CN117932044B - 基于ai的心理辅导助手自动对话生成方法及系统 - Google Patents
基于ai的心理辅导助手自动对话生成方法及系统 Download PDFInfo
- Publication number
- CN117932044B CN117932044B CN202410331954.4A CN202410331954A CN117932044B CN 117932044 B CN117932044 B CN 117932044B CN 202410331954 A CN202410331954 A CN 202410331954A CN 117932044 B CN117932044 B CN 117932044B
- Authority
- CN
- China
- Prior art keywords
- answer
- psychological
- model
- dialogue
- psychological counseling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009223 counseling Methods 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 142
- 230000008451 emotion Effects 0.000 claims description 80
- 238000012797 qualification Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000004806 packaging method and process Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于AI的心理辅导助手自动对话生成方法及系统，其方法包括：收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流；有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及基于AI的心理辅导助手自动对话生成方法及系统。
背景技术
目前，随着经济的发展，人们在自身经济改善的同时，也增大了心理负担，社会上产生了越来越多需要进行心理辅导或治疗的人群，但市场上心理辅导师的水平良莠不齐，符合岗位需求的心理辅导师数量缺口巨大，心理辅导一般都是在独有的心理辅导室中进行，专业的心理辅导师与心理来访者进行面对面交流，讨论相关心理话题；
然而现如今的心理辅导技术往往只是单一的通过平台对用户的辅导问题进行答复的过程，无法实现语音之间的交互，也无法通过虚拟场景实现沉浸式心理辅导，因此，无法保障心理辅导的智能性、有效性以及准确性，无法提高用户的体验感；
因此，为了克服上述技术问题，本发明提供了一种基于AI的心理辅导助手自动对话生成方法及系统。
发明内容
本发明提供一种基于AI的心理辅导助手自动对话生成方法及系统，用以通过对心理辅导对话数据的采集并进行预处理，从而保障训练数据的有效性以及可靠性，进而对训练数据进行学习，可以有效实现对心理辅导模型的构建，通过对用户输入的语音辅导需求进行解析，可以使得确定的目标虚拟场景模型具备针对性，进而使得来访者通过语音识别技术快速无障碍与虚拟人语音交流，有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
一种基于AI的心理辅导助手自动对话生成方法，包括：
步骤1：收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
步骤2：读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
步骤3：基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流。
优选的，一种基于AI的心理辅导助手自动对话生成方法，步骤1，收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，包括：
基于预设对话终端收集历史对话问答信息；
获取对历史对话问答信息的标注任务；
基于历史对话问答信息的标注任务确定对历史对话问答信息进行识别的识别关键点；
根据识别关键点对历史对话问答信息进行识别并标注，获得辅导对话数据；
对心理辅导对话数据进行读取，确定心理辅导对话数据的分割字符以及心理辅导对话的对话领域；
基于分割字符对心理辅导对话数据进行分割，获得若干个心理辅导对话数据块；
根据心理辅导对话的对话领域在预设语义字典库中匹配对应的目标语义字典，同时，基于目标语义字典分别对每个心理辅导对话数据块进行分析，确定每个心理辅导对话数据块的中心语义向量；
计算心理辅导对话数据块中数据的语义向量与对应的中心语义向量之间的差值语义向量；
获取差值语义向量的向量分布密度，并根据差值语义向量的向量分布密度设定离群点范围；
读取差值语义向量在离群点范围内中的心理辅导对话数据，并将差值语义向量在离群点范围内的心理辅导对话数据作为异常数据；
将异常数据在对应的心理辅导对话数据块中进行剔除，并基于剔除结果将若干个心理辅导对话数据块进行合并，获得训练数据。
优选的，一种基于AI的心理辅导助手自动对话生成方法，步骤1中，对训练数据进行学习，构建心理辅导模型，包括：
对训练数据进行读取，确定训练数据中包含的问题数据与对应的答复数据；
获取问题数据中的问题类型，并根据问题类型对训练数据进行划分，获得若干个子问题数据与若干个子问题数据对应的子答复数据；
对同问题类型的子问题数据与对应的子答复数据进行解析，确定子问题数据中的问题关键词与对应子答复数据的答复关键词；
其中，问题关键词包括：问题情感关键词与问题核心关键词；答复关键词包括：答复情感关键词与答复核心关键词；
获取问题情感关键词与答复情感关键词的相似度，并根据问题情感关键词与答复情感关键词的相似度构建情感关联因子；
获取问题核心关键词与答复核心关键词的相似度，并根据问题核心关键词与答复核心关键词的相似度构建问答关联因子；
基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；
基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；
将不同问题类型对应的子心理辅导模型进行综合，并基于综合结果构建心理辅导模型。
优选的，一种基于AI的心理辅导助手自动对话生成方法，基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；包括：
