KR20220018886A - 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체 - Google Patents

신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체 Download PDF

Info

Publication number
KR20220018886A
KR20220018886A KR1020210032086A KR20210032086A KR20220018886A KR 20220018886 A KR20220018886 A KR 20220018886A KR 1020210032086 A KR1020210032086 A KR 1020210032086A KR 20210032086 A KR20210032086 A KR 20210032086A KR 20220018886 A KR20220018886 A KR 20220018886A
Authority
KR
South Korea
Prior art keywords
user input
node
information
machine interactive
human machine
Prior art date
Application number
KR1020210032086A
Other languages
English (en)
Inventor
화 우
하이펑 왕
잔이 류
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20220018886A publication Critical patent/KR20220018886A/ko

Links

Images

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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/328—Management therefor
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Neurology (AREA)
  • Robotics (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)
  • Feedback Control In General (AREA)

Abstract

본 공개는 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체를 제공하며, 인공 지능 기술 분야에 관한 것으로, 구체적으로는 자연 언어 처리 및 지식 그래프 기술 분야에 관한 것이다. 휴머 머신 인터랙티브 방법은, 사용자 입력을 제1 입력으로 하여 신경망 시스템에 제공하는 단계; 사용자 입력을 신경망 시스템과 다른 대화 제어 시스템에 제공하는 단계; 사용자 입력과 관련된 정보에 기반하여, 대화 제어 시스템은 사용자 입력을 처리하는 단계; 대화 제어 시스템의 처리 결과를 제2 입력으로 하여 신경망 시스템에 제공하는 단계; 및 신경망 시스템은 상기 제1 입력 및 제2 입력에 기반하여 사용자 입력에 대한 응답을 생성하는 단계;를 포함한다.

Description

신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체{NEURAL-NETWORK-BASED HUMAN-MACHINE INTERACTION METHOD, DEVICE, AND MEDIUM}
본 공개는 인공 지능 기술 분야에 관한 것으로, 구체적으로는 자연 언어 처리 및 지식 그래프 기술 분야에 관한 것이며, 특히 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체에 관한 것이다.
개방 도메인의 대화 시스템의 목표는 기계가 인간과 같이, 정보 전달 매체로 자연 언어를 사용하여, 기계가 질의 응답, 명령 실행, 채팅 등을 통해 사람들의 일상적인 상호 작용 요구를 만족시키고, 채팅의 주제와 내용은 제한이 없도록 하는 것이다.
현재, 개방 도메인의 대화 시스템은 주로 코퍼스 기반의 검색방법 또는 생성방법을 이용한다. 코퍼스에 실제 언어 사용에서 실제로 나타나는 언어 자료를 저장한다. 실제 대화 과정에서 사용자 입력은 의미가 유사하나 문자 표현 차이가 매우 크고, 문자 표현은 유사하나 의미 차이가 매우 크다는 등의 문제가 존재하여, 코퍼스 기반의 검색 방법 또는 생성 방법은 일반적으로 대화 내용이 부족하고, 논리가 명확하지 않으며, 엉뚱한 답변을 하는 등의 문제가 있다.
이 부분에서 설명한 방법은 이전에 이미 구상하거나 이용했던 방법이 아닐 수 있다. 다른 설명이 없는 한, 이 부분에서 설명한 그 어떤 방법도 이 부분에 포함되었다는 이유만으로 종래기술로 인정된다고 가정해서는 안 된다. 이와 유사하게, 다른 설명이 없는 한, 이 부분에서 언급된 과제는 임의의 종래기술에서 이미 보편적으로 인정된 것으로 보아서는 안 된다.
본 공개의 하나의 측면에 따르면, 신경망에 기반한 휴먼 머신 인터랙티브 방법을 제공하고, 상기 방법은, 사용자 입력을 제1 입력으로 하여 신경망 시스템에 제공하는 단계; 상기 사용자 입력을 상기 신경망 시스템과 다른 대화 제어 시스템에 제공하는 단계; 상기 사용자 입력과 관련된 정보에 기반하여, 상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계; 상기 대화 제어 시스템의 처리 결과를 제2 입력으로 하여 상기 신경망 시스템에 제공하는 단계; 및 상기 신경망 시스템은 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하는 단계를 포함한다.
본 공개의 하나의 측면에 따르면, 신경망에 기반한 휴먼 머신 인터랙티브 장치를 제공하고, 상기 장치는, 사용자 입력을 제1 입력으로 수신하도록 구성된 신경망 시스템; 및 상기 사용자 입력을 수신하도록 구성된, 상기 신경망 시스템과 다른 대화 제어 시스템을 포함하고, 상기 대화 제어 시스템은 추가적으로 상술한 상기 사용자 입력과 관련된 정보에 기반하여 상기 사용자 입력을 처리하고, 처리 결과를 제2입력으로 상기 신경망 시스템에 제공하도록 구성되고, 상기 신경망 시스템은 추가적으로 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하도록 구성된다.
본 공개의 다른 하나의 측면에 따르면, 전자 장치를 제공하고, 상기 전자 장치는, 프로세서; 및 프로그램이 저장된 메모리를 포함하고, 상기 프로그램은 명령을 포함하며, 상기 명령이 상기 프로세서에 의해 실행되면 상기 프로세서가 상술한 방법에 따라 실행하도록 한다.
본 공개의 다른 하나의 측면에 따르면, 프로그램이 저장되는 컴퓨터 판독가능 저장매체를 제공하고, 상기 프로그램은 명령을 포함하고, 상기 명령이 전자 장치의 프로세서에 의해 실행되면 상기 전자 장치가 상술한 방법에 따라 실행하도록 한다.
본 공개의 다른 하나의 측면에 따르면, 컴퓨터 판독 가능 저장매체에 저장되는 컴퓨터 프로그램을 제공하고, 상기 컴퓨터 프로그램은 명령을 포함하고, 상기 명령은 적어도 하나의 프로세서에 의해 상술한 방법을 구현한다.
본 공개의 실시예에 따른 신경망에 기반한 휴먼 머신 인터랙티브 방법은, 휴먼 머신 인터랙티브 과정에서 사용자의 채팅 체험을 개선하는데 도움을 준다.
도면은 실시예를 예시적으로 나타내고 명세서의 일부를 구성하며, 명세서의 문자 기재와 함께 실시예의 예시적 실시형태를 해석한다. 보여준 실시예는 예시적인 목적으로만 사용되고, 청구항의 범위를 한정하지 않는다. 모든 도면에서 동일한 부호는 유사하지만 반드시 동일하지는 않은 요소를 가리킨다.
도 1은 예시적 실시예에 따른 신경망에 기반한 휴먼 머신 인터랙티브 방법을 나타낸 흐름도이다.
도 2는 예시적 실시예에 따른 신경망에 기반한 휴먼 머신 인터랙티브 장치의 작업 과정을 나타낸 개략도이다.
도 3 및 도 4는 예시적 실시예에 따른 의도 지식 그래프를 나타낸 부분 개략도이다.
도 5는 예시적 실시예에 따른 대화 제어 시스템의 작업 과정을 나타낸 개략도이다.
도 6은 예시적 실시예에 따른 대화 이해 모듈을 나타낸 개략적 구조 블록도이다.
도 7은 예시적 실시예에 적용될 수 있는 예시적 컴퓨팅 장치를 나타낸 구조 블록도이다.
본 공개에서, 별도의 설명이 없는 한, “제1”, “제2” 등의 용어로 각종 요소를 설명하는 것은 이들 요소의 위치 관계, 시간 순서 관계 또는 중요도 관계를 한정하려는 의도가 아니며, 이러한 용어는 하나의 소자를 다른 소자와 구분하기 위한 것일 뿐이다. 일부 예시에서, 제1 요소와 제2 요소는 해당 요소의 동일한 구현예를 지칭할 수 있으며, 일부 경우에 이들은 문맥상 서로 다른 구현예를 지칭할 수도 있다.
본 공개에서 각종 상기 예시에 대한 설명에서 사용된 용어는 예시를 설명하기 위한 목적일 뿐, 한정하려는 의도가 아니다. 문맥상, 별도로 명백히 표시하지 않은 한, 요소의 수를 특별히 한정하지 않으면 해당 요소는 하나일 수도 있고 다수일 수 있다. 또한, 본 공개에서 사용된 용어 “및/또는”은 나열된 항목 중의 임의의 하나 및 모든 가능한 조합 방식을 포함한다.
개방 도메인 대화 시스템의 채팅내용은 제한이 없으며, 주제는 임의적이므로, 자연 언어를 사용하여 질의 응답, 명령 실행, 채팅 등을 진행할 수 있다.
관련 기술에서，개방 도메인 대화 시스템은 사용자의 의도를 획득하고, 의도에 따라 사용자 입력을 복수의 인터랙티브 서브 시스템에 분배하고, 복수의 인터랙티브 서브 시스템의 리턴 결과를 수신한 후, 미리 설정된 순서 배열 전략에 따라 가장 높은 점수를 받은 결과를 사용자에게 리턴시킨다. 이러한 개방 도메인 대화 시스템은 아래와 같은 문제가 존재한다: 모듈간에 캐스케이딩 연결되어, 오류 전송이 발생하기 쉽고; 각 서브 시스템은 서로 독립적이므로, 서브 시스템 간에 정보를 효과적으로 전송할 수 없거나 또는 자연스럽게 전환할 수 없고; 지식을 딥 러닝에 기반한 시스템에 효과적으로 통합할 수 없으므로, 개방 도메인 대화 시스템은 대화 내용이 부족하고, 논리가 명확하지 않으며, 엉뚱한 답변을 하게 된다.
상기 기술 문제들을 고려하여, 본 공개는 신경망에 기반한 휴먼 머신 인터랙티브 방법을 제공하고, 상기 방법은 사용자 입력과 관련된 정보에 기반하여, 대화 제어 시스템은 사용자 입력을 처리한다. 그리고 사용자 입력과 대화 제어 시스템의 처리 결과를 모두 입력으로 하여 신경망 시스템에 제공하고, 신경망 시스템은 사용자 입력에 대한 응답을 생성하므로, 상기 사용자 입력과 관련된 정보를 신경망 시스템에 기반한 대화 시스템에 통합할 수 있고, 관련 정보를 충분히 활용하여, 관련 기술에서 휴먼 머신 인터랙티브 내용이 비이상적인 문제를 해결하여, 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 한다.
본 공개의 기술 방안은 스마트 로봇, 휴대폰, 컴퓨터, 개인용 정보 단말기, 태블릿 PC등과 같은 대화 시스템을 사용하는 모든 응용 단말에 적용될 수 있다.
도면을 결합하여 신경망에 기반한 휴먼 머신 인터랙티브 방법에 대해 추가적으로 설명한다.
도 1은 본 공개에 따른 신경망에 기반한 휴먼 머신 인터랙티브 방법을 나타낸 흐름도이다.
도 1에 도시한 바와 같이, 상기 방법은, 사용자 입력을 제1 입력으로 하여 신경망 시스템에 제공하는 단계(S101); 상기 사용자 입력을 상기 신경망 시스템과 다른 대화 제어 시스템에 제공하는 단계(S102); 상기 사용자 입력과 관련된 정보에 기반하여, 상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계(S103)； 상기 대화 제어 시스템의 처리 결과를 제2 입력으로 하여 상기 신경망 시스템에 제공하는 단계(S104); 및 상기 신경망 시스템은 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하는 단계(S015)를 포함한다. 이를 통해, 상기 사용자 입력과 관련된 정보를 신경망 시스템에 기반한 대화 시스템에 통합함으로써, 관련 정보를 충분히 활용하여, 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 한다.
사용자 입력은 문자 메시지 또는 음성 메시지일 수 있으나, 이에 한정되지 않는다. 사용자 입력에 대해 사전 처리한 후 다시 제1 입력으로 신경망 시스템 및 대화 제어 시스템에 제공한다. 상기 사전 처리는 예를 들면 음성 정보를 음성 식별하여, 상응하는 문자 정보로 전환하는 것일 수 있으나, 이에 한정되지 않는다.
도 2에 도시한 바와 같이, 상기 신경망 시스템은 피어 투 피어 신경망 시스템(101)을 이용할 수 있으나, 이에 한정되지 않는다. 상기 피어 투 피어 신경망 시스템(101)은 인코더(1011) 및 디코더(1012)를 포함할 수 있다. 상기 인코더(1011)는 입력된 문자 내용을 암시적으로 표현하여, 벡터를 생성하고; 상기 디코더(1012)는 주어진 입력 벡터에 따라, 유창한 자연 언어 문자를 생성할 수 있다.
일부 실시예에 따르면, 상기 인코더(1011)는 상기 사용자 입력과 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 수신하고 , 사용자 입력과 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 인코딩하여, 암시적 벡터를 생성하고, 상기 암시적 벡터는 인코더(1012)에 입력되는데 사용할 수 있다. 상기 디코더(1012)는 상기 제2 입력(즉 대화 제어 시스템이 사용자 입력을 처리하여 획득한 처리 결과) 및 인코더(101)에 의해 생성된 암시적 벡터를 수신하고, 상술한 상기 사용자 입력에 대한 응답을 생성하는데 사용할 수 있다. 이를 통해, 신경망 시스템은 현재 사용자 입력, 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보 및 대화 제어 시스템이 상기 사용자 입력과 관련된 정보에 기반하여 상기 사용자 입력을 처리하여 획득한 결과에 기반하여, 사용자 입력에 대한 응답을 생성하므로, 추가적으로 기계의 응답 내용이 현재 휴먼 머신 인터랙티브의 장면에 부합하고, 대화 논리가 명확해지도록 보장할 수 있다.
상기 피어 투 피어 신경망 시스템은 예를 들면 Transformer신경망 시스템 또는 UniLM신경망 시스템을 이용할 수 있다.
