与出行相关的信息,例如,天气、交通状况信息等本实施例中不做具体限制。
例如,上述方法可以应用于对车载导航设备所接收到的对话询问进行处理的场景,也可以应用于对各种智能终端设备所接收到的对话询问进行处理的场景,本实施例中不做具体限制。
一个示例中,上述方法还可以应用于商品搜索、语音控制终端设备等不同场景下,本实施例中对于上述方法的应用领域不做具体限制。
本实施例中所接收到的对话询问可以用于指示对话需求,当应用于出行领域时,具体地可以为出行需求。举例来说,在实际应用中,对话询问可以为接收到“当前天气如何”的用户语音信息。又或者,还可以为“推荐附近最受欢迎的景点”的语音信息等。
一个示例中,对话询问所对应的关联信息为可以指示出当前对话询问的理解复杂程度的信息,例如,关联信息具体可以包括理解复杂度评分或等级等。
本实施例中,从场景信息、对话询问的语义信息以及关联询问的历史分流信息三个维度表征对话询问的关联信息。
其中,对话询问的语义信息用于表征对话询问本身所指示的语义特征,本实施例中,对于语义信息的获取方式不做具体限制,例如,可以采用相关技术中所提供的多个意图识别模型对对话询问进行处理,并基于各意图识别模型各自所识别出的意图综合确定当前对话询问的语义信息。
此外,对话询问的场景信息可用于指示出当前发起上述对话询问时所对应的场景。举例来说,可以为用户发出对话询问所处的位置、该位置所对应的天气信息等,本实施例中对于场景信息不做具体限制。
并且,本实施例中,不仅考虑了对话询问本身的语义信息以及对话问询所对应的场景信息,进一步的还可以从与对话询问所关联的关联询问所对应的历史分流信息进行分析。其中,与对话询问关联的关联询问可以理解为与对话询问具有语义关联性的历史时段下接收到的对话询问。
此外,关联询问所对应的历史分流信息为历史时段中在处理关联询问时所对应的处理记录信息。例如,处理记录信息可以包括处理关联询问时所对应消耗的时间、处理上述关联询问时所对应的处理模型、处理关联询问时所对应处理模型的输出结果、处理关联询问时所对应的处理资源占用量等。在实际应用中上述关联询问的处理记录信息一般可以从系统所存储的日志信息中获取,本实施例中对于关联询问的历史分流信息的获取方式不做具体限制。
举例来说,当上述对话处理方法应用于出行场景时,可以考虑将该用户以及关联用户历史发出的对话询问作为关联询问。其中,关联用户可以理解为与当前用户具有相同出行特征的用户。其中,出行特征可以从历史目的地、历史目的地的访问次数、历史目的地所归属的类型(例如,休闲娱乐、教育、办公等不同类型)等多个角度出发进行刻画。而历史分流结果可以表征出历史时段下处理上述关联询问时所对应的处理记录信息,例如,处理上述关联询问时所对应采用的对话模型、得到关联询问的反馈结果的实际处理时长等。
S102、根据关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,对话模型用于进行对话询问处理。
示例性地,本实施例中,在获取到上述关联信息之后,可以根据关联信息从多个对话模型中筛选出与本次关联信息所指示的理解复杂度相匹配的模型作为本次需要调度的目标模型。其中,对话模型可以理解为用于对对话询问进行对话处理,以得到对话询问反馈结果的模型。
一个示例中,针对于每一对话模型都可以设置各自所对应的第一复杂度取值。在获取到关联信息之后,根据预先设置的评分规则,对当前获取到的关联信息中的各项信息进行评分,并综合得到第二复杂度取值。之后,基于比对第二复杂度取值和第一复杂度取值,来确定最终所选择的对话模型。例如,可以将取值大于第二复杂度取值的第一复杂度取值所对应的对话模型作为目标模型。另一个示例中,除了考虑各对话模型所对应的第一复杂度取值,还可以考虑各对话模型所对应的运行耗时,并综合运行耗时以及复杂度取值筛选出最终的目标模型。
S103、根据目标模型,对对话询问进行处理,得到处理结果。
示例性地,在确定出目标模型之后,基于所确定的目标模型,对接收到的对话询问进行处理,以确定出当前对话询问所对应的处理结果。
需要说明的是,在实际应用中,由于不同对话模型针对于其所对应的输入数据具有不同的处理规则,因此,在确定出目标模型之后,还需要基于目标模型所对应的输入处理处理规则,对当前所接收到的对话询问进行处理,并将处理后的数据作为目标模型的输入数据,进而确保得到的处理结果的准确性。
可以理解的是,本实施例中,通过获取接收到的对话询问的关联信息,并根据关联信息在多个对话模型中进行模型筛选,以便确定出适合于当前对话询问的目标模型作为最终需要进行对话处理的模型,提高对话处理的准确度以及时效。即可以将不同复杂度的对话询问分流至不同的对话模型,进而避免相关技术中采用单一对话模型进行对话处理时,容易导致对话模型无法适用于复杂度较高的对话所导致的对话处理结果不准确的问题。并且,避免仅采用单一的大模型对各种不同复杂度的对话询问进行处理时,导致耗时成本较高、且容易消耗较多的处理资源的问题。
为使读者更深刻地理解本公开的实现原理,现结合以下图2-图3对图1所示的实施例进行进一步细化。
图2是根据本公开第二实施例的示意图,具体地为本公开实施例提供的又一种分流的对话处理方法的流程示意图,如图2所示该方法包括以下步骤:
S201、响应于接收到的对话询问,确定对话询问的关联信息;关联信息包括:对话询问的场景信息、关联询问的历史分流信息以及对话询问的语义信息;场景信息用于表征发起对话询问所处的场景;关联询问为与对话询问具有语义关联性的请求;历史分流信息指示关联询问的处理记录信息;语义信息表征对话询问的语义特征。
示例性地,本实施例的执行主体可以为分流的对话处理装置,对话处理装置可以为服务器(如本地服务器,或者,云端服务器),也可以为计算机,也可以为处理器,也可以为芯片等,本实施例不做限定。
步骤S201的技术原理可以参见步骤S101,此处不再赘述。
S202、获取预设的规则信息,其中,预设的规则信息包括对话模型的特征信息;特征信息用于指示对话模型可处理的对话的理解复杂度。
示例性地,本实施例中,预设的规则信息中包括各对话模型各自所对应的特征信息。需要说明的是,对话模型所对应的特征信息可以指示出对话模型可准确处理的对话的理解复杂度。例如,本实施例中的规则信息具体可以被配置为对话模型所适用于处理的场景以及语义。
S203、若确定预设的规则信息中存在与关联信息相匹配的特征信息,则确定与关联信息相匹配的特征信息对应的对话模型为目标模型。其中,对话模型用于进行对话询问处理。
示例性地,通过比对关联信息和预设的规则信息,确定是否可以基于预设的规则信息匹配得到与关联信息相匹配的特征信息,进而根据匹配得到的规则信息所对应的对话模型,确定目标模型。
一个示例中,在实际应用中,本实施例所提及的“相匹配”可以理解为特征信息完全包含于特征信息中。例如,特征信息所表征的对话模型的场景为场景A、场景B以及场景C,且对话模型适用处理的语义包括:语义A以及语义B。若关联信息表征当前的对话询问对应场景B、语义B以及语义C,通过比对上述关联信息和规则信息,由于规则信息中不包括语义C,则可以确定二者不匹配。若关联信息表征当前的对话询问对应场景B、语义B,通过比对上述关联信息和规则信息,可以确定二者匹配。并且进一步的,在匹配出的多个对话模型中还可以结合关联询问的历史分流信息,进一步筛选最终的对话模型。
可以理解的是,本实施例中,通过优先将当前的关联信息与预先设置的预设的规则信息进行匹配的方式,并将匹配成功的特征信息所对应的对话模型作为目标模型的方式,相比于直接基于训练好的模型对关联信息进行处理来确定目标模型的方式,上述匹配的方式效率更快,且占用的处理资源较低。
一个示例中,在执行步骤S203中的“确定预设的规则信息中存在与关联信息相匹配的特征信息”时,可以通过以下步骤实现:“对预设规则信息中的特征信息和关联信息进行关键字匹配处理,确定匹配相似度;其中,匹配相似度用于指示特征信息和关联信息的相似程度;若匹配相似度大于预设阈值,则确定预设的规则信息中存在与关联信息相匹配的特征信息。”
示例性地,本实施例中,比对预设的规则信息和关联信息时,首先可以对关联信息进行关键信息提取处理,以便筛选出关联信息中所包含的关键字字段,以提高关联信息和规则信息的匹配效率。并且,本实施例中得到关联信息和特征信息之间的匹配相似度之后,通过将匹配相似度和预设阈值进行比较的方式,确定二者是否相似。当确定匹配相似度大于预设阈值时,则可以确定预设的规则信息中包括有与当前的关联信息相匹配的特征信息。
例如,特征信息所表征的对话模型的场景为场景A、场景B以及场景C,且对话模型适用处理的语义包括:语义A以及语义B。若关联信息表征当前的对话询问对应场景B、语义B以及语义C,则此时,可以将语义C与语义A、语义B进行关键字的相似度比对,若语义C与上述语义A、语义B中的任一语义的匹配相似度大于预设阈值,则可以确定关联信息和特征信息相匹配。
可以理解的是,本实施例中,通过比对关键字的方式,可以提高特征信息和关联信息的比对效率。并且,本实施例中可以将匹配相似度大于预设阈值的对话模型作为目标模型,进而避免基于完全包含的比对方式进行比对时,容易造成大量的匹配失败的现象,容易导致后续用户无法及时获取到相应的反馈。
S204、若确定预设的规则信息中不存在与关联信息相匹配的特征信息,则调用分流模型;其中,分流模型为基于历史时段下的历史询问所对应的历史处理结果所训练得到的;分流模型用于确定需要调用的模型。
示例性地,本实施例中,当确定出预设的规则信息中的特征信息无法与当前的关联信息相匹配时,本实施例中进一步的会采用预先训练好的分流模型来确定最终需要调用的目标模型。
本实施例中的分流模型为基于历史时段下所接收到的历史询问,以及历史询问所对应的历史处理结果所训练得到的。在实际应用中,历史处理结果可以包括处理上述历史询问时所对应调用的对话模型,以及用户对于上述对话模型所对应得到的反馈信息的满意度所训练得到。其中,满意度可以通过用户对上述对话模型所对应的信息是接受还是拒绝,来指示上述满意度。或者,满意度还可以直接通过反馈信息类型确定,若反馈信息类型为无法理解用户意图的反馈信息,则可以直接确定为不满意。
S205、根据分流模型,对关联信息进行处理,得到本次需要调用的目标模型。
示例性地,本实施例中,在获取到分流模型之后,可以直接将关联信息作为分流模型所对应输入数据,并将分流模型基于上述关联信息所得到的模型输出结果所指示的模型,确定为目标模型。