基于情感关联因子与问答关联因子构建模型模板；
其中，模型模板包括第一模型模板与第二模型模板；
将问题情感关键词与答复情感关键词相似度大于第一预设相似度阈值的在第一模型模板中进行对应填写；
将问题核心关键词与答复核心关键词相似度大于第二预设相似度阈值的在第二模型模板中进行对应填写；
基于情感关联因子对填写后的第一模型模板进行第一封装，同时，基于问答关联因子对填写后的第二模型模板进行第二封装；
基于问题类型将第一封装与第二封装之后的模型模板进行第三封装，获得对应问题类型的子心理辅导模型。
优选的，一种基于AI的心理辅导助手自动对话生成方法，步骤2中，读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题，包括：
对用户输入的语音辅导需求进行读取，获得语音辅导需求中的情感关键词；
基于语音辅导需求中的情感关键词，在预设虚拟库中匹配目标虚拟场景模型，同时，基于情感关键词在预设虚拟库中匹配心理辅导员虚拟人，并将心理辅导员虚拟人在虚拟场景模型中进行拟合，获得目标虚拟场景模型；
读取语音辅导需求的语音字段，并调取预设语法分析模型，同时，将语音字段输入至语法分析模型进行分析，且基于分析结果输出语音辅导需求的语义信息，同时，根据语音辅导需求的语音信息确定用户的输入问题。
优选的，一种基于AI的心理辅导助手自动对话生成方法，步骤3中，根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流，包括：
对输出答案进行读取，确定输出答案的文本表示，同时，将输出答案的文本表示转换为语音答复；
根据心理辅导员虚拟人对语音答复在目标虚拟场景中进行输出，完成用户基于AI心理辅导的语音交流。
优选的，一种基于AI的心理辅导助手自动对话生成方法，步骤1中，在完成对心理辅导模型进行评估之后，还包括对心理辅导模型进行评估，并基于评估结果对心理辅导模型进行合格判定，具体为：
基于计算机生成模拟问题与预置回答；
获取对心理辅导模型的评估指标；
将模拟问题输入至心理辅导模型中进行读取，且基于心理辅导模型输出对应的目标答案；
根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定。
优选的，一种基于AI的心理辅导助手自动对话生成方法，根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定，包括：
评估指标包括：答案准确度指标、答案流畅度指标以及语义相似度指标；
其中，答案准确度指标对应的评估分值为：
将目标答案与预置回答进行对比，确定目标答案与预置回答的重叠率，并基于重叠率确定答案准确度指标对应的评估分值；
答案流畅度指标对应的评估分值为：
对目标答案对应的回答数据根据预设间隔进行等间隔划分，获得m个子回答数据集；
获取目标回答的语言模型，并基于目标回答的语言模型对m个子回答数据集进行语言分析，基于分析结果m个对应的预测回答数据集，其中，子回答数据集与预测回答数据集一一对应；
计算每个子回答数据集与对应的预测回答数据集的相似度，并将m个相似度进行均值化计算，获得答案流畅度指标对应的评估分值；
语义相似度指标对应的评估分值为：
读取目标回答的语义表征，同时，确定预置回答的语义表征，并将目标回答的语义表征与预置回答的语义表征进行匹配，且基于匹配结果确定语义相似度对应的评估分值；
基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定。
优选的，一种基于AI的心理辅导助手自动对话生成方法，基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定，包括：
分别获取基于答案标准度指标在对心理辅导模型进行合格判定的评估权值、基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值以及基于语义相似度指标在对心理辅导模型进行合格判定的评估权值；
计算基于答案标准度指标在对心理辅导模型进行合格判定的评估权值与答案准确度指标对应的评估分值对应的第一乘积；
计算基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值与答案流畅度指标对应的评估分值对应的第二乘积；
计算基于语义相似度指标在对心理辅导模型进行合格判定的评估权值与语义相似度指标对应的评估分值对应的第三乘积；
将第一乘积结果、第二乘积结果以及第三乘积结果进行求和，获得对心理辅导模型的综合评估分值；
获取预设及格分值；
将综合评估分值与预设及格分值进行比较，判断心理辅导模型是否合格；
当综合评估分值等于或大于及格分值时，则判定心理辅导模型合格；
否则，则判定心理辅导模型不合格。
一种基于AI的心理辅导助手自动对话生成系统，包括：
心理辅导模型构建模块，用于收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
语音辅导需求解析模块，用于读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
语音交流模块，用于基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流。
与现有技术相比，本发明的有益效果是：
1.通过对心理辅导对话数据的采集并进行预处理，从而保障训练数据的有效性以及可靠性，进而对训练数据进行学习，可以有效实现对心理辅导模型的构建，通过对用户输入的语音辅导需求进行解析，可以使得确定的目标虚拟场景模型具备针对性，进而使得来访者通过语音识别技术快速无障碍与虚拟人语音交流，有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
2.首先，通过标注实现对历史对话问答信息中的有用数据的提取，从而提高对辅导对话数据提取的有效性与准确性；其次，通过对心理辅导对话数据基于分割字符进行分割，可以提高对异常数据确定的准确性；再次，通过计算每个心理辅导对话数据块的中心语义向量与心理辅导对话数据块中每个数据的语义向量之间的差值语义向量，可以准确且高效的确定离群点范围，提供对离群点范围确定的客观性与精度，最后，通过离群点范围有效获取心理辅导对话数据中的异常数据，保障了训练数据的纯洁性与有效性。