일부 실시예에 따르면, 상술한 상기 사용자 입력과 관련된 정보는 장기 메모리 정보 및 현재 휴먼 머신 인터랙티브 기간에만 유효한 작업 메모리 정보를 포함할 수 있다. 하나의 예시적 실시예로서, 상기 사용자 입력과 관련된 정보는 미리 저장된 정보일 수 있다. 이러한 상황에서, 장기 메모리 정보는 대화 시스템이 장기간 저장해야 하는 정보일 수 있으며, 각종 지식 정보를 포함할 수 있으며, 예를 들면 상식, 분야 지식, 언어 지식, 문답 라이브러리, 대화 라이브러리 중 적어도 하나를 포함할 수 있다. 작업 메모리 정보는 현재 휴먼 머신 인터랙티브 내용에 기반하여 장기 메모리 정보에서 얻을 수 있다. 즉, 작업 메모리 정보는 현재 휴먼 머신 인터랙티브 내용과 관련된 지식 정보이다. 이로써 현재 휴먼 머신 인터랙티브 내용과 관련된 지식 정보를 신경망 시스템에 기반한 대화 시스템에 통합할 수 있으므로, 관련 지식 정보에 기반하여 현재 휴먼 머신 인터랙티브 장면에서, 사용자 입력에 대한 응답 계획을 구현하여, 지식 정보를 충분히 활용하고, 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 할 수 있다. 상기 사용자 입력과 관련된 정보는 인터넷에서 실시간으로 캡쳐한 정보도 포함할 수 있으며, 이에 대한 한정이 없음을 이해할 수 있다.
일부 실시예에 따르면, 장기 메모리 정보는 의도 지식 그래프, 문답 라이브러리, 대화 라이브러리를 포함할 수 있으나, 이에 한정되지 않는다. 이하, 먼저 의도 지식 그래프, 문답 라이브러리 및 대화 라이브러리의 데이터 내용, 데이터 구성 형태등을 설명한다.
의도 지식 그래프는 대화 장면의 지식 인터랙티브 요구에서 시작하여, 지식 조회 기능을 충족할 뿐만 아니라, 더욱이 여러 장면 인터랙티브 중의 연상, 유추 및 예측 등을 충족할 수 있다. 의도 지식 그래프의 노드의 순서적인 구성은, 문자 계산, 지식 정보 제어에 용이하며, 또한 지식 정보 계산을 통해, 대화 중의 행위 점프(장면 점프, 동일한 장면의 내용 점프)를 지원할 수 있고, 매우 강한 의미론적 전달 논리성을 가진다. 의도 지식 그래프는 서로 다른 유형의 다양한 장면 정보를 통합하여, 여러 관점에서 언어를 이해하는 능력을 제공할 수 있다.
일부 실시예에 따르면, 의도 지식 그래프는 노드 및 방향성 엣지를 포함하는 제1 방향성 그래프의 형태인 지식 정보를 포함하고, 상기 제1 방향성 그래프 중의 노드는 의미론적 내용과 논리적 제어 정보를 포함하는 구조화 데이터이다. 상기 제1 방향성 그래프 중의 방향성 엣지는 관련 노드 간의 연관 속성 및 노드와 상응되는 논리적 제어 정보 간의 연관 속성을 나타낼 수 있다. 다른 지식 정보는 또한 제1 방향성 그래프의 데이터 구성 형태를 이용할 수 있으며, 의도 지식 그래프에 한정되지 않음을 이해할 수 있고, 여기서는 단지 제1 방향성 그래프를 어떻게 이용하여 지식 정보를 나타낼 것인가에 대해 의도 지식 그래프를 예로 들어 설명한 것 뿐이다.
일부 실시예에 따르면, 의도 지식 그래프의 상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하기 위한 정보, 예를 들면 인기도, 시효성, 감정 등 정보를 포함하여 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하므로, 사용자가 적극적으로 지식 채팅을 시작할 경우 관련된 지식 정보를 검색할 수 있으므로, 대화 내용이 논리적으로 명확해진다. 예를 들면, 제1 인기도 임계값을 설정할 수 있으며, 작업 메모리 정보에서 현재 휴먼 머신 인터랙티브 내용과 관련된 노드 중 상응하는 논리적 제어 정보중의 인기도가 상기 제1 인기도 보다 큰 노드를 선별한다. 제1 유효 시간점을 설정할 수 있고, 작업 메모리 정보에서 현재 휴먼 인간 인터랙티브 내용과 관련된 노드 중 제1 유효 시간점 이후에 있는 상응하는 논리적 제어 정보의 노드를 선별한다. 제1 소정의 감정 유형을 설정할 수 있으며, 현재 휴먼 머신 인터랙티브 내용과 관련된 노드에서 상응하는 논리적 제어 정보 중의 감정 유형이 상기 제1 소정의 감정 유형인 노드를 선별한다.
일부 실시예에 따르면, 의도 지식 그래프의 상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브 중 각 노드 간의 관련 정도를 결정하는 정보(예를 들면 인기도, 노드간의 관련 관계등 정보)를 더 포함할 수 있으며, 현재 휴먼 머신 인터랙티브 내용과 관련된 노드를 확장하므로, 기계가 지식 채팅을 적극적으로 전환, 트리거 또는 추천할 수 있어, 대화 내용이 풍부해져, 어색한 채팅을 방지할 수 있다. 예를 들면, 제2 인기도 임계값을 설정할 수 있으며, 장기 메모리 정보에서 사용자가 입력한 각 관련 노드로부터 상응하는 논리적 제어 정보 중의 인기도가 상기 제2 인기도 임계값보다 큰 노드를 획득한다. 연관 관계에 따라, 현재의 노드에서 상기 현재 노드와 가장 연관성이 높은 노드로 확장한다.
의도 지식 그래프의 상기 노드는 서로 다른 유형의 복수의 노드를 포함할 수 있다. 일부 실시예에 따르면, 상기 제1 방향성 그래프 중의 각 노드는 제1 유형 노드와 제2 유형 노드를 포함할 수 있다. 상기 제2 유형 노드의 의미론적 내용은 상기 제2 유형 노드와 관련된 제1 유형 노드의 의미론적 내용의 일부일 수 있으며, 또한, 상기 제2 유형 노드의 논리적 제어 정보는 상기 제2 유형 노드와 관련된 제1 유형 노드 아래의 상기 제2 유형 노드의 인기도, 상기 제2 유형 노드와 적어도 하나의 다른 제2 유형 노드의 연관 점프 관계, 상기 제2 유형 노드의 서브 유형 중 적어도 하나를 포함한다. 이를 통해, 제1 유형 노드를 조회함으로써, 즉 제1 유형 노드와 의미론적으로 관련된 제2 유형 노드의 지식 정보를 획득하여, 문자 계산, 지식 정보 제어에 용이하다.
상기 제1 유형 노드는 예를 들면 아래 표 1의 코어 노드일 수 있으며, 상기 제2 유형 노드는 예를 들면 아래 표 1의 태그 노드일 수 있다. 상기 방향성 엣지는 코어 노드 간, 코어 노드와 태그 노드 간의 연관 속성 및 각 노드와 상응하는 논리적 제어 정보간의 연관 속성을 나타낼 수 있다. 코어 노드와 태그 노드는 구조화 데이터이므로, 의미론적 내용의 이해 및 제어를 구현할 수 있다. 코어 노드는 의미가 완전한 기본단위일 수 있으며, 실체, 개념, 사건, 명령을 포함하고, 예를 들면, 인물, 물건, 구조, 제품, 건축물, 지점, 조직, 사건, 예술 작품, 과학 기술, 과학적 정리 등일 수 있다. 코어 노드의 논리적 제어 정보는 인기도, 시효성, 태그 노드를 호출하기 위한 모든 태그, 임무API등을 포함할 수 있다. 각 코어 노드는 복수의 서로 연관된 태그 노드를 포함할 수 있다. 태그 노드의 의미론적 내용은 태그 노드와 관련된 코어 노드의 의미론적 내용의 일부일 수 있으며, 핵심 코드와는 부분과 전체의 관계이다.
의도 지식 그래프의 노드 표현
코어 노드 정의：의미가 완전한 기본 모듈로서, 실체, 개념, 사건, 명령을 포함한다.
논리적 제어 정보：인기도, 시효성, 노드를 호출하기 위한 모든 태그, 임무API등
태그 노드 정의：코어 노드의 의미론적 내용의 일부분이고, 코어 노드와는 부분과 전체의 관계이며, 내용 노드의 주제 또는 개괄이다.
논리적 제어 정보：코어 노드에서의 인기도, 태그 노드간의 연관 점프 관계, 태그 노드의 유형등
내용 노드 정의：대화 내용, 다양한 양식(단어, 문장, 그림, 비디오등), 다양성, 세분화된 특징을 가진다.
논리적 제어 정보: 핵심 태그, 키워드, 핵심 태그는 대화 내용중의 중요도, 대화 내용의 개괄성 단어, 유형, 정서적 극성, 점수 등
일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브와 관련된 정보는 제1 방향성 그래프에서 획득한 사용자 입력과 관련된 노드 정보를 포함할 수 있다. 사용자 입력을 상기 제1 방향성 그래프의 코어 노드에 맵핑할 수 있으며, 맵핑을 통해 획득한 코어 노드 및 맵핑을 통해 획득한 코어 노드와 관련된 태그 노드는 모두 사용자 입력과 관련된 지식 정보로 사용될 수 있다. 사용자 입력이 상기 제1 방향성 그래프의 코어 노드에 맵핑 할 수 없는 경우, 현재 휴먼 머신 인터랙티브 내용의 히스토리 사용자 입력을 맵핑하여 획득한 코어 노드를 현재 사용자 입력에 대응되는 코어 노드로 사용할 수 있다. 예를 들면, 현재 사용자 입력이 “주인공은 누구입니까?”이면, 현재 사용자 입력은 상기 제1 방향성 그래프에서 대응되는 코어 노드가 없다. 이러한 경우, 현재 휴먼 머신 인터랙티브에서 지난번 상기 제1 방향성 그래프의 대응되는 코어 노드를 현재 사용자 입력의 코어 노드로 사용하여, 현재 사용자 입력과 관련된 지식 정보를 얻을 수 있다. 그중, 현재 휴먼 머신 인터랙티브 내용은 사용자 입력과 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 포함할 수 있다.
도3에 도시한 바와 같이, 실선의 원형(“영화A”, “영화B”, “조육(六))은 코어 노드를 나타내고, 실선의 타원형은 태그 노드를 나타내며, 점선의 원형은 논리적 제어 정보를 나타낸다. 각 점선의 타원은 노드 단위를 사용자 입력과 관련된 정보 단위로 묶을 수 있다. 실선 세그먼트는 각 노드 간의 방향성 엣지를 나타내고, 점선 세그먼트는 노드와 상응하는 논리적 제어 정보간의 방향성 엣지를 나타낸다. 즉, 사용자 입력이 하나의 노드 단위(도3중의 노드 단위(100))의 코어 노드에 맵핑되면, 노드 단위의 모든 노드 정보는 모두 사용자 입력과 관련된 지식 정보로 판단하고, 이를 작업 메모리 정보에 추가한다. 설명해야 할 것은, 시스템의 사용가능한 컴퓨팅 리소스의 크기에 따라, 맵핑을 통해 획득한 하나의 코어 노드와 관련된 적어도 하나의 기타 코어 노드의 노드 단위도 사용자 입력과 관련된 것으로 판단할 수 있고, 작업 메모리 정보에도 추가되며, 이에 한정되지 않는다. 이하 내용에서 맵핑을 통해 획득한 코어 노드의 노드 단위를 사용자 입력과 관련된 지식 정보로 사용하는 것을 예로 들어, 본 공개의 기술방안을 구체적으로 설명한다.
제1 유형 노드(핵심 노드)를 영화 실체”영화A”로 예를 들면, “영화A”사용자 리콜 태그 노드의 태그는 배우, 역할, 감독, 장면 등이 포함될 수 있다. 제1 유형 노드와 관련된 태그 노드(제2 유형 노드)는 “조육”(배우로 가정), “배역A”, “배역B”, “이사(李四， TV감독으로 가정), “잘 알려진 장면”을 포함할 수 있다. 태그 노드 “조육”은 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “배역A”와 “배역 B”는 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “이사”는 관련된 제1 유형 노드 “영화A”의 감독 태그에 대응되고 “잘 알려진 장면”은 관련된 제1 유형 노드 “영화A”의 장면 태그에 대응된다. 코어 노드 “영화A”와 관련된 코어 노드는 “영화B”를 포함할 수 있고, 태그 노드 ”조육”과 관련된 코어 노드는 “조육”을 포함할 수 있다. 사용자 입력이 코어 노드 “영화B”에 맵핑되면, 코어 노드 “영화A” 및 태그 노드 ”조육”, “배역A”, “배역 B”, “이사”, “잘 알려진 장면”을 모두 사용자 입력과 관련된 정보로 사용할 수 있다.
일부 실시예에 따르면, 상기 제1 방향성 그래프 중의 각 노드는 제3 유형 노드를 더 포함할 수 있고, 상기 제3 유형 노드의 의미론적 내용은 다중 모드 내용을 지원하고, 또한 상기 제3 유형 노드의 논리적 제어 정보는 상기 제3 유형 노드와 관련된 제2 유형 노드의 정보, 상기 제3 유형 노드 의미론적 내용을 나타내기 위한 정보 중 적어도 하나를 포함할 수 있다. 이를 통해, 제3 유형 노드를 설정하여, 다중 모드의 의미론적 내용을 지원하고, 대화 내용을 더욱 풍부하게 할 수 있다.
상기 제3 유형 노드는 예를 들면 위의 표에서의 내용 노드일 수 있다. 상기 방향성 엣지는 태그 노드(제2 유형 노드)와 내용 노드 간의 연관 속성을 나타낼 수 있다. 내용 노드는 비구조화된 데이터일 수 있어, 풍부한 다중 모드 내용을 지원할 수 있다. 각 하나의 코어 노드(제1 유형 노드)는 복수의 내용 노드를 포함할 수 있고, 내용 노드와 관련된 태그 노드는 상기 내용 노드의 주제 또는 개괄일 수 있다. 내용 노드는 대화 내용을 포함할 수 있고, 다중 모드(예를 들면, 단어, 문장, 그림 또는 비디오 등일 수 있음), 다양성, 세분화된 특징을 가진다. 내용 노드의 논리적 제어 정보는 예를 들면 코어 노드, 키워드, 내용 노드에서의 핵심 태그의 의미론적 내용 중의 중요도, 내용 노드의 의미론적 내용의 개괄성 단어, 내용 노드와 관련된 태그 노드의 유형, 내용 노드와 관련된 태그 노드의 정서적 극성, 내용 노드와 관련된 태그 노드의 점수등을 포함할 수 있다.
일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브 내용과 관련된 정보는 제1 방향성 그래프에서 획득한 사용자 입력과 관련된 정보를 포함할 수 있다. 사용자 입력을 상기 제1 방향성 그래프의 코어 노드에 맵핑하고, 맵핑을 통해 획득한 코어 노드, 맵핑을 통해 획득한 코어 노드와 관련된 태그 노드 및 획득한 태그 노드와 관련된 내용 태그는 모두 사용자 입력과 관련된 정보로 할 수 있다.