可以理解的是,本实施例中,为了避免仅基于规则信息匹配目标模型时,受规则信息配置的限制,出现无法匹配的场景时,仍无法向用户提供更准确的处理反馈的问题,进一步的可以结合训练好的分流模型进行目标模型的确定。可以理解的是,分流模型经过训练学习基于规则信息所对应指示出的模型选择结果,以及最终模型选择后用户针对反馈信息的满意度来不断完善分流模型自身所对应的分流处理,以便分流模型可以准确进行各种场景(即,不限于已配置的规则信息)的目标模型的确定,有利于准确及时的向用户进行相应地处理结果反馈。
S206、根据目标模型,对对话询问进行处理,得到处理结果。
示例性地,步骤S206的技术原理可以参见步骤S103,此处不再赘述。
本实施例中,通过优先将当前的关联信息与预先设置的预设的规则信息进行匹配的方式,并将匹配成功的特征信息所对应的对话模型作为目标模型的方式,相比于直接基于训练好的模型对关联信息进行处理来确定目标模型的方式,上述匹配的方式效率更快,且占用的处理资源较低。并且为了避免基于规则信息匹配目标模型出现无法匹配的场景,进一步结合训练好的分流模型进行目标模型的确定,有利于准确及时的向用户进行相应地处理结果反馈。
图3是根据本公开第三实施例的示意图,具体地为本公开实施例提供的又一种分流的对话处理方法的流程示意图,如图3所示该方法包括以下步骤:
S301、响应于接收到的对话询问,确定终端设备发送对话询问的发送时刻。
示例性地,本实施例的执行主体可以为分流的对话处理装置,对话处理装置可以为服务器(如本地服务器,或者,云端服务器),也可以为计算机,也可以为处理器,也可以为芯片等,本实施例不做限定。
本实施例中,提供了一种用于确定对话询问的关联信息中的场景信息的方法,而关联信息中所提及的关联询问的历史分流信息、对话询问的语义信息可以参照步骤S101中的描述。其中,场景信息用于表征发起对话询问所处的场景;关联询问为与对话询问具有语义关联性的请求;历史分流信息指示关联询问的处理记录信息;语义信息表征对话询问的语义特征。
此外,本实施例中的对话询问为终端设备所发送的,在确定对话询问所对应的场景信息时,首先可以确定终端设备发送上述对话询问的发送时刻。需要说明的是,在确定上述发送时刻时,上述发送时刻可以携带在对话询问中,或者,也可以根据接收到对话询问的时刻作为上述发送时刻。又或者,可以将接收到对话信息的接收时间和预估的对话询问的发送耗时二者之间的差值确定为发送时刻。
一个示例中,关联询问包括:上文对话信息,和/或,历史对话信息;
上文对话信息为相邻时段内终端设备发起的对话;终端设备为发起对话询问的设备;相邻时段为与终端设备发送对话询问的发送时刻相邻的时段;历史对话信息为历史时段中接收到的与对话询问的语义相似度大于预设取值的对话信息。
示例性地,本实施例中,在确定关联信息中的关联询问的历史分流信息时,首先需要可以确定与当前接收到的对话询问所关联的关联询问。具体地,在确定关联询问时,由于当一个用户短时间内发起多轮对话时,对轮对话中相邻上下对话语句之间存在上下文关联,因此,本实施例中可以与当前接收到的对话询问的发送时刻相邻的相邻时段内所对应的上文对话信息(即,相邻时段内同一终端设备所发出的对话询问)作为此处的关联询问。
此外,也可以根据本次接收到的对话询问,在当前时刻之前的历史时段中所接收到的对话询问中,查找与当前的对话询问的语义相似度大于预设取值的历史对话信息,作为此处的关联询问。
需要说明的是,在实际应用中,关联询问可以包括历史对话信息、上文对话信息中的一项或者多项,以便提高后续所确定的目标模型准确性。
一个示例中,历史分流信息包括:处理关联询问的对话模型,和/或,满意度信息;其中,满意度信息用于指示对询问结果的满意度;询问结果为基于对话模型对关联询问处理后得到结果。
示例性地,本实施例中,关联信息所包括的关联询问的历史分流信息具体可以为处理上述关联询问的对话模型、和/或,历史情况下针对关联询问所对应的询问结果的满意度。
举例来说,当关联询问为上文对话信息时,可以将处理上文对话信息所对应的对话模型作为本次确定目标模型的一个因素。例如,可以优先考虑使用相同的对话模型对同一终端设备发出的多轮对话进行对话处理,以确保模型处理的连贯性。又或者,当关联询问为上文对话信息时,可以将处理上文对话信息所对应的对话模型和询问结果满意度作为本次确定目标模型的考虑因素,例如,若终端设备多次发送了同一对话询问,例如,两次对话询问所包含的文字内容的相似度较高时可以确定为同一对话询问,则表征用户不满意之前模型所对应的反馈,因此,可以将上述不满意的满意度信息和前期所使用的对话模型作为本次确定目标模型的考虑因素。因此,以便进一步提高后续目标模型的准确性,以便提高后续所反馈的处理结果的准确性。
又或者,当关联询问为历史对话信息时,且历史对话信息的数量为多个时,若确定历史时段下处理各历史对话信息所对应的对话模型不相同,但各历史对话信息所对应的满意度均表征满意,则此时可以将上述各历史对话信息所对应的对话模型中处理耗时较低的对话模型,作为本次目标模型选择的候选模型,以便后续所确定的目标模型可以消耗较少的处理资源以及处理时长。
可以理解的是,本实施例中,通过结合历史分流信息中所指示的对话模型以及满意度信息,作为确定目标模型的参考因素,有利于提高后续处理结果的准确性以及时效性。
一个示例中,对话询问的语义信息,包括:长度信息、关键字信息、意图信息、词槽信息中的至少一项;长度信息为对话询问对应的文本长度;关键字信息用于指示对话询问中的关键内容;意图信息表征对话询问的目的;词槽信息用于指示实现对话询问的目的所需要的关键信息。