3.通过计算机模拟问题和预置答案，同时，确定对心理辅导模型的评估指标，其次，通过构建的心理辅导模型对模拟问题进行分析，实现通过心理辅导模型对模拟问题对应的目标答案进行有效确定，最后，将得到的目标答案与计算机生成的预置回答进行比较，实现对心理辅导模型的合格性进行准确有效的判定，从而便于在心理辅导模型不合格时，及时对心理辅导模型进行优化，保障心理辅导模型的有效性与准确性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本申请文件中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于AI的心理辅导助手自动对话生成方法流程图；
图2为本发明实施例中一种基于AI的心理辅导助手自动对话生成方法中步骤2的流程图；
图3为本发明实施例中一种基于AI的心理辅导助手自动对话生成系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，如图1所示，包括：
步骤1：收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
步骤2：读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
步骤3：基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流。
该实施例中，心理辅导对话数据可以是收集包括用户的问题、辅导师的回答等数据。
该实施例中，对心理辅导对话数据进行预处理可以是包括：对心理辅导对话数据中的异常数据进行识别并剔除，从而获得对心理辅导模型进行学习的训练数据。
该实施例中，心理辅导模型为AI心理辅导模型。
该实施例中，对训练数据进行学习可以是通过获得用户的问题与辅导师的回答之间的关联关系，进而通过关联关系实现对训练数据的学习，进而达到对心理辅导模型的构建，其中，关联关系可以是包括：用户的问题包含的情感与辅导师回答包含的情感之间的关联关系以及用户的问题核心与辅导师的回答核心之间的关联关系。
该实施例中，目标虚拟场景模型以及心理辅导员模拟人可以是基于预设虚拟库中基于用户的情感需求（可以是通过情感关键词确定的）确定的符合本次用户基于语音辅导需求所设定的虚拟场景以及心理辅导员模拟人，例如：语音辅导需求中的情感需求（情感关键词）为“想要开心”，则虚拟场景可以是温馨的场景，心理辅导员模拟人可以是乐观积极外向的人物形象；通过确定目标虚拟场景模型以及心理辅导员模拟人，可以为用户提供一个适配的虚拟场景，从而为用户进行心理辅导辅导营造良好的氛围，达到事半功倍的效果，其中，目标虚拟场景模型可以是基于vr技术实现。
上述技术方案的有益效果是：通过对心理辅导对话数据的采集并进行预处理，从而保障训练数据的有效性以及可靠性，进而对训练数据进行学习，可以有效实现对心理辅导模型的构建，通过对用户输入的语音辅导需求进行解析，可以使得确定的目标虚拟场景模型具备针对性，进而使得来访者通过语音识别技术快速无障碍与虚拟人语音交流，有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
实施例2：
在实施例1的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，步骤1中，收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，包括：
基于预设对话终端收集历史对话问答信息；
获取对历史对话问答信息的标注任务；
基于历史对话问答信息的标注任务确定对历史对话问答信息进行识别的识别关键点；
根据识别关键点对历史对话问答信息进行识别并标注，获得辅导对话数据；
对心理辅导对话数据进行读取，确定心理辅导对话数据的分割字符以及心理辅导对话的对话领域；
基于分割字符对心理辅导对话数据进行分割，获得若干个心理辅导对话数据块；
根据心理辅导对话的对话领域在预设语义字典库中匹配对应的目标语义字典，同时，基于目标语义字典分别对每个心理辅导对话数据块进行分析，确定每个心理辅导对话数据块的中心语义向量；
计算心理辅导对话数据块中数据的语义向量与对应的中心语义向量之间的差值语义向量；
获取差值语义向量的向量分布密度，并根据差值语义向量的向量分布密度设定离群点范围；
读取差值语义向量在离群点范围内中的心理辅导对话数据，并将差值语义向量在离群点范围内的心理辅导对话数据作为异常数据；
将异常数据在对应的心理辅导对话数据块中进行剔除，并基于剔除结果将若干个心理辅导对话数据块进行合并，获得训练数据。
该实施例中，预设对话终端可以是用来记录与存储用户的问题以及辅导师的回答数据的终端。
该实施例中，标注任务可以是用来识别历史对话信息的关键信息（即识别关键点），如：历史对话信息中对话话题、对话情感等信息关键数据；
该实施例中，分割字符可以是心理辅导对话数据中的标点符合，如：封号、句号、逗号等。
该实施例中，心理辅导对话的对话领域可以是对话类别，如关于工作方面的对话领域、关于家庭方面的对话领域。
该实施例中，预设语义字典库可以是提前设定好的，用来存储不同对话领域所对应的目标语义字典。
该实施例中，中心语义向量可以是用来捕捉并表征每个心理辅导对话数据块的中心语义信息（即每个心理辅导对话数据块的中心主旨）。
该实施例中，心理辅导对话数据块中数据的语义向量表示心理辅导对话数据块中每个数据对应的语义信息。
该实施例中，向量分布密度可以是心理辅导对话数据块中每个数据的语义向量与中心语义向量的向量差的分布范围。
该实施例中，根据差值语义向量的向量分布密度设定离群点范围可以是将差值语义向量的聚集程度和稀疏程度。
该实施例中，根据差值语义向量的向量分布密度设定离群点范围，可以是首先选取差值语义向量中向量分布密度最大（即聚集程度最大）的差值语义向量范围，其次，差值语义向量中向量分布密度最大差值语义向量范围以外的范围则为离群点范围；（即符合离群点范围的心理辅导对话数据即为异常数据）。
上述技术方案的有益效果是：首先，通过标注实现对历史对话问答信息中的有用数据的提取，从而提高对辅导对话数据提取的有效性与准确性；其次，通过对心理辅导对话数据基于分割字符进行分割，可以提高对异常数据确定的准确性；再次，通过计算每个心理辅导对话数据块的中心语义向量与心理辅导对话数据块中每个数据的语义向量之间的差值语义向量，可以准确且高效的确定离群点范围，提供对离群点范围确定的客观性与精度，最后，通过离群点范围有效获取心理辅导对话数据中的异常数据，保障了训练数据的纯洁性与有效性。
实施例3：
在实施例1的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，步骤3，对训练数据进行学习，构建心理辅导模型，包括：
对训练数据进行读取，确定训练数据中包含的问题数据与对应的答复数据；
获取问题数据中的问题类型，并根据问题类型对训练数据进行划分，获得若干个子问题数据与若干个子问题数据对应的子答复数据；