도3에 도시한 바와 같이, 직사각형 프레임은 내용 노드를 나타낸다. 제1 유형 노드(코어 노드)를 영화 실체 “영화A”로 예를 들면, 제1 유형 노드와 관련된 태그 노드(제2 유형 노드)는 “조육”, “배역A”, “배역B”, “이사”, “잘 알려진 장면”을 포함할 수 있다. 태그 노드 “조육” 및 태그 노드 “배역A”와 관련된 내용 노드는 “배역A스틸.jpg”(영화A중의 배역A의 유명한 스틸이라고 가정)를 포함할 수 있고, 태그 노드 “배역A”와 관련된 내용 노드는 또한 “배역A는 극도로 완강한 생명력 및 삶의 의지를 가지고 있다”를 더 포함할 수 있고, 태그 노드 “이사”와 관련된 내용 노드는 “<영화A>는 이사 감독의 무협 작품의 절정이다”를 포함할 수 있다. 사용자 입력을 코어 노드 “영화A”에 맵핑하면, 코어 노드 “영화A”, 코어 노드 “조육”, “배역A”, “배역 B”, “이사”, “잘 알려진 장면” 및 태그 노드 “조육”, “배역A”, “이사”와 관련된 내용 노드를 모두 사용자 입력과 관련된 정보로 할 수 있다.
두 노드의 연관성은 상기 두개의 노드 사이에 적어도 하나의 방향성 엣지를 포함하는 방향성 경로 관계에 의해 연관될 수 있음을 의미할 수 있다. 상이한 노드 사이는 방향성 엣지를 통해 연결될 수 있고, 연결된 노드 간의 연관 속성을 나타낸다. 방향성 엣지는 예를 들면 코어 노드에서 코어 노드까지의 연관 엣지, 코어 노드에서 태그 노드까지의 연관 엣지, 태그 노드에서 코어 노드까지의 연관 엣지, 태그 노드에서 내용 노드까지의 연관 엣지를 포함할 수 있다. 방향성 엣지의 속성은 의미론적 관계(예:감독, 작품, 아내 등), 논리적 관계(시간 순서, 인과등), 관련성 강도, 의미 상하 관계등 다양한 유형을 포함할 수 있다.
예를 들면, 도3에서, 코어 노드 “영화A”와 코어 노드 “영화B” 간의 방향성 엣지의 속성은 관련성 강도일 수 있고, 태그 노드 “조육”과 코어 노드 “조육” 간의 방향성 엣지의 속성은 관련성 강도일 수 있다. 코어 노드 “영화A”와 태그 노드 “이사”, “조육”, “배역A”와 “잘 알려진 장면”간의 방향성 엣지의 속성은 의미론적 관계이다. 태그 노드”조육”과 내용 노드 “배역A스틸.jpg”간의 방향성 엣지의 속성은 의미론적 관계일 수 있다.
일부 실시예에 따르면, 대화 라이브러리는 노드와 방향성 엣지를 포함하는 제2 방향성 그래프의 형태인 지식 정보를 포함할 수 있고, 휴먼 머신 인터랙티브 과정중의 의미론적 정보와 그 특징을 기록하는데 사용되며, 현재 휴먼 머신 인터랙티브 장면에서 상기 사용자 입력에 대한 응답 계획에 대해 참조를 제공한다. 대화 라이브러리에 기반하여 빅 데이터를 이용하여 사용자의 성향 의도를 획득할 수 있으므로, 사용자 입력의 응답 계획에 대해 합리적인 가이드로 제공할 수 있다. 상기 제2 방향성 그래프는 상술한 제1 방향성 그래프(예를 들면, 의도 지식 그래프)와 구조가 동일하며, 도3에 도시한 바와 같으므로, 설명은 생략한다. 이를 통해, 대화 라이브러리 및 의도 지식 그래프를 구조가 동일한 방향성 그래프로 설정하여, 대화 라이브러리와 의도 지식 그래프를 효과적으로 융합할 수 있어, 지식 정보 제어에 용이하다. 다른 지식 정보는 또한 제2 방향성 그래프의 데이터 구성 형태를 이용할 수 있으며, 대화 라이브러리에 국한되지 않음을 이해할 수 있고, 이는 단지 대화 라이브러리를 통해 제2 방향성 그래프를 어떻게 이용하여 지식 정보를 나타낼 것인가에 대한 설명일 뿐이다. 서로 다른 지식 정보를 설정하여 구조가 동일한 방향성 그래프를 이용하여, 서로 상이한 지식 정보의 융합을 효과적으로 구현할 수 있어, 지식 정보 제어에 용이하다.
일부 실시예에 따르면, 문답 라이브러리는 문제-답안 형태의 문답 지식 정보일 수 있다. 문답 라이브러리의 기능은, 사용자의 문제에 대해, 문답 라이브러리를 조회하고, 문제와 일치되는 답안을 리턴하여, 사용자의 정보 요구를 만족시킨다. 예를 들면, 사용자 입력이 문답인 경우, 먼저, 문답 라이브러리에서 사용자 입력과 매칭되는 답안이 있는지 여부를 하여, 응답을 신속하게 구현할 수 있다.
문답 라이브러리의 형태는 아래 표 2와 같이 나타낸다.
Key（문제） Value（답안）
“예천일중(泉一中)”의 점유 면적 150묘
장중경(仲景)출생 시기 서기150년
“到成功”의 병음 ma dao cheng gng
청화진(?*)면적 91.59제곱킬로미터
이세민(李世民)은 어느 왕조의 황제인가 당조
UN성립 시기 1945년
stm발명 시기 1981년
“淑均”의 병음 sh jn
Maxicare는 어느 나라 브랜드인가? 미국 로스앤젤레스
달빛을 베다의 작가 막언(莫言)
당명황은 누구인가? 이융기
“掌雷”의 병음 zhang shng lei dong
일부 실시예에 따르면, 상기 장기 메모리 정보는 의도 지식 그래프, 대화 라이브러리 및 문답 라이브러리를 포함할 수 있다. 상술한 장기 메모리 정보의 의도 지식 그래프, 대화 라이브러리 및 문답 라이브러리의 데이터 내용 및 데이터 구성 형태를 예시적으로 설명하였고, 한정이 아닌 단지 예시적 설명일 뿐이다. 물론, 상기 장기 메모리 정보는 또한 현재 휴먼 머신 인터랙티브와 관련된 다른 지식 정보 조합일 수 있으며, 이에 한정되지 않는다.
장기 메모리 정보는 또한 언어 계산 및 정보 추출을 진행할 수 있다. 언어 계산은 비교, 귀납, 연역 추리 등을 포함할 수 있고, 정보 추출은 예를 들면 개념 추출, 실체 추출, 사건 추출, 명령 추출 등을 포함할 수 있으므로, 사용자 입력에 기반하여 장기 메모리 정보에서 현재 휴먼 머신 인터랙티브 내용과 관련된 작업 메모리 정보를 추출할 수 있다. 현재 휴먼 머신 인터랙티브 내용은 현재 사용자 입력과 현재 사용자 입력 이전의 히스토리 인터랙티브 정보를 포함할 수 있다. 작업 메모리 정보는 또한 현재 인터랙티브 내용을 포함할 수 있으므로, 현재 휴먼 머신 인터랙티브 히스토리와 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보를 기반으로 현재 휴먼 머신 인터랙티브의 상황에서 상기 사용자 입력에 대한 응답의 계획을 획득하고, 이하 내용에서 자세히 소개한다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 노드와 방향성 엣지를 포함하는 제3 방향성 그래프의 형태인 정보를 포함할 수 있고, 상기 제3 방향성 그래프는 상술한 제1 방향성 그래프(예를 들면, 의도 지식 그래프)와 구조가 동일하다. 따라서, 작업 메모리 정보가 장기 메모리 정보의 지식 정보와 동일한 구조의 정보를 포함하도록 설정함으로써, 지식 정보의 적용 및 융합을 용이하게 할 수 있다. 바람직하게는, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프의 현재 휴먼 머신 인터랙티브와 관련된 일부분일 수 있으며, 지식 정보의 적용 및 융합을 더욱 용이하게 할 수 있다. 즉, 상기 제3 방향성 그래프는 코어 노드 및 태그 노드를 포함할 수 있으므로, 각 모듈에 사용하기 용이하도록, 각 모듈 모든 사용자 의도와 시스템 응답(의도) 또한 작업 메모리 정보중의 코어 노드와 관련된 태그 노드에 최대한 맵핑될 수 있다. 또한, 장기 메모리 정보에서 현재 휴먼 인터랙티브와 관련된 내용 노드 정보만을 추출해야, 메모리 사용량을 줄이고 응답 효율을 향상시킬 수 있다. 상기 제3 방향성 그래프는 또한 다중 모드의 의미론적 내용을 지원하는 내용 노드를 더 포함할 수 있으므로, 작업 메모리 정보에 기반하여 또한 풍부한 대화 내용을 획득할 수 있다. 상기 제3 방향성 그래프는 또한 상술한 제1 방향성 그래프와 다른 구조일 수도 있음을 이해할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 제1 방향성 그래프에서 추출한 상기 현재 휴먼 머신 인터랙티브와 관련된 모드 노드의 의미론적 내용 및 논리적 제어 정보를 더 포함할 수 있다. 즉, 상기 제3 방향성 그래프의 코어 노드는 제1 방향성 그래프의 상기 제1 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함하고, 상기 태그 노드는 제1 방향성 그래프의 상기 제2 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함하고, 상기 내용 노드는 제1 방향성 그래프의 상기 제3 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함한다. 이를 통해, 작업 메모리 정보는 현재 휴먼 머신 인터랙티브에 기반하여 장기 메모리 정보에서 가능한 모든 채팅 화제를 최대로 얻을 수 있으므로, 작업 메모리 정보에 기반하여, 사용자 입력에 대한 응답 계획을 구현할 수 있다. 작업 메모리 정보 중의 데이터 양은 장기 메모리 정보중의 데이터 량보다 훨씬 적기 때문에, 응답 속도를 향상시키고, 사용자 체험을 향상시킬 수 있다.
일부 실시예에 따르면, 작업 메모리 정보에 사용자 입력에 대응되는 노드 정보가 없을 경우, 사용자 입력에 기반하여 장기 메모리 정보에서 사용자 입력과 관련된 지식 정보를 획득할 수 있고, 작업 메모리 정보를 업데이트하고; 그후, 업데이트된 작업 메모리 정보에 기반하여, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행한다. 일부 실시예에 따르면, 사용자 입력에 기반하여 제1 방향성 그래프에서 사용자 입력과 관련된 서브 그래프를 획득하고, 획득한 서브 그래프를 작업 메모리 정보중의 제3 방향성 그래프에 융합하여, 작업 메모리 정보를 업데이트한다.
작업 메모리 정보에 대해, 현재 휴먼 머신 인터랙티브 내용 중의 히스토리 인터랙티브 정보에 대응되는 각 노드에서, 코어 노드의 의미론적 내용과 논리적 제어 정보만을 남겨두고, 코어 노드와 관련된 태그 노드와 내용 노드는 남겨두지 않으므로, 계산 리소스 요구를 감소시킬 수 있다. 이미 채팅한 화제는 다시 언급하지 않을 가능성이 매우 크다. 따라서, 현재 휴먼 머신 인터랙티브 중의 히스토리 인터랙티브 정보에 대응되는 코어 노드의 의미론적 내용 및 논리적 제어 정보만을 남기므로, 휴먼 머신 인터랙티브에 대한 영향이 아주 작다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 휴먼 머신 인터랙티브에 이미 관련된 의미론적 내용을 표시 하기 위한 제1 정보를 더 포함할 수 있으므로, 채팅 및 채팅하지 않은 메시지를 구분하여, 중복을 피할 수 있다. 일부 실시예에 따르면, 제3 방향성 그래프에서, 상기 현재 휴먼 머신 인터랙티브에 이미 관련되어 있는 의미론적 내용과 관련된 모든 노드(목표 노드, 태그 노드 및 내용 노드를 포함)에 대해 상기 노드가 이미 채팅되었다고 표시하는 상기 제1 정보를 더 포함할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 이미 관련되어 있는 의미론적 내용을 처음 언급한 대화 상대를 밝히기 위한 제2 정보를 포함하므로, 채팅과 관련된 내용의 화제를 정확히 구분할 수 있어, 대화 상대의 대화 반복을 더욱 정확히 피할 수 있다. 일부 실시예에 따르면, 제3 방향성 그래프에서, 상기 현재 휴먼 머신 인터랙티브 중 이미 관련되어 있는 의미론적 내용과 관련된 모든 노드(목표 노드, 태그 노드 및 내용 노드를 포함)에 대해 상기 노드가 어느 대화 상대와 채팅했는지를 표시하기 위한 상기 제1 정보를 더 포함할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 현재 휴먼 머신 인터랙티브 기간에 인터랙티브가 기록 히스토리 데이터를 더 포함할 수 있으므로, 현재 휴먼 머신 인터랙티브의 장면을 얻어, 여러 횟수의 전략에 대한 전략 결정 특징을 제공할 수 있다.
상기 작업 메모리 정보는 각 모듈의 사용을 용이하도록, 상기 대화 제어 시스템의 각 작업 모듈의 분석 결과와 같은 기타 정보를 더 포함한다. 예를 들면, 상술한 사용자 입력에 대해 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보 외에도, 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보를 순서 배열한 결과, 응답 결정 전략의 결과를 더 포함할 수 있다.
일부 실시예에 따르면, 사용자 입력과 관련된 정보에 기반하여, 대화 제어 시스템이 상기 사용자 입력을 처리하고(단계(S103)), 획득한 처리 결과는 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대한 응답 계획을 포함할 수 있다. 관련 정보를 충분히 활용하고, 관련 정보에 기반하여 현재 휴먼 머신 인터랙티브 장면에서 사용자 입력에 대해 응답 계획을 진행하고, 나아가, 추가적으로 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 한다.
일부 실시예에 따르면, 대화 제어 시스템은 대화 이해 모듈과 대화 제어 모듈을 포함할 수 있다. 일 실시예에서, 대화 이해 모듈을 이용하여 먼저 사용자 입력에 기반하여 장기 메모리 정보에서 관련된 지식 정보를 획득하고, 작업 메모리 정보를 업데이트한다. 그후, 대화 제어 모듈은 업데이트된 작업 메모리 정보에 기반하여, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행한다.