示例性地,本实施例中可以从多个不同的维度获取对话询问所对应的语义信息,例如,表征对话询问所对应的文本的文本长度的长度信息、表征对话询问中所包含的关键字信息(例如,时间、地点等信息)。
此外,还可以包括当前对话询问的意图信息,即,对话询问的目的(例如,查找满足用户要求的目的地、规划行驶至目的地的路线等)。需要说明的是,本实施例中的意图信息可以仅根据当前接收到的对话询问确定,也可以结合对话询问的上文询问确定,本实施例中不做具体限制。
此外,在语义信息中还可以包括对话询问所对应的词槽信息,其中,词槽信息可以理解为实现对话询问所对应的意图所需要的关键信息,举例来说,当对话询问为“明天天气怎么样?”,则对应的词槽信息可以包括明天所对应的日期、天气以及发出对话询问的用户所处的地点,以便后续完成相应的天气信息查询。
需要说明的是,在实际应用中,语义信息可以包括长度信息、关键字信息、意图信息以及词槽信息中的一项或者多项,本实施例中不做具体限制。具体地,也可以根据实际处理资源的占用量来相应的增加或者减少语义信息所对应的内容。
可以理解的是,基于对对话询问本身进行相应的语义信息的分析,并将其作为确定目标模型的考量因素,有利于确保所确定出的模型可以准确理解对话询问本身所指示的用户需求,以便提高最终的处理结果准确率。
S302、确定在发送时刻下,终端设备的显示界面的显示数据;其中,显示数据包括:显示界面的界面标识,和/或,显示界面中的显示信息;显示信息用于指示显示界面中的显示内容。
示例性地,在确定出发送时刻之后,进一步地,可以获取终端设备的显示界面在发送时刻下所对应显示的显示数据。需要说明的是,本实施例中,终端设备所对应的显示数据可以为接收到对话询问之后从终端设备请求得到的。在另一种可能的情况中,也可以为终端设备在发送对话询问时主动上报的。
并且,本实施例中所获取的显示数据中可以包括显示界面所对应的界面标识,其中,界面标识用于唯一标识所显示的界面。或者,也可以包括显示界面中所显示的显示信息,即,显示界面中所显示的内容。
举例来说,以终端设备携带有出行应用程序为例进行说明。出行应用程序中可以对应多种显示界面,例如,主页面、目的地搜索页面、导航路径搜索页面、导航页面等多种不同的页面,且每一页面对应有各自的界面标识。通过反馈上述页面标识,可以表征出当前用户对上述出行应用程序的使用场景。
并且,除了可以将界面标识作为显示数据以外,还可以将界面中的实际显示内容作为显示数据。
举例来说,当用户处于目的地搜索页面但尚未输入相应的目的地或者目的地筛选条件时,此时,可以仅将目的地搜索页面所对应的界面标识作为显示数据。当目的地搜索页面显示有输入的目的地或者目的地筛选条件时,可以将目的地搜索页面的界面标识以及所输入并显示的内容作为显示数据,又或者,可以仅将当前界面上所显示的内容作为显示数据。
S303、确定显示数据为对话询问的场景信息所包括的信息。
示例性地,在确定出显示数据之后,可以将显示数据确定为上述对话询问所对应的场景信息。
可以理解的是,本实施例中,通过将终端设备在发送时刻下所对应的界面中的显示数据作为场景信息中所包含的信息,以便后续可以结合所得到的显示数据,准确匹配出适合处理当前对话询问的目标模型,提高后续推送的处理结果的准确性。
S304、若确定存在终端设备发起的上文对话信息,则获取上文对话信息的上文反馈结果;上文对话信息为相邻时段内发起的对话;相邻时段为与发送时刻相邻的时段;上文反馈结果为对上文对话信息进行对话处理后的反馈至终端设备的结果。
示例性地,本实施例中,在获取到上述发送时刻之后,进一步的根据所得到的发送时刻确定终端设备在发送对话询问之前的相邻时段内是否曾发送过其余的对话(即,上述上文对话信息)。若存在上文对话信息,则表征当前处于一个多轮对话场景,进一步地获取上文对话信息所对应的上文反馈结果。
S305、确定上文对话信息以及上文反馈结果为对话询问的场景信息所包括的信息。
示例性地,将获取到的上文对话信息以及上文反馈结果也可以作为本实施例中当前所接收到的对话询问的场景信息中的所包含的信息。
需要说明的是,在实际应用中,步骤S304-S305以及步骤S302-S303可以选择性地执行,即,场景信息仅包括步骤S302-S303所确定的显示数据,或者。仅包括步骤S304-S305所确定的上下文对话信息和上下文反馈信息。上述步骤S302-S305也可以全部执行,且图3中的执行顺序仅为举例说明,在实际应用中也可以并行执行,本实施例中不做具体限制。
可以理解的是,本实施例中,在场景信息中不仅可以包括有发送时刻下的界面显示数据,进一步的,若确定发送对话询问前的相邻时段内也曾发送过上文对话信息,由于同一终端设备在相邻时段内发送的对话询问通常具有上下文关联,因此本实施例还可以结合上文对话信息以及上文对话信息的上文反馈结果,来进一步确定当前的对话询问所适用的目标模型,以便提高目标模型确定的准确性。
S306、根据关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,对话模型用于进行对话询问处理。
S307、根据目标模型,对对话询问进行处理,得到处理结果。
示例性地,本实施例中的步骤S306-S307可以参见步骤S102-S103,此处不再赘述。
本实施例中,通过结合终端设备在发送时刻下所对应的界面中的显示数据作为场景信息中所包含的信息,以便后续可以结合所得到的显示数据,作为识别用户意图的参考,以便准确匹配出适合处理当前对话询问的目标模型。