对同问题类型的子问题数据与对应的子答复数据进行解析，确定子问题数据中的问题关键词与对应子答复数据的答复关键词；
其中，问题关键词包括：问题情感关键词与问题核心关键词；答复关键词包括：答复情感关键词与答复核心关键词；
获取问题情感关键词与答复情感关键词的相似度，并根据问题情感关键词与答复情感关键词的相似度构建情感关联因子；
获取问题核心关键词与答复核心关键词的相似度，并根据问题核心关键词与答复核心关键词的相似度构建问答关联因子；
基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；
基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；
将不同问题类型对应的子心理辅导模型进行综合，并基于综合结果构建心理辅导模型。
该实施例中，训练数据中包含的问题数据与对应的答复数据。
该实施例中，问题关键词包括：问题情感关键词与问题核心关键词；答复关键词包括：答复情感关键词与答复核心关键词，其中，问题核心关键词可以是问题的主旨，答复核心关键词可以是基于问题的主旨进行解答，其解答的数据即为答复核心关键词。
该实施例中，情感关联因子可以是用来表征辅导者（即用户的情感）与辅导师的情感之间的关联因素，例如，辅导者的情绪是低落的，则辅导师一般会用积极情感去进行答复，而这种情感联系即为情感关联因子。
该实施例中，问答关联因子可以是基于辅导者的问题核心与辅导师的答复核心构建的关联因素，可以避免答非所问的情况。
该实施例中，每个问题类型中对应的子心理辅导模型由第一子模型元（由情感关联因子构成）以及第二子模型元（由问答关联因子构成）所组成，而心理辅导模型由多个不同类型的子心理辅导模型所组成。
上述技术方案的有益效果是：通过确定情感关联因子与问答关联因子可以有效且精准的实现对第一子模型元与第二子模型元的确定，进而构建每个问题类型所对应的子心理辅导模型，通过将子心理辅导模型进行综合确定且高效实现对心理辅导模型的构建，从而通过对训练数据的学习可以高效实现对心理辅导模型的构建，极大的保障了心理辅导模型的智能性与答复准确性。
实施例4：
在实施例3的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；包括：
基于情感关联因子与问答关联因子构建模型模板；
其中，模型模板包括第一模型模板与第二模型模板；
将问题情感关键词与答复情感关键词相似度大于第一预设相似度阈值的在第一模型模板中进行对应填写；
将问题核心关键词与答复核心关键词相似度大于第二预设相似度阈值的在第二模型模板中进行对应填写；
基于情感关联因子对填写后的第一模型模板进行第一封装，同时，基于问答关联因子对填写后的第二模型模板进行第二封装；
基于问题类型将第一封装与第二封装之后的模型模板进行第三封装，获得对应问题类型的子心理辅导模型。
该实施例中，第一预设相似度阈值可以是提前设定好的，用来判定是否将问题情感关键词与答复情感关键词在第一模型模板中填写的判定标准。
该实施例中，第二预设相似度阈值可以是提前设定好的，用来判定是否将问题核心关键词与答复核心关键词在第二模型模板中填写的判定标准。
上述技术方案的有益效果是：有效提高对子心理辅导模型生成有效性，通过将问题情感关键词与答复情感关键词以及问题核心关键词与答复核心关键词的填写，可以作为子心理辅导模型生成的依据，并提高了对子心理辅导模型生成全面性。
实施例5：
在实施例1的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，如图2所示，步骤2中，读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题，包括：
S201：对用户输入的语音辅导需求进行读取，获得语音辅导需求中的情感关键词；
S202：基于语音辅导需求中的情感关键词，在预设虚拟库中匹配目标虚拟场景模型，同时，基于情感关键词在预设虚拟库中匹配心理辅导员虚拟人，并将心理辅导员虚拟人在虚拟场景模型中进行拟合，获得目标虚拟场景模型；
S203：读取语音辅导需求的语音字段，并调取预设语法分析模型，同时，将语音字段输入至语法分析模型进行分析，且基于分析结果输出语音辅导需求的语义信息，同时，根据语音辅导需求的语音信息确定用户的输入问题。
该实施例中，情感关键词可以是语音辅导需求中输出的表征情绪等的关键词，例如：开心、愤怒等词汇。
该实施例中，预设虚拟库可以是提前设定好的，用来存储不同情感关键词对应的虚拟场景模型以及心理辅导员虚拟人信息。
该实施例中，语法分析模型可以是提前设定好的，用来对语音字段进行语法分析，从而实现对语义信息的提取。
上述技术方案的工作原理及有益效果是：通过对用户的语音辅导需求进行读取解析，从而有效实现对目标虚拟场景模型以及心理辅导员虚拟人的，从而有效为用户进行心理辅导辅导营造良好的氛围，达到事半功倍的效果，通过对语音辅导需求进行语义信息的提取，从而有效实现对用户的输入问题的确定，提高了对语音辅导需求的有效解析。
实施例6：
在实施例1的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，步骤3中，根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流，包括：
对输出答案进行读取，确定输出答案的文本表示，同时，将输出答案的文本表示转换为语音答复；
根据心理辅导员虚拟人对语音答复在目标虚拟场景中进行输出，完成用户基于AI心理辅导的语音交流。
上述技术方案的有益效果是：有效为用户进行心理辅导辅导营造良好的氛围，达到事半功倍的效果，有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
实施例7：
在实施例1的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，步骤4中，对心理辅导模型进行评估，并基于评估结果对心理辅导模型进行合格判定，包括：
基于计算机生成模拟问题与预置回答；
获取对心理辅导模型的评估指标；
将模拟问题输入至心理辅导模型中进行读取，且基于心理辅导模型输出对应的目标答案；
根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定。
该实施例中，模拟问题是根据计算机提前生成的，是用于测试辅导模拟运行是否合格而产生的虚拟问题。
该实施例中，预置回答是提前设定好的，是根据已知的辅导业务以及辅导目的设定的能够对模拟问题进行针对性答复的答案。
该实施例中，评估指标可以是用于评估心理辅导模型是否合格的评价参数，例如可以是答案准确度指标、答案流畅度指标以及语义相似度指标等。