이를 기초로， 상기 사용자 입력과 관련된 정보에 기반하여, 상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계(S103)는, 상기 사용자 입력의 의미론적 내용을 분석하는 단계; 및 상기 사용자가 현재 휴먼 머신 인터랙티브에서 상기 사용자 입력에 대응되는 교제 의도를 분석하는 단계를 포함할 수 있다. 즉, 사용자 입력의 이해 결과는 의미론적 내용과 교제 의도를 포함할 수 있다. 교제 의도는 예를 들면 요청, 해명, 건의, 거절, 격려 또는 위안등과 같은 의도 시스템 중 하나일 수 있다.
예시적 실시예로서, 의도 시스템의 목록은 아래 표 3과 같다:
1 능동적 고지 22 위로
2 질문 23 질문에 해명
3 구체적인 응답 24 축복
4 명령 25 이별
5 건의 26 승낙 수락
6 긍정적 답변 27 사과
7 동의 28 의문식 답변
8 승낙 29 행동 요청 일부 수락
9 신형 수신 확인 30 승낙 거절
10 부정적 답변 31 겸손
11 동의하지 않음 32 자기소개
12 이모티콘 33 감사에 응답
13 감탄 34 축하
14 아첨 35 포기
15 행동 요청 수락 36 자기 교정
16 행동 요청 거절 37 응답 및 질문
17 감사 38 사과에 응답
18 교정 39 승낙 일부 수락
19 문안 40 철회
20 대답하지 않기 41 잠깐 기다리다
21 격려 　
일부 실시예에 따르면, 의도 지식 그래프에 기반하여 상기 사용자 입력을 이해할 수 있다. 예를 들면, 도4에 도시한 바와 같이, 수신한 제1 사용자 입력이, “영화C의 주인공이 누구인지 아십니까?”이면, 제1 사용자 입력의 이해 결과의 의미론적 내용은 영화C이며, 교제 의도는 문답이다. 수신한 제2 사용자 입력이 “나는 장삼(三，배우로 가정)을 매우 좋아합니다”이면, 제2 사용자 입력의 이해 결과의 의미론적 내용은 장삼이며, 교제 의도는 한담(聊)이다.
사용자 입력의 이해 결과는 사용자 상태를 설명하는 상태 의도(예를 들면, 사용자의 심리 상태, 사용자가 현재 채팅을 좋아하는지 여부)를 더 포함할 수 있다. 따라서 사용자의 상태 의도를 결합하여 대화 결정을 진행하고, 응답 내용을 계획한다.
일부 실시예에 따르면, 훈련이 완성된 의도 신경망 모델에 기반하여 사용자 입력의 교제 의도를 이해할 수 있다. 제1 사용자 입력 샘플 세트를 획득할 수 있고, 제1 사용자 입력 샘플 세트 중의 일반적인 사용자 입력 샘플의 교제 의도를 수동으로 표시한다. 상기 제1 사용자 입력 샘플 세트를 이용하여 의도 신경망 모델을 훈련한다. 예를 들면 로그 데이터(예를 들면, 검색 엔진 로그)에 기반하여 상기 제1 사용자 입력 샘플 세트를 얻을 수 있다. 또한 낮은 빈도 사용자 입력(예를 들면 “나는 당신이 무슨 말을 하는지 모르겠습니다”)을 획득하여 낮은 빈도 사용자 입력의 교제 의도를 수동으로 표시하여, 코퍼스를 생성할 수 있다. 의도 신경망 모델이 교제 의도를 식별할 수 있는 사용자 입력에 대하여, 즉 의도 시스템에 해당하는 교제 의도가 없는 경우, 상기 코퍼스에서 사용자 입력과 의미론적으로 가장 유사도가 높은 낮은 빈도 사용자 입력을 검색하고, 검색된 낮은 빈도 사용자 입력에 대응되는 교제 의도를 사용자 입력의 교제 의도로 사용하므로, 사용자 입력의 교제 의도를 이해하도록 보장할 수 있다.
이하 의도 지식 그래프를 통해 상기 사용자 입력에 대해 이해하는 과정을 상세히 설명한다.
일부 실시예에 따르면, 단계(S103)중의 상술한 상기 사용자 입력의 의미론적 내용을 분석하는 단계는, 상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는지 여부를 판단하는 단계；상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는데 응답하여, 상기 작업 메모리 정보에 기반하여 상기 사용자 입력을 처리하는 단계를 포함하므로, 작업 메모리 정보에 기반하여 사용자 입력의 의미론적 내용을 이해하여, 현재 휴먼 머신 인터랙티브의 장면에서 사용자 입력에 대한 이해를 구현하여, 대화 이해의 정확성 및 효 율을 향상시킬 수 있다. 상기 어느 하나의 노드는 예를 들면 제3 방향성 그래프의 노드 일 수 있으며, 상기 내용에서 상술한 바와 같이, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프(의도 지식 그래프)와 구조가 동일하며, 상기 제1 방향성 그래프의 일부분일 수 있다.
일부 실시예에 따르면, 상술한 상기 사용자 입력에 대해 처리를 진행하는 단계는, 상기 작업 메모리 정보중의 상기 어느 하나의 노드의 정보에 기반하여, 상기 사용자 입력을 관련된 내용에 보충하는 단계를 포함할 수 있다. 예를 들면, 사용자 입력이 “주인공이 누구입니까?”이면, 작업 메모리 정보에서 검색되는 상기 사용자 입력에 대응되는 어느 하나의 코어 노드 “영화A”에 기반하여, 이에 따라 사용자 입력을 “영화A의 주인공은 누구입니까”로 보완할 수 있다. 일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브 내용은 작업 메모리 정보에 대응되는 이전 코어 노드를 검색하여, 아래와 같은 판정을 진행한다: 사용자 입력이 상기 이전 코어 노드의 논리적 제어 정보 중의 태그로 커버되는지 여부에 따라, 커버되는 경우, 상기 이전 노드가 상기 사용자 입력에 따라 관련된 내용을 보충한다. 예를 들면, 상기 이전 코어 노드 “영화A”의 논리적 제어 정보 중의 태그는, 배우, 배역, 감독, 장면을 포함할 수 있다. “주인공”과 “배우”의 의미는 동일하므로, 사용자 입력은 코어 노드 “영화A”의 태그로 커버되도록 결정하고, 코어 노드 “영화A”에 따라, 사용자 입력을 “영화A의 주인공은 누구입니까”로 보완한다.
보완된 후의 사용자 입력에 기반하여 상기 사용자 입력의 의미론적 내용을 추가적으로 분석하여, 대화 이해의 정확성을 향상시킬 수 있다.
일부 실시예에 따르면, 상기 사용자 입력이 상기 작업 메모리 정보 중의 노드에 대응되는데 응답하여, 상기 장기 메모리 정보에서 상기 사용자 입력과 관련된 노드 정보를 추출하여 상기 작업 메모리 정보에 저장한다. 따라서, 사용자 입력이 작업 메모리 정보 중의 지식 정보에 커버되지 않은 경우, 지식 범위(예를 들면, 모든 의도 그래프에 기반)를 확장하여, 지식 정보에 기반하여 사용자 입력을 이해하도록 시도할 수 있다.
일부 실시예에 따르면, 단계(S103)에서 상술한 상기 사용자 입력의 의미론적 내용을 분석하는 단계는, 상기 사용자 입력에 대해 중의성 해소 처리를 진행하는 단계를 더 포함할 수 있다. 예를 들면, 사용자 입력이 “나는 수호전 읽는 것을 좋아한다”이면, 여기서 단어 분할을 처리한 후 획득한 “수호전”은 중의성이 존재하는바, 이는 TV드라마일 수도 있고, 소설일 수도 있다. 따라서, 사용자 입력에 대해 중의성 해소 처리를 진행하여, “수호전”의 유형을 결정함으로써, 사용자 입력의 의미론적 내용을 정확히 할 수 있다.
중의성 해소 처리의 결과에 기반하여 추가적으로 상기 사용자 입력의 의미론적 내용을 분석함으로써, 대화 이해의 정확성을 향상시킬 수 있다.
일부 실시예에 따르면, 상기 사용자 입력에 대해 중의성 해소 처리를 진행하는 단계는, 상기 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드 정보에 기반하여 상기 사용자 입력 중의 중의성이 있는 적어도 일부 내용을 식별하고, 상기 적어도 일부 내용의 현재 휴먼 머신 인터랙티브 장면에서의 의미를 결정단계를 포함하므로, 현재 휴먼 머신 인터랙티브 장면 기반하여 사용자 입력을 중의성 해소 처리를 진행할 수 있다. 예를 들면, 사용자 입력이 “나는 수호전 읽는 것을 좋아한다”이면, “수호전”은 소설을 의미할 수도 있고, TV드라마를 의미할 수도 있어, 중의성을 가지므로, 이러한 상황에서, 시스템은 사용자 입력 중의 “읽는다”를 통해, “수호전”이 현재 언어 환경에서의 진정한 의미는 TV드라마가 아닌 소설을 의미해야 한다고 결정한다. 예시적 실시예로서, 사용자 입력과 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브에 대응하는 이전 코어 노드(작업 메모리 정보 중 가장 최근에 업데이트한 코어 노드이며, 의미론적 내용과 논리적 제어 정보를 포함)를 기반으로, 상기 사용자 입력에 대해 중의성 해소 처리를 진행한다. 예를 들면, 사용자 입력과 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드를 중의성 해소 신경망 모델에 입력하여, 중의성 해소 신경망 모델에서 출력한 사용자 입력중의 중의성을 갖는 적어도 일부 내용의 유형을 획득한다. 유형 코퍼스를 이용하여 중의성 해소 신경망 모델에 대해 측정 훈련을 진행함으로써, 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드의 정보의 조합을 구현할 수 있어, 유형 코퍼스 중 대응되는 유형과의 거리가 더욱 인접해져, 사용자 입력중의 중의성을 갖는 상기 적어도 일부 내용의 유형을 출력할 수 있다. 이는 단지 사용자 입력 중의 중의성을 갖는 적어도 일부 내용 및 중의성을 갖는 상기 적어도 일부 내용의 유형을 어떻게 결정할 것인가에 대한 예시적 설명일 뿐, 한정하는 것은 아니다.
작업 메모리 정보에 의해서만 중의성 해소 처리를 진행할 수 있다는 것에 한정하지 않음을 이해할 수 있고, 예를 들면, 장기 메모리 정보중의 대화 라이브러리에 기반하여 사용자 입력에 대해 중의성 해소 처리를 진행할 수 있다. 예를 들면, 대화 라이브러리에서, 입력된 “나는 수호전을 좋아합니다”가 읽기에 더 편향된 의도라면, “수호전”의 유형은 소설로 결정할 수 있다.
일부 실시예에 따르면, 단계(S103)에서 상술한 상기 사용자 입력의 의미론적 내용을 분석하는 단계는, 중의성 해소 처리 및 정보 보완 처리 단계를 더 포함할 수 있다. 중의성 해소 처리의 결과와 보완된 사용자 입력에 기반하여 추가적으로 상기 사용자 입력의 의미론적 내용을 분석하여, 대화 이해의 정확성을 향상시킬 수 있다.
교제 의도에 기반하여 후속의 작업을 결정할 수 있다. 예를 들면, 교제 의도가 조회이면, 중의성 해소 처리의 결과와 보완된 사용자 입력과 교제 의도에 기반하여 의도 조회 표현식을 생성함으로써, 관련된 지식 정보를 검색할 수 있다. 교제 의도가 의도식 표현에 따라 작별인사를 하는 것이면, 관련 지식 정보를 검색할 필요가 없다. 관련 지식 정보를 검색해야 하는 경우, 먼저 작업 메모리 정보에서 사용자 입력과 관련된 지식 정보 유무를 검색하고, 만약 없다면, 장기 메모리 정보에서 사용자 입력과 관련된 지식 정보의 유무를 계속하여 검색한다.
일부 실시예에 따르면, 단계(S103)은 추가적으로, 상기 사용자 입력한 의미론적 내용과 현재 휴먼 머신 인터랙티브 중 상기 사용자 입력에 대응되는 교제 의도에 따라, 작업 메모리 정보에서 상기 사용자 입력의 관련 노드 정보를 조회하는 단계; 상기 사용자 입력의 연관성에 따라, 조회된 상기 사용자 입력의 관련 노드에 대해 순서를 배열하는 단계를 더 포함하되, 상기 순서 배열은 상기 관련 노드의 논리적 제어 정보에 기반하여 진행된다. 예를 들면, 인기도 또는 시효성 등에 기반하여 채점하여, 관련 노드와 상기 사용자 입력의 연관성을 결정하므로, 관련 노드와 상기 사용자 입력의 연관성에 따라 대화 결정을 진행할 수 있어, 대화 시스템이 생성한 응답 및 사용자 입력의 연관성을 구현한다.
일부 실시예에 따르면, 상기 사용자 입력과의 연관성에 따라, 상기 관련 노드에 상이한 점수를 부여하므로, 대화 결정에 참고할 수 있다. 예를 들면, 작업 메모리 정보 중의 제3 방향성 그래프의 코어 노드의 논리적 제어 정보에 상기 사용자 입력의 연관 점수를 추가할 수 있다.
분석한 사용자 입력의 의미론적 내용은 예를 들면 제3 방향성 그래프 중의 사용자 입력과 관련된 코어 노드일 수 있다.
일부 실시예에 따르면, 상기 사용자 입력과의 연관성에 따라, 상기 관련 노드에 서로 다른 점수를 부여하는 경우，현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록 하는 단계는, 상기 순서 배열 결과에 따라, 대화 목표를 계획하고 상기 사용자 입력과의 연관성이 가장 높은 노드 정보를 계획된 대화 내용으로 선택하는 단계; 및 상기 계획된 대화 내용과 상기 대화 목표를 통합하여, 상기 제2 입력으로서 상기 신경망 시스템에 제공하는 단계를 포함하므로, 대화 시스템은 지식 정보에 융합되어, 사용자 입력에 따라 답변 계획을 진행하여, 대화 논리를 명확하게 한다.
의도 지식 그래프 중 노드의 논리적 제어 정보에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있고, 또한 대화 라이브러리에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있고, 또한 사용자 선호도에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있으며, 이에 한정되지 않음을 이해할 수 있고, 지식 정보에서 상기 관련 노드와 사용자 입력의 연관성을 획득하기만 하면 가능하다. 사용자의 현재 휴먼 머신 인터랙티브 내용 및 히스토리 휴먼 머신 인터랙티브 내용에 기반하여 상기 사용자의 선호도를 획득할 수 있고, 예를 들면, 상기 사용자는 다수회의 휴먼 머신 인터랙티브에서 모두 읽기와 관련된 경우, 상기 사용자는 읽기를 좋아한다고 결정할 수 있고, 대화 결정의 과정에서 사용자의 선호도에 따라 대화 내용을 계획할 수 있다.