图4为本公开第四实施例的示意图,如图4所示,本实施例中提供一种分流的对话处理装置400包括:
第一确定单元401,用于响应于接收到的对话询问,确定对话询问的关联信息;关联信息包括:对话询问的场景信息、关联询问的历史分流信息以及对话询问的语义信息;场景信息用于表征发起对话询问所处的场景;关联询问为与对话询问具有语义关联性的请求;历史分流信息指示关联询问的处理记录信息;语义信息表征对话询问的语义特征。
第二确定单元402,用于根据关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,对话模型用于进行对话询问处理。
处理单元403,用于根据目标模型,对对话询问进行处理,得到处理结果。
本实施例提供的装置,用于实现上述方法提供的技术方案,其实现原理和技术效果类似,不再赘述。
图5为本公开第五实施例的示意图,如图5所示,本实施例中提供一种分流的对话处理装置500,包括:
第一确定单元501,用于响应于接收到的对话询问,确定对话询问的关联信息;关联信息包括:对话询问的场景信息、关联询问的历史分流信息以及对话询问的语义信息;场景信息用于表征发起对话询问所处的场景;关联询问为与对话询问具有语义关联性的请求;历史分流信息指示关联询问的处理记录信息;语义信息表征对话询问的语义特征。
第二确定单元502,用于根据关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,对话模型用于进行对话询问处理。
处理单元503,用于根据目标模型,对对话询问进行处理,得到处理结果。
一个示例中,第二确定单元502,包括:
第一获取模块5021,用于获取预设的规则信息,其中,预设的规则信息包括对话模型的特征信息;特征信息用于指示对话模型可处理的对话的理解复杂度。
第一确定模块5022,用于若确定预设的规则信息中存在与关联信息相匹配的特征信息,则确定与关联信息相匹配的特征信息对应的对话模型为目标模型。
一个示例中,第一确定模块5022,包括:
第一确定子模块50221,用于对预设的规则信息中的特征信息和关联信息进行关键字匹配处理,确定匹配相似度;其中,匹配相似度用于指示特征信息和关联信息的相似程度。
第二确定子模块50222,用于若匹配相似度大于预设阈值,则确定预设的规则信息中存在与关联信息相匹配的特征信息。
第三确定子模块50223,用于确定与关联信息相匹配的特征信息对应的对话模型为目标模型。
一个示例中,装置还包括:
第二确定模块5023,用于若确定预设的规则信息中不存在与关联信息相匹配的特征信息,则调用分流模型;其中,分流模型为基于历史时段下的历史询问所对应的历史处理结果所训练得到的;分流模型用于确定需要调用的模型。
处理模块5024,用于根据分流模型,对关联信息进行处理,得到本次需要调用的目标模型。
一个示例中,第一确定单元501,包括:
第三确定模块5011,用于响应于接收到的对话询问,确定终端设备发送对话询问的发送时刻。
第四确定模块5012,用于确定关联询问的历史分流信息。
第五确定模块5013,用于确定对话询问的语义信息。
第六确定模块5014,用于确定在发送时刻下,终端设备的显示界面的显示数据;其中,显示数据包括:显示界面的界面标识,和/或,显示界面中的显示信息;显示信息用于指示显示界面中的显示内容。
第七确定模块5015,用于确定显示数据为对话询问的场景信息所包括的信息。
一个示例中,装置还包括:
第二获取模块5016,用于若确定存在终端设备发起的上文对话信息,则获取上文对话信息的上文反馈结果;上文对话信息为相邻时段内发起的对话;相邻时段为与发送时刻相邻的时段;上文反馈结果为对上文对话信息进行对话处理后的反馈至终端设备的结果。
第八确定模块5017,用于确定上文对话信息以及上文反馈结果为对话询问的场景信息所包括的信息。
一个示例中,关联询问包括:上文对话信息,和/或,历史对话信息;
上文对话信息为相邻时段内终端设备发起的对话;终端设备为发起对话询问的设备;相邻时段为与终端设备发送对话询问的发送时刻相邻的时段;
历史对话信息为历史时段中接收到的与对话询问的语义相似度大于预设取值的对话信息。
一个示例中,历史分流信息包括:处理关联询问的对话模型,和/或,满意度信息;其中,满意度信息用于指示对询问结果的满意度;询问结果为基于对话模型对关联询问处理后得到结果。
一个示例中,对话询问的语义信息,包括:长度信息、关键字信息、意图信息、词槽信息中的至少一项;长度信息为对话询问对应的文本长度;关键字信息用于指示对话询问中的关键内容;意图信息表征对话询问的目的;词槽信息用于指示实现对话询问的目的所需要的关键信息。
本实施例提供的装置,用于实现上述方法提供的技术方案,其实现原理和技术效果类似,不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
本公开提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一实施例所提供的方法。
图6是根据本公开第六实施例的示意图,如图6所示,本公开中的电子设备600可以包括:处理器601和存储器602。