该实施例中，目标答案可以是心理辅导模型对模拟问题进行分析后得到的能够对模拟问题进行答复的答案。
该实施例中，评估分值可以是表征目标答案针对预置回答的一致性的程度，评估分值越大表明目标答案与预置回答越一致。
上述技术方案的有益效果是：通过计算机模拟问题和预置答案，同时，确定对心理辅导模型的评估指标，其次，通过构建的心理辅导模型对模拟问题进行分析，实现通过心理辅导模型对模拟问题对应的目标答案进行有效确定，最后，将得到的目标答案与计算机生成的预置回答进行比较，实现对心理辅导模型的合格性进行准确有效的判定，从而便于在心理辅导模型不合格时，及时对心理辅导模型进行优化，保障心理辅导模型的有效性与准确性。
实施例8：
在实施例7的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定，包括：
评估指标包括：答案准确度指标、答案流畅度指标以及语义相似度指标；
其中，答案准确度指标对应的评估分值为：
将目标答案与预置回答进行对比，确定目标答案与预置回答的重叠率，并基于重叠率确定答案准确度指标对应的评估分值；
答案流畅度指标对应的评估分值为：
对目标答案对应的回答数据根据预设间隔进行等间隔划分，获得m个子回答数据集；
获取目标回答的语言模型，并基于目标回答的语言模型对m个子回答数据集进行语言分析，基于分析结果m个对应的预测回答数据集，其中，子回答数据集与预测回答数据集一一对应；
计算每个子回答数据集与对应的预测回答数据集的相似度，并将m个相似度进行均值化计算，获得答案流畅度指标对应的评估分值；
语义相似度指标对应的评估分值为：
读取目标回答的语义表征，同时，确定预置回答的语义表征，并将目标回答的语义表征与预置回答的语义表征进行匹配，且基于匹配结果确定语义相似度对应的评估分值；
基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定。
该实施例中，重叠率可以是表征目标答案与预置回答一致程度的评估参数，重叠率越高表明目标答案与预置回答越相似。
该实施例中，答案准确度指标对应的评估分值与重叠率成正比关系。
该实施例中，预设间隔是提前设定好的，用于表征对目标答案对应的回答数据进行划分的标准，即划分后每一数据片段中包含的数据量的多少。
该实施例中，子回答数据集可以是根据预设间隔将目标答案对应的回答数据进行等间隔划分后得到的数据片段。
该实施例中，语言分析可以是通过目标回答的语言模型对子回答数据集中的数据表达逻辑以及数据表达规则进行解析，从而实现对子回答数据集对应的标准且流畅的预测回答数据集进行准确有效的确定，其中，目标回答的语言模型即为将回答数据进行语言组织的工具，是提前设定好的。
该实施例中，预测回答数据集可以是对通过目标回答的语言模型将子回答数据集进行语言逻辑组织后得到的能够流畅表达的答案。
该实施例中，语义表征可以是目标回答以及预置回答对应的核心思想，即目标回答和预置回答的主旨内容。
该实施例中，综合评估分值可以是将答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值进行加权平均后得到的能够表征心理辅导模型性能的综合评估参数。
上述技术方案的有益效果是：通过对答案准确度指标、答案流畅度指标以及语义相似度指标的评估分值分别进行阐述，实现对答案准确度指标、答案流畅度指标以及语义相似度指标的评估分值进行准确可靠的确定，其次，将答案准确度指标、答案流畅度指标以及语义相似度指标的评估分值进行综合，实现对心理辅导模型的综合性能评估参数进行有效确定，最后，通过确定的综合评估分值实现对心理辅导模型的合格性进行准确有效的判断，保障了最终构建得到的心理辅导模型的准确有效性，也提高了对用户输入问题进行解答的准确性。
实施例9：
在实施例8的基础上，本实施例提供了一种基于AI的心理辅导助手自动对话生成方法，基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定，包括：
分别获取基于答案标准度指标在对心理辅导模型进行合格判定的评估权值、基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值以及基于语义相似度指标在对心理辅导模型进行合格判定的评估权值；
计算基于答案标准度指标在对心理辅导模型进行合格判定的评估权值与答案准确度指标对应的评估分值对应的第一乘积；
计算基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值与答案流畅度指标对应的评估分值对应的第二乘积；
计算基于语义相似度指标在对心理辅导模型进行合格判定的评估权值与语义相似度指标对应的评估分值对应的第三乘积；
将第一乘积结果、第二乘积结果以及第三乘积结果进行求和，获得对心理辅导模型的综合评估分值；
获取预设及格分值；
将综合评估分值与预设及格分值进行比较，判断心理辅导模型是否合格；
当综合评估分值等于或大于及格分值时，则判定心理辅导模型合格；
否则，则判定心理辅导模型不合格。
该实施例中，第一乘积可以是答案标准度指标对应的评估权值与答案准确度指标对应的评估分值的乘积。
该实施例中，第二乘积可以是答案流畅度指标对应的评估权值与答案流畅度指标对应的评估分值的乘积。
该实施例中，第三乘积可以是语义相似度指标对应的评估权值与语义相似度指标对应的评估分值的乘积。
该实施例中，预设及格分值是提前设定好的，是用于衡量心理辅导模型是否合格的最低标准。
上述技术方案的有益效果是：通过分别将答案准确度指标、答案流畅度指标以及语义相似度指标对应的评估权值和评估分值进行相乘，并将相乘结果进行求和后与预设及格分值进行比较，实现根据比较结果对心理辅导模型的合格程度进行准确有效的判定，有效保障心理辅导模型的智能性、有效性以及准确性。
实施例10：
在实施例1的基础上，本实施例还包括，当心理辅导模型合格时，读取用户的输入问题，并基于心理辅导模型输出与输入问题相对应的输出答案，同时，基于用户的输入问题以及输出答案进行二次学习，且基于二次学习结果对心理辅导模型进行优化，包括：
当心理辅导模型合格时，向心理辅导模型输入用户的输入问题，同时，根据心理辅导模型读取相对应的输出答案；
获取用户对输出答案的满意度分值，且当满意度分值达到设定阈值时，则基于用户的输入问题以及输出答案进行二次学习，且基于二次学习结果对心理辅导模型进行优化。
该实施例中，满意度分值可以是表征用户对输出答案合理性的评判结果，即满足输入问题辅导目的的程度，满意度分值越大表明用户对输出答案越满意。
该实施例中，设定阈值是提前设定好的，是用于衡量满足满意程度的标准，是可以进行调整的。