일부 실시예에 따르면, 작업 메모리 정보에 사용자 입력에 대응되는 지식 정보가 없는 경우, 사용자 입력의 의미론적 내용에 기반하여 장기 메모리 정보에서 관련된 지식 정보를 획득하고, 작업 메모리 정보에 대해 업데이트한 후, 사용자 입력의 의미론적 내용과 교제 의도 및 업데이트 후의 작업 메모리 정보에 기반하여 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답의 계획을 진행할 수 있다.
예를 들면, 도4에 도시한 것과 결합하면, 수신한 제1 사용자 입력이, “영화C의 주인공이 누구인지 아십니까?”이면, 제1 사용자 입력의 이해 결과의 의미론적 내용은 영화C이며, 교제 의도는 문답이다. 제1 사용자 입력의 이해 결과에 따라 장기 메모리 정보에서 영화C와 관련된 정보를 얻어, 작업 메모리 정보에 추가하여, 작업 메모리 정보를 업데이트할 수 있다. 즉, 도4에서, 코어 노드 “영화C”의 노드 단위를 작업 메모리 정보에 추가하고, 작업 메모리 정보를 업데이트 한다. 교제 의도 및 작업 메모리 정보 중 코어 노드 “영화C”와 관련된 정보에 따라 상기 제1 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면, 제1 대화 목표를 문답으로 계획하고, 제1 대화 내용은 “장삼”을 주인공으로 계획할 수 있다. 신경망 시스템은 제1 사용자 입력과 제1 대화 목표 계획 및 제1 대화 내용 계획의 통합 결과에 기반하여 “장삼”을 문답으로 생성한다.
수신한 제2 사용자 입력이 “나는 장삼을 매우 좋아합니다”이면, 제2 사용자 입력의 이해 결과의 의미론적 내용은 장삼이며, 교제 의도는 한담이다. 만약 이때 작업 메모리에 “장삼”과 관련된 관련 정보가 저장되어 있지 않다고 판단하면, 제2 사용자 입력에 대한 이해의 결과에 따라 장기 메모리 정보에서 “장삼”과 관련된 정보를 얻어 작업 메모리 정보에 추가하고, 작업 메모리 정보에 대해 업데이트한다. 즉, 도4에서, 코어 노드”장삼”의 노드 단위를 작업 메모리 정보에 추가하고, 작업 메모리 정보를 업데이트한다. 그 후, 교제 의도와 작업 메모리 정보 중 “장삼”과 관련된 정보에 따라 상기 제2 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면, 제2 대화 목표는 한담이라고 계획하고, 제2 대화 내용은 “마음이 따뜻하다”로 계획할 수 있다. 신경망 네트워크는 제2 사용자 입력과 제2 대화 목표 및 제2 대화 내용 계획의 통합 결과에 기반하여 “그녀는 매우 마음이 따뜻하다”라는 응답을 생성한다.
사용자 입력이 장기 메모리 정보에서 관련된 지식 정보가 없으면, 계획 없음으로 응답한다. 신경망 네트워크는 사용자 입력에 기반하여 응답을 생성한다.
설정된 횟수(예를 들면 2회 또는 3회)의 한담 후, 대화 목표를 추천으로 계획할 수 있고, 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드에 기반하여 연관성이 비교적 높은 다른 노드의 지식 정보를 추천할 수 있으므로, 여러 회의 한담 후 지식 포인트를 적극적으로 전환하여, 어색한 채팅을 방지할 수 있다.
예를 들면, 상술한 예에서, 수신된 제3 사용자 입력이“마음이 따뜻할 뿐만 아니라, 그녀는 매우 재능이 있다”이면, 교제 의도는 한담이다. 그후 교제 의도 및 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드 “장삼”과의 연관성이 비교적 높은 기타 노드에 따라 상기 제3 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면 제3 대화 목표를 추천으로 계획할 수 있고, 그후 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드 “장삼”에 따라 장기 메모리 정보에서 코어 노드 “장삼”과 연관성이 비교적 높은 기타 노드의 정보를 획득하고, 예를 들면, 인기도가 비교적 높은 코어 노드 “영화D”를 얻을 수 있다. 이를 기초로, 제3 대화 내용은 “영화D”와 “프랑스 단편 영화”로 계획할 수 있다. 신경망 시스템은 제3 사용자 입력과 제3 대화 목표 및 제3 대화 내용 계획의 통합 결과를 기반으로 “장삼이 주인공인 프랑스 단편 영화D를 추천합니다”를 응답으로 생성한다.
이를 기초로，일부 실시예에 따르면, 상기 사용자 입력에 대해 상기 작업 메모리 정보를 업데이트하지 않은 경우, 상기 연관성이 가장 높은 노드가 여전히 소정의 표준(예를 들면, 각 후보 응답 내용의 점수가 모두 소정의 임계 값에 도달하지 못함)을 충족시킬 수 없다는 것에 대한 응답으로, 장기 메모리 정보를 다시 조회하여 상기 작업 메모리를 업데이트하므로, 지식 포인트를 적극적으로 추천 또는 치환하여, 어색한 채팅을 방지할 수 있다.
이하, 예시적 실시예에 따라 본 공개의 신경망에 기반한 휴먼 머신 인터랙티브 방법을 설명한다. 도5는 상기 예시적 실시예 중 대화 제어 시스템의 작업 과정을 나타낸 개략도이며, 화살표는 신호 흐름 방향을 표시하며, ① 내지 ⑩은 방법의 단계를 나타낸다.
도5에 도시한 바를 참조하면, 현재 사용자 입력을 수신한 후, 현재 사용자 입력에 대해 대화 이해를 진행하여, 현재 사용자 입력의 교제 의도 및 의미론적 내용을 획득하고, 교제 의도 및 의미론적 내용에 따라 장기 메모리 정보에서 현재 휴먼 머신 인터랙티브의 장면에서 현재 사용자 입력의 관련 노드의 정보를 얻고; 연관성에 따라 획득한 상기 관련 노드에 대해 연관성을 채점한 후, 연관 점수에 기반하여 순서 배열을 진행하고, 연관 점수를 관련 노드의 논리적 제어 정보에 추가하고 작업 메모리 정보에 융합하여, 작업 메모리 정보를 업데이트하며; 작업 메모리 정보에서 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 데이터 및 현재 사용자 입력의 관련 노드의 정보를 획득하고, 대화 제어를 진행하며, 상기 대화 제어는 대화 목표 계획 및 대화 내용 계획을 포함하고, 계획된 대화 목표가 예를 들면 적극 추천이면, 장기 메모리 정보에서 현재 사용자 입력 연관성이 높은 기타 노드 정보를 획득하여, 지식 채팅의 적극적 추천을 구현하고; 계획된 대화 목표 및 대화 내용을 통합하여 신경망 시스템의 디코더에 제공하고; 디코더는 계획된 대화 목표 및 대화 내용의 통합 및 현재 사용자 입력과 이미 추천된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보에 대해 획득한 암시적 벡터를 인코딩하여, 현재 사용자 입력에 대하여 응답을 생성한다.
본 공개의 다른 하나의 측면에 따르면, 도2에 도시한 바와 같이, 사용자 입력을 제1 입력으로 수신하도록 구성된 신경망 시스템; 및 상기 사용자 입력을 수신하도록 구성된 상기 신경망 시스템과 다른 대화 제어 시스템(102)을 포함하는 신경망에 기반한 휴먼 인터랙티브 장치를 더 제공하며, 상기 대화 제어 시스템(102)은 추가적으로 상기 사용자 입력과 관련된 정보에 기반하여 상기 사용자 입력을 처리하고, 처리 결과를 제2 입력으로서 상기 신경망 시스템에 제공하도록 구성되고; 상기 신경망 시스템은 추가적으로 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하도록 구성된다.
상기 신경망 시스템은 피어 투 피어 신경망 시스템(101)을 이용할 수 있으나, 이에 한정되지 않는다. 상기 피어 투 피어 신경망 시스템(101)은 인코더(1011) 및 디코더(1012)를 포함할 수 있다. 상기 인코더(1011)는 입력된 문자 내용을 암시적으로 표현하여, 벡터를 생성하고, 상기 디코더(1012)는 주어진 입력 벡터에 따라, 유창한 자연 언어 문자를 생성할 수 있다.
일부 실시예에 따르면, 상기 인코더(1011)는 상기 사용자 입력과 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 수신하고, 사용자 입력과 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 인코딩하여, 암시적 벡터를 생성하고, 상기 암시적 벡터는 인코더(1012)에 입력되는데 사용할 수 있다. 상기 디코더(1012)는 상기 제2 입력(즉 대화 제어 시스템이 사용자 입력을 처리하여 획득한 처리 결과) 및 인코더(101)에 의해 생성된 암시적 벡터를 수신하고, 상술한 상기 사용자 입력에 대한 응답을 생성하는데 사용할 수 있다. 이를 통해, 신경망 시스템은 현재 사용자 입력, 이미 저장된 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보 및 대화 제어 시스템이 상기 사용자 입력과 관련된 정보에 기반하여 상기 사용자 입력을 처리하여 획득한 결과에 기반하여, 사용자 입력에 대한 응답을 생성하므로, 추가적으로 기계의 응답 내용이 현재 휴먼 머신 인터랙티브의 장면에 부합하고, 대화 논리가 명확해지도록 보장할 수 있다.
상기 피어 투 피어 신경망 시스템은 예를 들면 Transformer신경망 시스템 또는 UniLM신경망 시스템을 이용할 수 있다.
일부 실시예에 따르면, 상기 장치는 스토리지 컴퓨팅 시스템(103)을 더 포함할 수 있다. 스토리지 컴퓨팅 시스템(103)은 장기 메모리 모듈(1031)과 작업 메모리 모듈(1032)을 포함할 수 있다. 이러한 경우, 상술한 상기 사용자 입력과 관련된 정보는 장기 메모리 모듈에서 추출한 장기 메모리 정보와 상기 작업 메모리 모듈에서 추출한 현재 휴먼 머신 인터랙티브 기간에만 유효한 작업 메모리 정보를 포함할 수 있다. 장기 메모리 정보는 대화 시스템이 장기간 저장해야 하는 정보일 수 있으며, 각종 지식 정보를 포함할 수 있으며, 예를 들면 상식, 분야 지식, 언어 지식, 문답 라이브러리, 대화 라이브러리 중 적어도 하나를 포함할 수 있다. 작업 메모리 정보는 현재 휴먼 머신 인터랙티브 내용에 기반하여 장기 메모리 정보에서 얻을 수 있다. 즉, 작업 메모리 정보는 현재 휴먼 머신 인터랙티브 내용과 관련된 지식 정보이다. 이로써 현재 휴먼 머신 인터랙티브 내용과 관련된 지식 정보를 신경망 시스템에 기반한 대화 시스템에 통합할 수 있으므로, 관련 지식 정보에 기반하여 현재 휴먼 머신 인터랙티브 장면에서, 사용자 입력에 대한 응답 계획을 구현하여, 지식 정보를 충분히 활용하고, 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 할 수 있다. 상기 사용자 입력과 관련된 정보는 인터넷에서 실시간으로 캡쳐한 정보도 포함할 수 있으며, 이에 대한 한정이 없음을 이해할 수 있다.
일부 실시예에 따르면, 장기 메모리 정보는 의도 지식 그래프, 문답 라이브러리, 대화 라이브러리를 포함할 수 있으나, 이에 한정되지 않는다. 이하, 먼저 의도 지식 그래프, 문답 라이브러리 및 대화 라이브러리의 데이터 내용, 데이터 구성 형태등을 설명한다.
의도 지식 그래프는 대화 장면의 지식 인터랙티브 요구에서 시작하여, 지식 조회 기능을 충족할 뿐만 아니라, 더욱이 여러 장면 인터랙티브 중의 연상, 유추 및 예측 등을 충족할 수 있다. 의도 지식 그래프의 노드의 순서적인 구성은, 문자 계산, 지식 정보 제어에 용이하며, 또한 지식 정보 계산을 통해, 대화 중의 행위 점프(장면 점프, 동일한 장면의 내용 점프)를 지원할 수 있고, 매우 강한 의미론적 전달 논리성을 가진다. 의도 지식 그래프는 서로 다른 유형의 다양한 장면 정보를 통합하여, 여러 관점에서 언어를 이해하는 능력을 제공할 수 있다.
일부 실시예에 따르면, 상기 장기 메모리 모듈(1031)에는 의도 지식 그래프가 저장되어 있고, 의도 지식 그래프는 노드 및 방향성 엣지를 포함하는 제1 방향성 그래프의 형태인 지식 정보를 포함하고, 상기 제1 방향성 그래프 중의 노드는 의미론적 내용과 논리적 제어 정보를 포함하는 구조화 데이터이다. 상기 제1 방향성 그래프 중의 방향성 엣지는 관련 노드 간의 연관 속성 및 노드와 상응되는 논리적 제어 정보 간의 연관 속성을 나타낼 수 있다. 다른 지식 정보는 또한 제1 방향성 그래프의 데이터 구성 형태를 이용할 수도 있으며, 의도 지식 그래프에 한정되지 않음을 이해할 수 있고, 여기서는 단지 제1 방향성 그래프를 어떻게 이용하여 지식 정보를 나타낼 것인가에 대해 의도 지식 그래프를 예로 들어 설명한 것 뿐이다.
일부 실시예에 따르면, 의도 지식 그래프의 상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하기 위한 정보, 예를 들면 인기도, 시효성, 감정 등 정보를 포함하여 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하므로, 사용자가 적극적으로 지식 채팅을 시작할 경우 관련된 지식 정보를 검색할 수 있으므로, 대화 내용이 논리적으로 명확해진다. 예를 들면, 제1 인기도 임계값을 설정할 수 있으며, 작업 메모리 정보에서 현재 휴먼 머신 인터랙티브 내용과 관련된 노드 중 상응하는 논리적 제어 정보중의 인기도가 상기 제1 인기도 보다 큰 노드를 선별한다. 제1 유효 시간점을 설정할 수 있고, 작업 메모리 정보에서 현재 휴먼 인간 인터랙티브 내용과 관련된 노드 중 제1 유효 시간점 이후에 있는 상응하는 논리적 제어 정보의 노드를 선별한다. 제1 소정의 감정 유형을 설정할 수 있으며, 현재 휴먼 머신 인터랙티브 내용과 관련된 노드에서 상응하는 논리적 제어 정보 중의 감정 유형이 상기 제1 소정의 감정 유형인 노드를 선별한다.