存储器602,用于存储程序;存储器602,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器602用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器602中。并且上述的计算机程序、计算机指令、数据等可以被处理器601调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器602中。并且上述的计算机程序、计算机指据等可以被处理器601调用。
处理器601,用于执行存储器602存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器601和存储器602可以是独立结构,也可以是集成在一起的集成结构。当处理器601和存储器602是独立结构时,存储器602、处理器601可以通过总线603耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
本公开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,计算机指令用于使计算机执行上述任一实施例所提供的方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701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701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701执行上文所描述的各个方法和处理,例如分流的对话处理方法。例如,在一些实施例中,分流的对话处理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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的分流的对话处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行分流的对话处理方法。
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)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,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种分流的对话处理方法,包括:
响应于接收到的对话询问,确定所述对话询问的关联信息;所述关联信息包括:所述对话询问的场景信息、关联询问的历史分流信息以及所述对话询问的语义信息;所述场景信息用于表征发起所述对话询问所处的场景;所述关联询问为与所述对话询问具有语义关联性的请求;所述历史分流信息指示所述关联询问的处理记录信息;所述语义信息表征所述对话询问的语义特征;
根据所述关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,所述对话模型用于进行对话询问处理;
根据所述目标模型,对所述对话询问进行处理,得到处理结果。
2.根据权利要求1所述的方法,其中,根据所述关联信息,在多个对话模型中确定本次需要调用的目标模型,包括:
获取预设的规则信息,其中,所述预设的规则信息包括对话模型的特征信息;所述特征信息用于指示对话模型可处理的对话的理解复杂度;
若确定所述预设的规则信息中存在与所述关联信息相匹配的特征信息,则确定与所述关联信息相匹配的特征信息对应的对话模型为所述目标模型。
3.根据权利要求2所述的方法,其中,确定所述预设的规则信息中存在与所述关联信息相匹配的特征信息,包括:
对所述预设的规则信息中的特征信息和所述关联信息进行关键字匹配处理,确定匹配相似度;其中,所述匹配相似度用于指示特征信息和关联信息的相似程度;
若所述匹配相似度大于预设阈值,则确定所述预设的规则信息中存在与所述关联信息相匹配的特征信息。
4.根据权利要求2或3所述的方法,所述方法还包括:
若确定所述预设的规则信息中不存在与所述关联信息相匹配的特征信息,则调用分流模型;其中,所述分流模型为基于历史时段下的历史询问所对应的历史处理结果所训练得到的;所述分流模型用于确定需要调用的模型;
根据所述分流模型,对所述关联信息进行处理,得到本次需要调用的目标模型。
5.根据权利要求1-4中任一项所述的方法,其中,确定所述对话询问的关联信息,包括:
确定终端设备发送所述对话询问的发送时刻;
确定在所述发送时刻下,所述终端设备的显示界面的显示数据;其中,所述显示数据包括:所述显示界面的界面标识,和/或,所述显示界面中的显示信息;所述显示信息用于指示显示界面中的显示内容;
确定所述显示数据为所述对话询问的场景信息所包括的信息。
6.根据权利要求5所述的方法,所述方法还包括:
若确定存在所述终端设备发起的上文对话信息,则获取所述上文对话信息的上文反馈结果;所述上文对话信息为相邻时段内发起的对话;所述相邻时段为与所述发送时刻相邻的时段;所述上文反馈结果为对所述上文对话信息进行对话处理后的反馈至终端设备的结果;
确定所述上文对话信息以及所述上文反馈结果为所述对话询问的场景信息所包括的信息。