该实施例中，基于用户的输入问题以及输出答案进行二次学习，且基于二次学习结果对心理辅导模型进行优化可以是根据输出答案与输入问题的一致性确定心理辅导模型对输入问题的解析准确率，当输出答案与输入问题对应的标准答案存在差距时，通过确定输出答案与标准答案之间的差异情况，实现通过差异情况对心理辅导模型的查询策略进行优化，最终确保心理辅导模型能够针对输入问题匹配出准确的答案。
上述技术方案的有益效果是：通过心理辅导模型对用户的输入问题进行解析，实现对用户的输入问题的输出答案进行准确有效的确定，其次，通过确定用户对输出答案的满意度分值，实现当满意度分值达到设定阈值时根据输入问题以及输出答案进行二次学习，实现对心理辅导模型进行针对性优化，从而保障了心理辅导模型对用户输入问题分析的准确可靠性。
实施例11：
一种基于AI的心理辅导助手自动对话生成系统，如图3所示，包括：
心理辅导模型构建模块，用于收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
语音辅导需求解析模块，用于读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
语音交流模块，用于基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流。
上述技术方案的有益效果是：通过对心理辅导对话数据的采集并进行预处理，从而保障训练数据的有效性以及可靠性，进而对训练数据进行学习，可以有效实现对心理辅导模型的构建，通过对用户输入的语音辅导需求进行解析，可以使得确定的目标虚拟场景模型具备针对性，进而使得来访者通过语音识别技术快速无障碍与虚拟人语音交流，有效保障心理辅导的智能性、有效性以及准确性，从而大大提高用户的体验感。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于AI的心理辅导助手自动对话生成方法，其特征在于，包括：
步骤1：收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
步骤2：读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
步骤3：基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流；
步骤1，收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，包括：
基于预设对话终端收集历史对话问答信息；
获取对历史对话问答信息的标注任务；
基于历史对话问答信息的标注任务确定对历史对话问答信息进行识别的识别关键点；
根据识别关键点对历史对话问答信息进行识别并标注，获得辅导对话数据；
对心理辅导对话数据进行读取，确定心理辅导对话数据的分割字符以及心理辅导对话的对话领域；
基于分割字符对心理辅导对话数据进行分割，获得若干个心理辅导对话数据块；
根据心理辅导对话的对话领域在预设语义字典库中匹配对应的目标语义字典，同时，基于目标语义字典分别对每个心理辅导对话数据块进行分析，确定每个心理辅导对话数据块的中心语义向量；
计算心理辅导对话数据块中数据的语义向量与对应的中心语义向量之间的差值语义向量；
获取差值语义向量的向量分布密度，并根据差值语义向量的向量分布密度设定离群点范围；
读取差值语义向量在离群点范围内中的心理辅导对话数据，并将差值语义向量在离群点范围内的心理辅导对话数据作为异常数据；
将异常数据在对应的心理辅导对话数据块中进行剔除，并基于剔除结果将若干个心理辅导对话数据块进行合并，获得训练数据。
2.根据权利要求1所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，步骤1中，对训练数据进行学习，构建心理辅导模型，包括：
对训练数据进行读取，确定训练数据中包含的问题数据与对应的答复数据；
获取问题数据中的问题类型，并根据问题类型对训练数据进行划分，获得若干个子问题数据与若干个子问题数据对应的子答复数据；
对同问题类型的子问题数据与对应的子答复数据进行解析，确定子问题数据中的问题关键词与对应子答复数据的答复关键词；
其中，问题关键词包括：问题情感关键词与问题核心关键词；答复关键词包括：答复情感关键词与答复核心关键词；
获取问题情感关键词与答复情感关键词的相似度，并根据问题情感关键词与答复情感关键词的相似度构建情感关联因子；
获取问题核心关键词与答复核心关键词的相似度，并根据问题核心关键词与答复核心关键词的相似度构建问答关联因子；
基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；
基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；
将不同问题类型对应的子心理辅导模型进行综合，并基于综合结果构建心理辅导模型。
3.根据权利要求2所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，基于情感关联因子构建第一子模型元，同时，基于问答关联因子构建第二子模型元；基于第一子模型元与第二子模型元构建在同问题类型中的子心理辅导模型；包括：
基于情感关联因子与问答关联因子构建模型模板；
其中，模型模板包括第一模型模板与第二模型模板；
将问题情感关键词与答复情感关键词相似度大于第一预设相似度阈值的在第一模型模板中进行对应填写；
将问题核心关键词与答复核心关键词相似度大于第二预设相似度阈值的在第二模型模板中进行对应填写；
基于情感关联因子对填写后的第一模型模板进行第一封装，同时，基于问答关联因子对填写后的第二模型模板进行第二封装；
基于问题类型将第一封装与第二封装之后的模型模板进行第三封装，获得对应问题类型的子心理辅导模型。
4.根据权利要求1所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，步骤2中，读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题，包括：
对用户输入的语音辅导需求进行读取，获得语音辅导需求中的情感关键词；
基于语音辅导需求中的情感关键词，在预设虚拟库中匹配目标虚拟场景模型，同时，基于情感关键词在预设虚拟库中匹配心理辅导员虚拟人，并将心理辅导员虚拟人在虚拟场景模型中进行拟合，获得目标虚拟场景模型；
读取语音辅导需求的语音字段，并调取预设语法分析模型，同时，将语音字段输入至语法分析模型进行分析，且基于分析结果输出语音辅导需求的语义信息，同时，根据语音辅导需求的语音信息确定用户的输入问题。