일부 실시예에 따르면, 의도 지식 그래프의 상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브 중 각 노드 간의 관련 정도를 결정하는 정보(예를 들면 인기도, 노드간의 관련 관계등 정보)를 더 포함할 수 있으며, 현재 휴먼 머신 인터랙티브 내용과 관련된 노드를 확장하므로, 기계가 지식 채팅을 적극적으로 전환, 트리거 또는 추천할 수 있어, 대화 내용이 풍부해져, 어색한 채팅을 방지할 수 있다. 예를 들면, 제2 인기도 임계값을 설정할 수 있으며, 장기 메모리 정보에서 사용자가 입력한 각 관련 노드로부터 상응하는 논리적 제어 정보 중의 인기도가 상기 제2 인기도 임계값보다 큰 노드를 획득한다. 연관 관계에 따라, 현재의 노드에서 상기 현재 노드와 가장 연관성이 높은 노드로 확장한다.
의도 지식 그래프의 상기 노드는 서로 다른 유형의 복수의 노드를 포함할 수 있다. 일부 실시예에 따르면, 상기 제1 방향성 그래프 중의 각 노드는 제1 유형 노드와 제2 유형 노드를 포함할 수 있다. 상기 제2 유형 노드의 의미론적 내용은 상기 제2 유형 노드와 관련된 제1 유형 노드의 의미론적 내용의 일부일 수 있으며, 또한 상기 제2 유형 노드의 논리적 제어 정보는 상기 제2 유형 노드와 관련된 제1 유형 노드 아래의 상기 제2 유형 노드의 인기도, 상기 제2 유형 노드와 적어도 하나의 다른 제2 유형 노드의 연관 점프 관계, 상기 제2 유형 노드의 서브 유형 중 적어도 하나를 포함한다. 이를 통해, 제1 유형 노드를 조회함으로써, 즉 제1 유형 노드와 의미론적으로 관련된 제2 유형 노드의 지식 정보를 획득하여, 문자 계산, 지식 정보 제어에 용이하다.
상기 제1 유형 노드는 예를 들면 아래 표의 코어 노드일 수 있으며, 상기 제2 유형 노드는 예를 들면 태그 노드일 수 있다. 상기 방향성 엣지는 코어 노드 간, 코어 노드와 태그 노드 간의 연관 속성을 나타낼 수 있다. 코어 노드와 태그 노드는 구조화 데이터이므로, 의미론적 내용의 이해 및 제어를 구현할 수 있다. 코어 노드는 의미가 완전한 기본단위일 수 있으며, 실체, 개념, 사건, 명령을 포함하고, 예를 들면, 인물, 물건, 구조, 제품, 건축, 지점, 조직, 사건, 예술 작품, 과학 기술, 과학적 정리등일 수 있다. 코어 노드의 논리적 제어 정보는 인기도, 시효성, 태그 노드를 호출하기 위한 모든 태그, 임무API등을 포함할 수 있다. 각 코어 노드는 복수의 서로 연관된 태그 노드를 포함할 수 있다. 태그 노드의 의미론적 내용은 태그 노드와 관련된 코어 노드의 의미론적 내용의 일부일 수 있으며, 핵심 코드와는 부분과 전체의 관계이다.
일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브와 관련된 정보는 제1 방향성 그래프에서 획득한 사용자 입력과 관련된 노드 정보를 포함할 수 있다. 사용자 입력을 상기 제1 방향성 그래프의 코어 노드에 맵핑할 수 있으며, 맵핑을 통해 획득한 코어 노드 및 맵핑을 통해 획득한 코어 노드와 관련된 태그 노드는 모두 사용자 입력과 관련된 지식 정보로 사용될 수 있다. 만약 사용자 입력이 상기 제1 방향성 그래프의 코어 노드에 맵핑할 수 없으면, 현재 휴먼 머신의 히스토리의 사용자 입력을 맵핑을 통해 획득한 코어 노드를 현재 사용자 입력에 대응되는 코어 노드로 사용할 수 있다. 예를 들면, 현재 사용자 입력이 “주인공은 누구입니까?”이면, 현재 사용자 입력은 상기 제1 방향성 그래프에서 대응되는 코어 노드가 없다. 이러한 경우, 현재 휴먼 머신 인터랙티브에서 지난번 상기 제1 방향성 그래프의 대응되는 코어 노드를 현재 사용자 입력의 코어 노드로 사용하여, 현재 사용자 입력과 관련된 지식 정보를 얻을 수 있다. 그중, 현재 휴먼 머신 인터랙티브 내용은 사용자 입력과 현재 휴먼 머신 인터랙티브의 히스토리 인터랙티브 정보를 포함할 수 있다.
도3에 도시한 바와 같이, 실선의 원형(“영화A”, “영화B”, “조육(六))은 코어 노드를 나타내고, 실선의 타원형은 태그 노드를 나타내며, 점선의 원형은 논리적 제어 정보를 나타낸다. 각 점선의 타원은 노드 단위를 사용자 입력과 관련된 정보 단위로 묶을 수 있다. 즉, 사용자 입력이 하나의 노드 단위(도3중의 노드 단위(100))의 코어 노드에 맵핑되면, 노드 단위의 모든 노드 정보는 모두 사용자 입력과 관련된 지식 정보로 판단하고, 이를 작업 메모리 정보에 추가한다. 설명해야 할 것은, 시스템의 사용 가능한 컴퓨팅 리소스의 크기에 따라, 맵핑을 통해 획득한 하나의 코어 노드와 관련된 적어도 하나의 기타 코어 노드의 노드 단위도 사용자 입력과 관련된 것으로 판단할 수 있고, 작업 메모리 정보에도 추가되며, 이에 한정되지 않는다. 이하 내용에서 맵핑을 통해 획득한 코어 노드의 노드 단위를 사용자 입력과 관련된 지식 정보로 사용하는 것을 예로 들어, 본 공개의 기술방안을 구체적으로 설명한다.
제1 유형 노드(코어 노드)를 영화 실체”영화A”로 예를 들면, “영화A”사용자 리콜 태그 노드의 태그는 배우, 역할, 감독, 장면 등이 포함될 수 있다. 제1 유형 노드와 관련된 태그 노드(제2 유형 노드)는 “조육”, “배역A”, “배역B”, “이사” “잘 알려진 장면”을 포함할 수 있다. 태그 노드 “조육”은 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “배역A”와 “배역 B”는 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “이사”는 관련된 제1 유형 노드 “영화A”의 감독 태그에 대응되고 “잘 알려진 장면”은 관련된 제1 유형 노드 “영화A”의 장면 태그에 대응된다. 배우, 배역, 감독, 장면등이 포함될 수 있다. 제1 유형 노드와 관련된 태그 노드(제2 유형 노드)는 “조육”, “배역A”, “배역B”, “이사”, “잘 알려진 장면”을 포함할 수 있다. 태그 노드 “조육”은 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “배역A”와 “배역 B”는 관련된 제1 유형 노드 “영화A”의 배우 태그에 대응되고, “이사”는 관련된 제1 유형 노드 “영화A”의 감독 태그에 대응되고 “잘 알려진 장면”은 관련된 제1 유형 노드 “영화A”의 장면 태그에 대응된다. 코어 노드 “영화A”와 관련된 코어 노드는 “영화B”를 포함할 수 있고, 태그 노드 ”조육”과 관련된 코어 노드는 “조육”을 포함할 수 있다. 사용자 입력이 코어 노드 “영화B”에 맵핑되면, 코어 노드 “영화A” 및 태그 노드 ”조육”, “배역A”, “배역 B”, “이사”, “잘 알려진 장면”을 모두 사용자 입력과 관련된 정보로 사용할 수 있다.
일부 실시예에 따르면, 상기 제1 방향성 그래프 중의 각 노드는 제3 유형 노드를 더 포함할 수 있고, 상기 제3 유형 노드의 의미론적 내용은 다중 모드 내용을 지원하고, 또한 상기 제3 유형 노드의 논리적 제어 정보는 상기 제3 유형 노드와 관련된 제2 유형 노드의 정보, 상기 제3 유형 노드 의미론적 내용을 나타내기 위한 정보 중 적어도 하나를 포함할 수 있다. 이를 통해, 제3 유형 노드를 설정하여, 다중 모드의 의미론적 내용을 지원하고, 대화 내용을 더욱 풍부하게 할 수 있다.
상기 제3 유형 노드는 예를 들면 내용 노드일 수 있다. 상기 방향성 엣지는 태그 노드(제2 유형 노드)와 내용 노드 간의 연관 속성을 나타낼 수 있다. 내용 노드는 비구조화된 데이터일 수 있어, 풍부한 다중 모드 내용을 지원할 수 있다. 각 하나의 코어 노드(제1 유형 노드)는 복수의 내용 노드를 포함할 수 있고, 내용 노드와 관련된 태그 노드는 상기 내용 노드의 주제 또는 개괄일 수 있다. 내용 노드는 대화 내용을 포함할 수 있고, 다중 모드(예를 들면, 단어, 문장, 그림 또는 비디오 등일 수 있음), 다양성, 세분화된 특징을 가진다. 내용 노드의 논리적 제어 정보는 예를 들면 코어 노드, 키워드, 내용 노드에서의 핵심 태그의 의미론적 내용 중의 중요도, 내용 노드의 의미론적 내용의 개괄성 단어, 내용 노드와 관련된 태그 노드의 유형, 내용 노드와 관련된 태그 노드의 정서적 극성, 내용 노드와 관련된 태그 노드의 점수등을 포함할 수 있다.
일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브 내용과 관련된 정보는 제1 방향성 그래프에서 획득한 사용자 입력과 관련된 정보를 포함할 수 있다. 사용자 입력을 상기 제1 방향성 그래프의 코어 노드에 맵핑하고, 맵핑을 통해 획득한 코어 노드, 맵핑을 통해 획득한 코어 노드와 관련된 태그 노드 및 획득한 태그 노드와 관련된 내용 태그는 모두 사용자 입력과 관련된 정보로 할 수 있다.
도3에 도시한 바와 같이, 직사각형 프레임은 내용 노드를 나타낸다. 제1 유형 노드(코어 노드)를 영화 실체 “영화A”로 예를 들면, 제1 유형 노드와 관련된 태그 노드(제2 유형 노드)는 “조육”, “배역A”, “배역B”, “이사”, “잘 알려진 장면”을 포함할 수 있다. 태그 노드 “조육” 및 태그 노드 “배역A”와 관련된 내용 노드는 “배역A스틸.jpg” 를 포함할 수 있고, 태그 노드 “배역A”와 관련된 내용 노드는 또한 “배역A는 극도로 완강한 생명력 및 삶의 의지를 가지고 있다”를 더 포함할 수 있고, 태그 노드 “이사”와 관련된 내용 노드는 “<영화A>는 이사 감독의 무협 작품의 절정이다”를 포함할 수 있다. 사용자 입력을 코어 노드 “영화A”에 맵핑하면, 코어 노드 “영화A”, 코어 노드 “조육”, “배역A”, “배역 B”, “이사”, “잘 알려진 장면” 및 태그 노드 “조육”, “배역A”, “이사”와 관련된 내용 노드를 모두 사용자 입력과 관련된 정보로 할 수 있다.
두 노드의 연관성은 상기 두개의 노드 사이에 적어도 하나의 방향성 엣지를 포함하는 방향성 경로 관계에 의해 연관될 수 있음을 의미할 수 있다. 상이한 노드 사이는 방향성 엣지를 통해 연결될 수 있고, 연결된 노드 간의 연관 속성을 나타낸다. 방향성 엣지는 예를 들면 코어 노드에서 코어 노드까지의 연관 엣지, 코어 노드에서 태그 노드까지의 연관 엣지, 태그 노드에서 코어 노드까지의 연관 엣지, 태그 노드에서 내용 노드까지의 연관 엣지를 포함할 수 있다. 방향성 엣지의 속성은 의미론적 관계(예:감독, 작품, 아내 등), 논리적 관계(시간 순서, 인과등), 관련성 강도, 의미 상하 관계등 다양한 유형을 포함할 수 있다.
예를 들면, 도3에서, 코어 노드 “영화A”와 코어 노드 “영화B” 간의 방향성 엣지의 속성은 관련성 강도일 수 있고, 태그 노드 “조육”과 코어 노드 “조육” 간의 방향성 엣지의 속성은 관련성 강도일 수 있다. 코어 노드 “영화A”와 태그 노드 “이사”, “조육”, “배역A”와 “잘 알려진 장면”간의 방향성 엣지의 속성은 의미론적 관계이다. 태그 노드”조육”과 내용 노드 “배역A스틸.jpg”간의 방향성 엣지의 속성은 의미론적 관계일 수 있다.
일부 실시예에 따르면, 상기 장기 메모리 모듈(1031)에 대화 라이브러리가 저장되어 있고, 대화 라이브러리는 노드와 방향성 엣지를 포함하는 제2 방향성 그래프의 형태인 지식정보를 포함할 수 있고, 휴먼 머신 인터랙티브 과정 중의 의미론적 정보와 그 특징을 기록하는데 사용되며, 현재 휴먼 머신 인터랙티브 장면에서 상기 상자 입력에 대한 응답 계획에 대해 참조를 제공한다.대화 라이브러리에 기반하여 빅 데이터를 이용하여 사용자의 성향 의도를 획득할 수 있으므로, 사용자 입력의 응답 계획에 대해 합리적인 가이드로 제공할 수 있다. 상기 제2 방향성 그래프는 상술한 제1 방향성 그래프(예를 들면, 의도 지식 그래프)와 구조가 동일하며, 도3에 도시한 바와 같으므로, 설명은 생략한다. 이를 통해, 대화 라이브러리 및 의도 지식 그래프를 구조가 동일한 방향성 그래프로 설정하여, 대화 라이브러리와 의도 지식 그래프를 효과적으로 융합할 수 있어, 지식 정보 제어에 용이하다. 다른 지식 정보는 또한 제2 방향성 그래프의 데이터 구성 형태를 이용할 수 있으며, 대화 라이브러리에 국한되지 않음을 이해할 수 있고, 이는 단지 대화 라이브러리를 통해 제2 방향성 그래프를 어떻게 이용하여 지식 정보를 나타낼 것인가에 대한 설명일 뿐이다. 서로 다른 지식 정보를 설정하여 구조가 동일한 방향성 그래프를 이용하여, 서로 상이한 지식 정보의 융합을 효과적으로 구현할 수 있어, 지식 정보 제어에 용이하다.