7.根据权利要求1-6中任一项所述的方法,其中,所述关联询问包括:上文对话信息,和/或,历史对话信息;
所述上文对话信息为相邻时段内终端设备发起的对话;所述终端设备为发起所述对话询问的设备;所述相邻时段为与所述终端设备发送所述对话询问的发送时刻相邻的时段;
所述历史对话信息为历史时段中接收到的与所述对话询问的语义相似度大于预设取值的对话信息。
8.根据权利要求1-7中任一项所述的方法,其中,所述历史分流信息包括:处理关联询问的对话模型,和/或,满意度信息;其中,所述满意度信息用于指示对询问结果的满意度;所述询问结果为基于对话模型对所述关联询问处理后得到结果。
9.根据权利要求1-8中任一项所述的方法,其中,所述对话询问的语义信息,包括:长度信息、关键字信息、意图信息、词槽信息中的至少一项;所述长度信息为对话询问对应的文本长度;所述关键字信息用于指示对话询问中的关键内容;所述意图信息表征对话询问的目的;所述词槽信息用于指示实现对话询问的目的所需要的关键信息。
10.一种分流的对话处理装置,包括:
第一确定单元,用于响应于接收到的对话询问,确定所述对话询问的关联信息;所述关联信息包括:所述对话询问的场景信息、关联询问的历史分流信息以及所述对话询问的语义信息;所述场景信息用于表征发起所述对话询问所处的场景;所述关联询问为与所述对话询问具有语义关联性的请求;所述历史分流信息指示所述关联询问的处理记录信息;所述语义信息表征所述对话询问的语义特征;
第二确定单元,用于根据所述关联信息,在多个对话模型中确定本次需要调用的目标模型;其中,所述对话模型用于进行对话询问处理;
处理单元,用于根据所述目标模型,对所述对话询问进行处理,得到处理结果。
11.根据权利要求10所述的装置,其中,第二确定单元,包括:
第一获取模块,用于获取预设的规则信息,其中,所述预设的规则信息包括对话模型的特征信息;所述特征信息用于指示对话模型可处理的对话的理解复杂度;
第一确定模块,用于若确定所述预设的规则信息中存在与所述关联信息相匹配的特征信息,则确定与所述关联信息相匹配的特征信息对应的对话模型为所述目标模型。
12.根据权利要求11所述的装置,其中,第一确定模块,包括:
第一确定子模块,用于对所述预设的规则信息中的特征信息和所述关联信息进行关键字匹配处理,确定匹配相似度;其中,所述匹配相似度用于指示特征信息和关联信息的相似程度;
第二确定子模块,用于若所述匹配相似度大于预设阈值,则确定所述预设的规则信息中存在与所述关联信息相匹配的特征信息;
第三确定子模块,用于确定与所述关联信息相匹配的特征信息对应的对话模型为所述目标模型。
13.根据权利要求11或12所述的装置,所述装置还包括:
第二确定模块,用于若确定所述预设的规则信息中不存在与所述关联信息相匹配的特征信息,则调用分流模型;其中,所述分流模型为基于历史时段下的历史询问所对应的历史处理结果所训练得到的;所述分流模型用于确定需要调用的模型;
处理模块,用于根据所述分流模型,对所述关联信息进行处理,得到本次需要调用的目标模型。
14.根据权利要求10-13中任一项所述的装置,其中,第一确定单元,包括:
第三确定模块,用于响应于接收到的对话询问,确定终端设备发送所述对话询问的发送时刻;
第四确定模块,用于确定关联询问的历史分流信息;
第五确定模块,用于确定所述对话询问的语义信息;
第六确定模块,用于确定在所述发送时刻下,所述终端设备的显示界面的显示数据;其中,所述显示数据包括:所述显示界面的界面标识,和/或,所述显示界面中的显示信息;所述显示信息用于指示显示界面中的显示内容;
第七确定模块,用于确定所述显示数据为所述对话询问的场景信息所包括的信息。
15.根据权利要求14所述的装置,所述装置还包括:
第二获取模块,用于若确定存在所述终端设备发起的上文对话信息,则获取所述上文对话信息的上文反馈结果;所述上文对话信息为相邻时段内发起的对话;所述相邻时段为与所述发送时刻相邻的时段;所述上文反馈结果为对所述上文对话信息进行对话处理后的反馈至终端设备的结果;
第八确定模块,用于确定所述上文对话信息以及所述上文反馈结果为所述对话询问的场景信息所包括的信息。
16.根据权利要求10-15中任一项所述的装置,其中,所述关联询问包括:上文对话信息,和/或,历史对话信息;
所述上文对话信息为相邻时段内终端设备发起的对话;所述终端设备为发起所述对话询问的设备;所述相邻时段为与所述终端设备发送所述对话询问的发送时刻相邻的时段;
所述历史对话信息为历史时段中接收到的与所述对话询问的语义相似度大于预设取值的对话信息。
17.根据权利要求10-16中任一项所述的装置,其中,所述历史分流信息包括:处理关联询问的对话模型,和/或,满意度信息;其中,所述满意度信息用于指示对询问结果的满意度;所述询问结果为基于对话模型对所述关联询问处理后得到结果。
18.根据权利要求10-17中任一项所述的装置,其中,所述对话询问的语义信息,包括:长度信息、关键字信息、意图信息、词槽信息中的至少一项;所述长度信息为对话询问对应的文本长度;所述关键字信息用于指示对话询问中的关键内容;所述意图信息表征对话询问的目的;所述词槽信息用于指示实现对话询问的目的所需要的关键信息。