5.根据权利要求1所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，步骤3中，根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流，包括：
对输出答案进行读取，确定输出答案的文本表示，同时，将输出答案的文本表示转换为语音答复；
根据心理辅导员虚拟人对语音答复在目标虚拟场景中进行输出，完成用户基于AI心理辅导的语音交流。
6.根据权利要求1所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，步骤1中，在完成对心理辅导模型进行评估之后，还包括对心理辅导模型进行评估，并基于评估结果对心理辅导模型进行合格判定，具体为：
基于计算机生成模拟问题与预置回答；
获取对心理辅导模型的评估指标；
将模拟问题输入至心理辅导模型中进行读取，且基于心理辅导模型输出对应的目标答案；
根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定。
7.根据权利要求6所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，根据评估指标对目标答案与预置回答进行分析，输出每个评估指标对应的评估分值，同时，根据评估分值对心理辅导模型进行合格判定，包括：
评估指标包括：答案准确度指标、答案流畅度指标以及语义相似度指标；
其中，答案准确度指标对应的评估分值为：
将目标答案与预置回答进行对比，确定目标答案与预置回答的重叠率，并基于重叠率确定答案准确度指标对应的评估分值；
答案流畅度指标对应的评估分值为：
对目标答案对应的回答数据根据预设间隔进行等间隔划分，获得m个子回答数据集；
获取目标回答的语言模型，并基于目标回答的语言模型对m个子回答数据集进行语言分析，基于分析结果m个对应的预测回答数据集，其中，子回答数据集与预测回答数据集一一对应；
计算每个子回答数据集与对应的预测回答数据集的相似度，并将m个相似度进行均值化计算，获得答案流畅度指标对应的评估分值；
语义相似度指标对应的评估分值为：
读取目标回答的语义表征，同时，确定预置回答的语义表征，并将目标回答的语义表征与预置回答的语义表征进行匹配，且基于匹配结果确定语义相似度对应的评估分值；
基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定。
8.根据权利要求7所述的一种基于AI的心理辅导助手自动对话生成方法，其特征在于，基于答案准确度指标对应的评估分值、答案流畅度指标对应的评估分值以及语义相似度指标对应的评估分值确定对心理辅导模型的综合评估分值，且基于综合评估分值对心理辅导模型进行合格判定，包括：
分别获取基于答案标准度指标在对心理辅导模型进行合格判定的评估权值、基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值以及基于语义相似度指标在对心理辅导模型进行合格判定的评估权值；
计算基于答案标准度指标在对心理辅导模型进行合格判定的评估权值与答案准确度指标对应的评估分值对应的第一乘积；
计算基于答案流畅度指标在对心理辅导模型进行合格判定的评估权值与答案流畅度指标对应的评估分值对应的第二乘积；
计算基于语义相似度指标在对心理辅导模型进行合格判定的评估权值与语义相似度指标对应的评估分值对应的第三乘积；
将第一乘积结果、第二乘积结果以及第三乘积结果进行求和，获得对心理辅导模型的综合评估分值；
获取预设及格分值；
将综合评估分值与预设及格分值进行比较，判断心理辅导模型是否合格；
当综合评估分值等于或大于及格分值时，则判定心理辅导模型合格；
否则，则判定心理辅导模型不合格。
9.一种基于AI的心理辅导助手自动对话生成系统，其特征在于，包括：
心理辅导模型构建模块，用于收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，并对训练数据进行学习，构建心理辅导模型；
语音辅导需求解析模块，用于读取用户输入的语音辅导需求，并根据用户输入的语音辅导需求确定辅导场景，且根据辅导场景确定目标虚拟场景模型以及心理辅导员模拟人，同时，对语音辅导需求进行语音识别，确定用户的输入问题；
语音交流模块，用于基于心理辅导模型输出与输入问题相对应的输出答案，并根据输出答案基于心理辅导员模拟人在目标虚拟场景模型中对语音答复输出，完成用户AI心理辅导的语音交流；
心理辅导模型构建模块中，收集心理辅导对话数据，同时，对心理辅导对话数据进行预处理，获得训练数据，包括：
基于预设对话终端收集历史对话问答信息；
获取对历史对话问答信息的标注任务；
基于历史对话问答信息的标注任务确定对历史对话问答信息进行识别的识别关键点；
根据识别关键点对历史对话问答信息进行识别并标注，获得辅导对话数据；
对心理辅导对话数据进行读取，确定心理辅导对话数据的分割字符以及心理辅导对话的对话领域；
基于分割字符对心理辅导对话数据进行分割，获得若干个心理辅导对话数据块；
根据心理辅导对话的对话领域在预设语义字典库中匹配对应的目标语义字典，同时，基于目标语义字典分别对每个心理辅导对话数据块进行分析，确定每个心理辅导对话数据块的中心语义向量；
计算心理辅导对话数据块中数据的语义向量与对应的中心语义向量之间的差值语义向量；
获取差值语义向量的向量分布密度，并根据差值语义向量的向量分布密度设定离群点范围；
读取差值语义向量在离群点范围内中的心理辅导对话数据，并将差值语义向量在离群点范围内的心理辅导对话数据作为异常数据；
将异常数据在对应的心理辅导对话数据块中进行剔除，并基于剔除结果将若干个心理辅导对话数据块进行合并，获得训练数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410331954.4A CN117932044B (zh) | 2024-03-22 | 2024-03-22 | 基于ai的心理辅导助手自动对话生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410331954.4A CN117932044B (zh) | 2024-03-22 | 2024-03-22 | 基于ai的心理辅导助手自动对话生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117932044A CN117932044A (zh) | 2024-04-26 |
| CN117932044B true CN117932044B (zh) | 2024-06-14 |
Family