일부 실시예에 따르면, 문답 라이브러리는 문제-답안 형태의 문답 지식 정보일 수 있다. 문답 라이브러리의 기능은, 사용자의 문제에 대해, 문답 라이브러리를 조회하고, 문제와 일치되는 답안을 리턴하여, 사용자의 정보 요구를 만족시킨다. 예를 들면, 사용자 입력이 문답인 경우, 먼저, 문답 라이브러리에서 사용자 입력과 매칭되는 답안이 있는지 여부를 하여, 응답을 신속하게 구현할 수 있다.
일부 실시예에 따르면, 상기 장기 메모리 모듈에 저장된 장기 메모리 정보는 의도 지식 그래프, 대화 라이브러리 및 문답 라이브러리를 포함할 수 있다. 상술한 장기 메모리 정보의 의도 지식 그래프, 대화 라이브러리 및 문답 라이브러리의 데이터 내용 및 데이터 구성 형태를 예시적으로 설명하였고, 한정이 아닌 단지 예시적 설명일 뿐이다. 물론, 상기 장기 메모리 정보도 현재 휴먼 머신 인터랙티브와 관련된 다른 지식 정보 조합일 수 있으며, 이에 한정되지 않는다.
장기 메모리 정보는 또한 언어 계산 및 정보 추출을 진행할 수 있다. 언어 계산은 비교, 귀납, 연역 추리 등을 포함할 수 있고, 정보 추출은 예를 들면 개념 추출, 실체 추출, 사건 추출, 명령 추출 등을 포함할 수 있으므로, 사용자 입력에 기반하여 장기 메모리 정보에서 현재 휴먼 머신 인터랙티브 내용과 관련된 작업 메모리 정보를 추출할 수 있다. 현재 휴먼 머신 인터랙티브 내용은 현재 사용자 입력과 현재 사용자 입력 이전의 히스토리 인터랙티브 정보를 포함할 수 있다. 작업 메모리 정보는 또한 현재 인터랙티브 내용을 포함할 수 있으므로, 현재 휴먼 머신 인터랙티브 히스토리와 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보를 기반으로 현재 휴먼 머신 인터랙티브의 상황에서 상기 사용자 입력에 대한 응답의 계획을 획득하고, 이하 내용에서 자세히 소개한다.
일 실시예에 따르면, 상기 작업 메모리 모듈(1032)에 작업 메모리 정보가 저장될 수 있다. 상기 작업 메모리 정보는 노드와 방향성 엣지를 포함하는 제3 방향성 그래프의 형태인 정보를 포함할 수 있고, 상기 제3 방향성 그래프는 상술한 제1 방향성 그래프(예를 들면, 의도 지식 그래프)와 구조가 동일하다. 따라서, 작업 메모리 정보가 장기 메모리 정보의 지식 정보와 동일한 구조의 정보를 포함하도록 설정함으로써, 지식 정보의 적용 및 융합을 용이하게 할 수 있다. 바람직하게는, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프의 현재 휴먼 머신 인터랙티브와 관련된 일부분일 수 있으며, 지식 정보의 적용 및 융합을 더욱 용이하게 할 수 있다. 즉, 상기 제3 방향성 그래프는 코어 노드 및 태그 노드를 포함할 수 있으므로, 각 모듈에 사용하기 용이하도록, 각 모듈 모든 사용자 의도와 시스템 응답(의도) 또한 작업 메모리 정보중의 코어 노드와 관련된 태그 노드에 최대한 맵핑될 수 있다. 또한, 장기 메모리 정보에서 현재 휴먼 인터랙티브와 관련된 내용 노드 정보만을 추출해야, 메모리 사용량을 줄이고 응답 효율을 향상시킬 수 있다. 상기 제3 방향성 그래프는 또한 다중 모드의 의미론적 내용을 지원하는 내용 노드를 더 포함할 수 있으므로, 작업 메모리 정보에 기반하여 또한 풍부한 대화 내용을 획득할 수 있다. 상기 제3 방향성 그래프는 또한 상술한 제1 방향성 그래프와 다른 구조일 수도 있음을 이해할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 제1 방향성 그래프에서 추출한 상기 현재 휴먼 머신 인터랙티브와 관련된 모드 노드의 의미론적 내용 및 논리적 제어 정보를 더 포함할 수 있다. 즉, 상기 제3 방향성 그래프의 코어 노드는 제1 방향성 그래프의 상기 제1 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함하고, 상기 태그 노드는 제1 방향성 그래프의 상기 제2 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함하고, 상기 내용 노드는 제1 방향성 그래프의 상기 제3 유형 노드에 대응하는 의미론적 내용 및 논리적 제어 정보를 포함한다. 이를 통해, 작업 메모리 정보는 현재 휴먼 머신 인터랙티브에 기반하여 장기 메모리 정보에서 가능한 모든 채팅 화제를 최대로 얻을 수 있으므로, 작업 메모리 정보에 기반하여, 사용자 입력에 대한 응답 계획을 구현할 수 있다. 작업 메모리 정보 중의 데이터 양은 장기 메모리 정보중의 데이터 량보다 훨씬 적기 때문에, 응답 속도를 향상시키고, 사용자 체험을 향상시킬 수 있다.
일부 실시예에 따르면, 작업 메모리 정보에 사용자 입력에 대응되는 노드 정보가 없을 경우, 사용자 입력에 기반하여 장기 메모리 정보에서 사용자 입력과 관련된 지식 정보를 획득할 수 있고, 작업 메모리 정보를 업데이트하고; 그후, 업데이트된 작업 메모리 정보에 기반하여, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행한다. 일부 실시예에 따르면, 사용자 입력에 기반하여 제1 방향성 그래프에서 사용자 입력과 관련된 서브 그래프를 획득하고, 획득한 서브 그래프를 작업 메모리 정보중의 제3 방향성 그래프에 융합하여, 작업 메모리 정보를 업데이트한다.
작업 메모리 정보에 대해, 현재 휴먼 머신 인터랙티브 내용 중의 히스토리 인터랙티브 정보에 대응되는 각 노드에서, 코어 노드의 의미론적 내용과 논리적 제어 정보만을 남겨두고, 코어 노드와 관련된 태그 노드와 내용 노드는 남겨두지 않으므로, 계산 리소스 요구를 감소시킬 수 있다. 이미 채팅한 화제는 다시 언급하지 않을 가능성이 매우 크다. 따라서, 현재 휴먼 머신 인터랙티브 중의 히스토리 인터랙티브 정보에 대응되는 코어 노드의 의미론적 내용 및 논리적 제어 정보만을 남기므로, 휴먼 머신 인터랙티브에 대한 영향이 아주 작다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 휴먼 머신 인터랙티브에 이미 관련된 의미론적 내용을 표시하기 위한 제1 정보를 더 포함할 수 있으므로, 채팅 및 채팅하지 않은 메시지를 구분하여, 중복을 피할 수 있다. 일부 실시예에 따르면, 제3 방향성 그래프에서, 상기 현재 휴먼 머신 인터랙티브에 이미 관련되어 있는 의미론적 내용과 관련된 모든 노드(목표 노드, 태그 노드 및 내용 노드를 포함)에 대해 상기 노드가 이미 채팅되었다고 표시하는 상기 제1 정보를 더 포함할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 이미 관련되어 있는 의미론적 내용을 처음 언급한 대화 상대를 밝히는데 사용되는 제2 정보를 포함하므로, 채팅과 관련된 내용의 화제를 정확히 구분할 수 있어, 대화 상대의 대화 반복을 더욱 정확히 피할 수 있다. 일부 실시예에 따르면, 제3 방향성 그래프에서, 상기 현재 휴먼 머신 인터랙티브 중 이미 관련되어 있는 의미론적 내용과 관련된 모든 노드(목표 노드, 태그 노드 및 내용 노드를 포함)에 대해 상기 노드가 어느 대화 상대와 채팅했는지를 표시하기 위한 상기 제1 정보를 더 포함할 수 있다.
일부 실시예에 따르면, 상기 작업 메모리 정보는 상기 현재 휴먼 머신 인터랙티브 기간에 인터랙티브가 기록 히스토리 데이터를 더 포함할 수 있으므로, 현재 휴먼 머신 인터랙티브의 장면을 얻어, 여러 횟수의 전략에 대한 전략 결정 특징을 제공할 수 있다.
상기 작업 메모리 정보는 각 모듈의 사용을 용이하도록, 상기 대화 제어 시스템의 각 작업 모듈의 분석 결과와 같은 기타 정보를 더 포함한다. 예를 들면, 상술한 사용자 입력에 대해 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보 외에도, 장기 메모리 정보에서 획득한 사용자 입력과 관련된 지식 정보를 순서 배열한 결과, 응답 결정 전략의 결과를 더 포함할 수 있다.
일부 실시예에 따르면, 상기 대화 제어 시스템은 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록 실행하여, 상기 사용자 입력을 처리하도록 구성된다. 관련 정보를 충분히 활용하고, 관련 정보에 기반하여 현재 휴먼 머신 인터랙티브 장면에서 사용자 입력에 대해 응답 계획을 진행하고, 나아가, 추가적으로 휴먼 머신 인터랙티브의 내용을 풍부하고, 논리를 명확하게 한다.
일부 실시예에 따르면, 대화 제어 시스템(102)은 대화 이해 모듈(1021) 및 대화 제어 모듈(1022)을 포함할 수 있다. 일 실시예에서, 대화 이해 모듈(1021)을 이용하여 먼저 사용자 입력에 기반하여 장기 메모리 정보에서 관련된 지식 정보를 획득하고, 작업 메모리 정보를 업데이트한 후, 대화 제어 모듈(1022)은 업데이트된 작업 메모리 정보에 기반하여, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자의 입력에 대해 응답 계획을 진행한다.
상기 대화 이해 모듈(1021)은 상기 사용자 입력의 의미론적 내용을 분석하고, 상기 사용자가 현재 휴먼 머신 인터랙티브에서 상기 사용자 입력에 대응되는 교제 의도를 분석하도록 구성된다. 즉, 사용자 입력의 이해 결과는 의미론적 내용과 교제 의도를 포함할 수 있다. 교제 의도는 예를 들면 요청, 해명, 건의, 거절, 격려 또는 위안등과 같은 의도 시스템 중 하나를 선택할 수 있다.
일부 실시예에 따르면, 의도 지식 그래프에 기반하여 상기 사용자 입력을 이해할 수 있다. 예를 들면, 도4에 도시한 바와 결합하면, 수신한 제1 사용자 입력이, “영화C의 주인공이 누구인지 아십니까?”이면, 제1 사용자 입력의 이해 결과의 의미론적 내용은 영화C이며, 교제 의도는 문답이다. 수신한 제2 사용자 입력이 “나는 장삼(三，배우로 가정)을 매우 좋아합니다”이면, 제2 사용자 입력의 이해 결과의 의미론적 내용은 장삼이며, 교제 의도는 한담이다.
사용자 입력의 이해 결과는 사용자 상태를 설명하는 상태 의도(예를 들면, 사용자의 심리 상태, 사용자가 현재 채팅을 좋아하는지 여부)를 더 포함할 수 있다. 따라서 사용자의 상태 의도를 결합하여 대화 결정을 진행하고, 응답 내용을 계획한다.
일부 실시예에 따르면, 훈련이 완성된 의도 신경망 모델에 기반하여 사용자 입력의 교제 의도를 이해할 수 있다. 제1 사용자 입력 샘플 세트를 획득할 수 있고, 제1 사용자 입력 샘플 세트 중의 일반적인 사용자 입력 샘플의 교제 의도를 수동으로 표시한다. 상기 제1 사용자 입력 샘플 세트를 이용하여 의도 신경망 모델을 훈련한다. 예를 들면 로그 데이터(예를 들면, 검색 엔진 로그)에 기반하여 상기 제1 사용자 입력 샘플 세트를 얻을 수 있다. 또한 낮은 빈도 사용자 입력(예를 들면 “나는 당신이 무슨 말을 하는지 모르겠습니다”)을 획득하여 낮은 빈도 사용자 입력의 교제 의도를 수동으로 표시하여, 코퍼스를 생성할 수 있다. 의도 신경망 모델이 교제 의도를 식별할 수 있는 사용자 입력에 대하여, 즉 의도 시스템에 해당하는 교제 의도가 없는 경우, 상기 코퍼스에서 사용자 입력과 의미론적으로 가장 유사도가 높은 낮은 빈도 사용자 입력을 검색하고, 검색된 낮은 빈도 사용자 입력에 대응되는 교제 의도를 사용자 입력의 교제 의도로 사용하므로, 사용자 입력의 교제 의도를 이해하도록 보장할 수 있다.
이하 의도 지식 그래프를 통해 상기 사용자 입력에 대해 이해하는 과정을 상세히 설명한다.
일부 실시예에 따르면, 도6에 도시한 바와 같이, 상기 대화 이해 모듈(1021)은, 상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는지 여부를 판단하도록 구성된 판정 서브 모듈(10211); 상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는데 응답하여, 상기 작업 메모리 정보에 기반하여 상기 사용자 입력을 처리하도록 구성된, 처리 서브 모듈(10212);을 포함하므로, 작업 메모리 정보에 기반하여 사용자 입력의 의미론적 내용을 이해하여, 현재 휴먼 머신 인터랙티브의 장면에서 사용자 입력에 대한 이해를 구현하여, 대화 이해의 정확성 및 효율을 향상시킬 수 있다. 상기 어느 하나의 노드는 예를 들면 제3 방향성 그래프의 노드 일 수 있으며, 상기 내용에서 상술한 바와 같이, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프(의도 지식 그래프)와 구조가 동일하며, 상기 제1 방향성 그래프의 일부분일 수 있다.