19.一种电子设备,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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329734.XA CN117370520A (zh) | 2023-10-13 | 2023-10-13 | 分流的对话处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329734.XA CN117370520A (zh) | 2023-10-13 | 2023-10-13 | 分流的对话处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117370520A true CN117370520A (zh) | 2024-01-09 |
Family
ID=89388559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311329734.XA Pending CN117370520A (zh) | 2023-10-13 | 2023-10-13 | 分流的对话处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370520A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540004A (zh) * | 2024-01-10 | 2024-02-09 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
-
2023
- 2023-10-13 CN CN202311329734.XA patent/CN117370520A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540004A (zh) * | 2024-01-10 | 2024-02-09 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
CN117540004B (zh) * | 2024-01-10 | 2024-03-22 | 安徽省优质采科技发展有限责任公司 | 基于知识图谱和用户行为的工业领域智能问答方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN116127020A (zh) | 生成式大语言模型训练方法以及基于模型的搜索方法 | |
CN112767916B (zh) | 智能语音设备的语音交互方法、装置、设备、介质及产品 | |
CN117370520A (zh) | 分流的对话处理方法、装置、设备及介质 | |
JP2023541742A (ja) | ソートモデルのトレーニング方法及び装置、電子機器、コンピュータ可読記憶媒体、コンピュータプログラム | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN114490985B (zh) | 对话生成方法、装置、电子设备和存储介质 | |
CN113190746B (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN113032258B (zh) | 一种电子地图的测试方法、装置、电子设备及存储介质 | |
CN117150000B (zh) | 一种投标书的生成方法、装置、设备及存储介质 | |
CN113157877A (zh) | 多语义识别方法、装置、设备和介质 | |
CN116309002B (zh) | 图数据存储、访问、处理方法、训练方法、设备及介质 | |
CN114444514B (zh) | 语义匹配模型训练、语义匹配方法及相关装置 | |
CN113360590B (zh) | 兴趣点信息的更新方法、装置、电子设备及存储介质 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN117131197B (zh) | 一种招标书的需求类别处理方法、装置、设备及存储介质 | |
CN116628167B (zh) | 一种响应确定方法、装置、电子设备及存储介质 | |
CN117198289B (zh) | 语音交互方法、装置、设备、介质及产品 | |
CN116383491B (zh) | 信息推荐方法、装置、设备、存储介质和程序产品 | |
CN116050427B (zh) | 信息生成方法、训练方法、装置、电子设备以及存储介质 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 | |
US20230386237A1 (en) | Classification method and apparatus, electronic device and storage medium | |
CN114281964A (zh) | 对话技能服务的确定方法、装置、电子设备及存储介质 | |
CN116361556A (zh) | 一种调查问卷推送方法、装置、电子设备及存储介质 |
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 |