ID=90757801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410331954.4A Active CN117932044B (zh) | 2024-03-22 | 2024-03-22 | 基于ai的心理辅导助手自动对话生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117932044B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114780675A (zh) * | 2022-03-29 | 2022-07-22 | 招商银行股份有限公司 | 对话交互方法、装置、设备与介质 |
| CN117033722A (zh) * | 2023-08-08 | 2023-11-10 | 平安银行股份有限公司 | 一种金融防诈知识宣导方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11373632B2 (en) * | 2017-05-10 | 2022-06-28 | Oracle International Corporation | Using communicative discourse trees to create a virtual persuasive dialogue |
| CN112863643B (zh) * | 2019-11-12 | 2024-04-30 | 苏州心吧人工智能技术研发有限公司 | 一种沉浸式虚拟现实人际关系雕塑心理咨询辅助系统 |
| CN114168723A (zh) * | 2021-11-29 | 2022-03-11 | 神思电子技术股份有限公司 | 一种用于解决多轮对话中虚槽值的方法、设备及介质 |
| CN117352132A (zh) * | 2023-10-24 | 2024-01-05 | 科大讯飞股份有限公司 | 心理辅导方法、装置、设备及存储介质 |
-
2024
- 2024-03-22 CN CN202410331954.4A patent/CN117932044B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114780675A (zh) * | 2022-03-29 | 2022-07-22 | 招商银行股份有限公司 | 对话交互方法、装置、设备与介质 |
| CN117033722A (zh) * | 2023-08-08 | 2023-11-10 | 平安银行股份有限公司 | 一种金融防诈知识宣导方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117932044A (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717018A (zh) | 一种基于知识图谱的工业设备故障维修问答系统 | |
| CN105632251A (zh) | 具有语音功能的3d虚拟教师系统及其方法 | |
| KR20130128716A (ko) | 어학 학습 시스템 및 학습 방법 | |
| CN111833853A (zh) | 语音处理方法及装置、电子设备、计算机可读存储介质 | |
| CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
| CN110781681B (zh) | 一种基于翻译模型的初等数学应用题自动求解方法及系统 | |
| CN111916181A (zh) | 一种基于人工智能的心理建设系统及装置 | |
| CN111523328B (zh) | 一种智能客服语义处理方法 | |
| Wagner et al. | Applying cooperative machine learning to speed up the annotation of social signals in large multi-modal corpora | |
| CN110956142A (zh) | 一种智能交互培训系统 | |
| CN111090726A (zh) | 一种基于nlp的电力行业文字客服交互方法 | |
| CN114186983A (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
| CN116936037A (zh) | 一种基于人工智能的线上心理咨询方法和系统 | |
| Dzikovska et al. | Evaluating language understanding accuracy with respect to objective outcomes in a dialogue system | |
| CN117932044B (zh) | 基于ai的心理辅导助手自动对话生成方法及系统 | |
| CN111414456A (zh) | 一种开放式简答题自动评分的方法和系统 | |
| Dsouza et al. | Advancement in communication using natural language based videobot system | |
| CN112767940B (zh) | 一种语音培训识别方法、系统、设备及存储介质 | |
| CN111883111B (zh) | 话术训练处理方法、装置、计算机设备和可读存储介质 | |
| CN115408500A (zh) | 问答一致性的评估方法、装置、电子设备及介质 | |
| Lee et al. | Design of a Foreign Language Conversation Learning System Using Machine Learning | |
| Liu et al. | Deep learning scoring model in the evaluation of oral English teaching | |
| CN116151242B (zh) | 一种编程学习场景的智能习题推荐方法、系统及储存介质 | |
| CN116991982B (zh) | 基于人工智能的交互式对话方法、装置、设备及存储介质 | |
| Meng et al. | Nonlinear network speech recognition structure in a deep learning algorithm |
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 |