일부 실시예에 따르면, 상기 처리 서브 모듈(10212)은 추가적으로 상기 작업 메모리 정보 중의 어느 하나의 노드의 정보에 기반하여, 상기 사용자 입력을 관련된 내용에 보충하도록 구성된다. 예를 들면, 사용자 입력이 “주인공이 누구입니까?”이면, 작업 메모리 정보에서 검색되는 상기 사용자 입력에 대응되는 어느 하나의 코어 노드 “영화A”에 기반하여, 이에 따라 사용자 입력을 “영화A의 주인공은 누구입니까”로 보완할 수 있다. 일부 실시예에 따르면, 현재 휴먼 머신 인터랙티브 내용은 작업 메모리 정보에 대응되는 이전 코어 노드를 검색하여, 아래와 같은 판정을 진행한다: 사용자 입력이 상기 이전 코어 노드의 논리적 제어 정보 중의 태그로 커버되는지 여부에 따라, 커버되는 경우, 상기 이전 노드가 상기 사용자 입력에 따라 관련된 내용을 보충한다. 예를 들면, 상기 이전 코어 노드 “영화A”의 논리적 제어 정보 중의 태그는, 배우, 배역, 감독, 장면을 포함할 수 있다. “주인공”과 “배우”의 의미는 동일하므로, 사용자 입력은 코어 노드 “영화A”의 태그로 커버되도록 결정하고, 코어 노드 “영화A”에 따라, 사용자 입력을 “영화A의 주인공은 누구입니까”로 보완한다.
보완된 후의 사용자 입력에 기반하여 상기 사용자 입력의 의미론적 내용을 추가적으로 분석하여, 대화 이해의 정확성을 향상시킬 수 있다.
일부 실시예에 따르면, 상기 대화 이해 모듈은 상기 사용자 입력이 상기 작업 메모리 정보 중의 노드에 대응될 수 없는 것에 응답하여, 상기 장기 메모리 정보에서 상기 사용자 입력과 관련된 노드 정보를 추출하여 상기 작업 메모리 정보에 저장하도록 구성된다. 따라서, 사용자 입력이 작업 메모리 정보 중의 지식 정보에 커버되지 않은 경우, 지식 범위(예를 들면, 모든 의도 그래프에 기반)를 확장하여, 지식 정보에 기반하여 사용자 입력을 이해하도록 시도할 수 있다.
일부 실시예에 따르면, 상기 대화 이해 모듈(1021)은 상기 사용자 입력에 대해 중의성 해소 처리하도록 구성된 중의성 해소 서브 모듈(10213)을 더 포함할 수 있다. 예를 들면, 사용자 입력이 “나는 수호전 읽는 것을 좋아한다”이면, 여기서 단어 분할을 처리한 후 획득한 “수호전”은 중의성이 존재하는바, 이는 TV드라마일 수도 있고, 소설일 수도 있다. 따라서, 사용자 입력에 대해 중의성 해소 처리를 진행하여, “수호전”의 유형을 결정함으로써, 사용자 입력의 의미론적 내용을 정확히 할 수 있다.
중의성 해소 처리의 결과에 기반하여 추가적으로 상기 사용자 입력의 의미론적 내용을 분석함으로써, 대화 이해의 정확성을 향상시킬 수 있다.
일부 실시예에 따르면, 상기 중의성 해소 모듈(10213)은 추가적으로 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드 정보에 기반하여, 상기 사용자 입력 중의 중의성이 있는 적어도 일부 내용을 식별하고, 상기 적어도 일부 내용의 현재 휴먼 머신 인터랙티브 장면에서의 의미를 결정하도록 구성된다. 따라서, 현재 휴먼 머신 인터랙티브 장면 기반하여 사용자 입력을 중의성 해소 처리를 진행할 수 있다. 예를 들면, 사용자 입력이 “나는 수호전 읽는 것을 좋아한다”이면, “수호전”은 소설을 의미할 수도 있고, TV드라마를 의미할 수도 있어, 중의성을 가지므로, 이러한 상황에서, 시스템은 사용자 입력 중의 “읽는다”를 통해, “수호전”이 현재 언어 환경에서의 진정한 의미는 TV드라마가 아닌 소설을 의미해야 한다고 결정한다. 예시적 실시예로서, 사용자 입력과 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브에 대응하는 이전 코어 노드(작업 메모리 정보 중 가장 최근에 업데이트한 코어 노드이며, 의미론적 내용과 논리적 제어 정보를 포함)를 기반으로, 상기 사용자 입력에 대해 중의성 해소 처리를 진행한다. 예를 들면, 사용자 입력과 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드를 중의성 해소 신경망 모델에 입력하여, 중의성 해소 신경망 모델에서 출력한 사용자 입력중의 중의성을 갖는 적어도 일부 내용의 유형을 획득한다. 유형 코퍼스를 이용하여 중의성 해소 신경망 모델에 대해 측정 훈련을 진행함으로써, 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드의 정보의 조합을 구현할 수 있어, 유형 코퍼스 중 대응되는 유형과의 거리가 더욱 인접해져, 사용자 입력중의 중의성을 갖는 상기 적어도 일부 내용의 유형을 출력할 수 있다. 이는 단지 사용자 입력 중의 중의성을 갖는 적어도 일부 내용 및 중의성을 갖는 상기 적어도 일부 내용의 유형을 어떻게 결정할 것인가에 대한 예시적 설명일 뿐, 한정하는 것은 아니다.
작업 메모리 정보에 의해서만 중의성 해소 처리를 진행할 수 있다는 것에 한정하지 않음을 이해할 수 있고, 예를 들면, 장기 메모리 정보중의 대화 라이브러리에 기반하여 사용자 입력에 대해 중의성 해소 처리를 진행할 수 있다. 예를 들면, 대화 라이브러리에서, 입력된 “나는 수호전을 좋아합니다”가 읽기에 더 편향된 의도라면, “수호전”의 유형은 소설로 결정할 수 있다.
일부 실시예에 따르면, 상기 대화 이해 모듈(1021)은 중의성 해소 처리 및 정보 보완 처리를 실행하도록 구성될 수 있다. 중의성 해소 처리의 결과와 보완된 사용자 입력에 기반하여 추가적으로 상기 사용자 입력의 의미론적 내용을 분석하여, 대화 이해의 정확성을 향상시킬 수 있다.
교제 의도에 기반하여 후속의 작업을 결정할 수 있다. 예를 들면, 교제 의도가 조회이면, 중의성 해소 처리의 결과와 보완된 사용자 입력 및 교제 의도에 기반하여 의도 조회 표현식을 생성함으로써, 관련된 지식 정보를 검색할 수 있다. 교제 의도가 의도식 표현에 따라 작별인사를 하는 것이면, 관련 지식 정보를 검색할 필요가 없다. 관련 지식 정보를 검색해야 하는 경우, 먼저 작업 메모리 정보에서 사용자 입력과 관련된 지식 정보 유무를 검색하고, 만약 없다면, 장기 메모리 정보에서 사용자 입력과 관련된 지식 정보의 유무를 계속하여 검색한다.
일부 실시예에 따르면, 상기 대화 이해 모듈(1021)은, 상기 사용자 입력의 의미론적 내용과 현재 휴먼 머신 인터랙티브 중 상기 사용자 입력에 대응하는 교제 의도에 따라 작업 메모리 정보에서 사용자 입력의 관련 노드의 정보를 조회하는, 조회 서브 모듈(10214); 및 상기 사용자 입력과의 연관성에 따라, 조회된 상기 사용자 입력의 관련 노드에 대해 순서를 배열하도록 구성된 순서 배열 서브 모듈(10215)을 더 포함하고, 상기 순서 배열은 상기 관련 노드의 논리적 제어 정보에 기반하여 진행된다. 예를 들면, 인기도 또는 시효성 등에 기반하여 채점하여, 관련 노드와 상기 사용자 입력의 연관성을 결정하므로, 관련 노드와 상기 사용자 입력의 연관성에 따라 대화 결정을 진행할 수 있어, 대화 시스템이 생성한 응답 및 사용자 입력의 연관성을 구현한다.
일부 실시예에 따르면, 상기 대화 이해 모듈(1021)은 추가로 상기 사용자 입력의 연관성에 따라, 상기 관련 노드에 서로 다른 점수를 부여하도록 구성되므로, 대화 결정에 참고할 수 있다. 예를 들면, 작업 메모리 정보 중의 제3 방향성 그래프의 코어 노드의 논리적 제어 정보에 상기 사용자 입력의 연관 점수를 추가할 수 있다.
분석한 사용자 입력의 의미론적 내용은 예를 들면 제3 방향성 그래프 중의 사용자 입력과 관련된 코어 노드일 수 있다.
일부 실시예에 따르면, 상기 사용자 입력과의 연관성에 따라, 상기 관련 노드에 서로 다른 점수를 부여하는 경우，상기 대화 제어 모듈은, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록,
상기 순서 배열 결과에 따라, 대화 목표를 계획하고 상기 사용자 입력과의 연관성이 가장 높은 노드 정보를 계획된 대화 내용으로 선택하는 동작; 및
상기 계획된 대화 내용 및 상기 대화 목표를 통합하여, 상기 제2 입력으로서 상기 신경망 시스템에 제공하는 동작을 실행하도록 구성되므로, 대화 시스템은 지식 정보에 융합되어, 사용자 입력에 따라 답변 계획을 진행하여, 대화 논리를 명확하게 한다.
의도 지식 그래프 중 노드의 논리적 제어 정보에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있고, 또한 대화 라이브러리에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있고, 또한 사용자 선호도에 기반하여 상기 관련 노드와 사용자 입력의 연관성을 획득할 수 있으며, 이에 한정되지 않음을 이해할 수 있고, 지식 정보에서 상기 관련 노드와 사용자 입력의 연관성을 획득하기만 하면 가능하다. 사용자의 현재 휴먼 머신 인터랙티브 내용 및 히스토리 휴먼 머신 인터랙티브 내용에 기반하여 상기 사용자의 선호도를 획득할 수 있고, 예를 들면, 상기 사용자는 다수회의 휴먼 머신 인터랙티브에서 모두 읽기와 관련된 경우, 상기 사용자는 읽기를 좋아한다고 결정할 수 있고, 대화 결정의 과정에서 사용자의 선호도에 따라 대화 내용을 계획할 수 있다.
일부 실시예에 따르면, 작업 메모리 정보에 사용자 입력에 대응되는 지식 정보가 없는 경우, 사용자 입력의 의미론적 내용에 기반하여 장기 메모리 정보에서 관련된 지식 정보를 획득하고, 작업 메모리 정보에 대해 업데이트한 후, 사용자 입력의 의미론적 내용과 교제 의도 및 업데이트 후의 작업 메모리 정보에 기반하여 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답의 계획을 진행할 수 있다.
예를 들면, 도4에 도시한 것과 결합하면, 수신한 제1 사용자 입력이, “영화C의 주인공이 누구인지 아십니까?”이면, 제1 사용자 입력의 이해 결과의 의미론적 내용은 영화C이며, 교제 의도는 문답이다. 제1 사용자 입력의 이해 결과에 따라 장기 메모리 정보에서 영화C와 관련된 정보를 얻어, 작업 메모리 정보에 추가하여, 작업 메모리 정보를 업데이트할 수 있다. 즉, 도4에서, 코어 노드 “영화C”의 노드 단위를 작업 메모리 정보에 추가하고, 작업 메모리 정보를 업데이트 한다. 교제 의도 및 작업 메모리 정보 중 코어 노드 “영화C”와 관련된 정보에 따라 상기 제1 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면, 제1 대화 목표를 문답으로 계획하고, 제1 대화 내용은 “장삼”을 주인공으로 계획할 수 있다. 신경망 시스템은 제1 사용자 입력과 제1 대화 목표 계획 및 제1 대화 내용 계획의 통합 결과에 기반하여 “장삼”을 문답으로 생성한다.
수신한 제2 사용자 입력이 “나는 장삼을 매우 좋아합니다”이면, 제2 사용자 입력의 이해 결과의 의미론적 내용은 장삼이며, 교제 의도는 한담이다. 만약 이때 작업 메모리에 “장삼”과 관련된 관련 정보가 저장되어 있지 않다고 판단하면, 제2 사용자 입력에 대한 이해의 결과에 따라 장기 메모리 정보에서 “장삼”과 관련된 정보를 얻어 작업 메모리 정보에 추가하고, 작업 메모리 정보에 대해 업데이트한다. 즉, 도4에서, 코어 노드”장삼”의 노드 단위를 작업 메모리 정보에 추가하고, 작업 메모리 정보를 업데이트하고; 그 후, 교제 의도와 작업 메모리 정보 중 “장삼”과 관련된 정보에 따라 상기 제2 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면, 제2 대화 목표는 한담이라고 계획하고, 제2 대화 내용은 “마음이 따뜻하다”로 계획할 수 있다. 신경망 네트워크는 제2 사용자 입력과 제2 대화 목표 및 제2 대화 내용 계획의 통합 결과에 기반하여 “그녀는 매우 마음이 따뜻하다”라는 응답을 생성한다.
사용자 입력이 장기 메모리 정보에서 관련된 지식 정보가 없으면, 계획 없음으로 응답한다. 신경망 네트워크는 사용자 입력에 기반하여 응답을 생성한다.
설정된 횟수(예를 들면 2회 또는 3회)의 한담 후, 대화 목표를 추천으로 계획할 수 있고, 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드에 기반하여 연관성이 비교적 높은 다른 노드의 지식 정보를 추천할 수 있으므로, 여러 회의 한담 후 지식 포인트를 적극적으로 전환하여, 어색한 채팅을 방지할 수 있다.
예를 들면, 상술한 예에서, 수신된 제3 사용자 입력이 “마음이 따뜻할 뿐만 아니라, 그녀는 매우 재능이 있다”이면, 교제 의도는 한담이다. 그후 교제 의도 및 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드 “장삼”과의 연관성이 비교적 높은 기타 노드에 따라 상기 제3 사용자 입력에 대해 응답 계획을 진행한다. 예를 들면 제3 대화 목표를 추천으로 계획할 수 있고, 그후 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브 내용에 대응되는 이전 코어 노드 “장삼”에 따라 장기 메모리 정보에서 코어 노드 “장삼”과 연관성이 비교적 높은 기타 노드의 정보를 획득하고, 예를 들면, 인기도가 비교적 높은 코어 노드 “영화D”를 얻을 수 있다. 이를 기초로, 제3 대화 내용은 “영화D”와 “프랑스 단편 영화”로 계획할 수 있다. 신경망 시스템은 제3 사용자 입력과 제3 대화 목표 및 제3 대화 내용 계획의 통합 결과를 기반으로 “장삼이 주인공인 프랑스 단편 영화D를 추천합니다”를 응답으로 생성한다.
이를 기초로，일부 실시예에 따르면, 상기 사용자 입력에 대해 상기 작업 메모리 정보를 업데이트하지 않은 경우, 상기 연관성이 가장 높은 노드가 여전히 소정의 표준(예를 들면, 각 후보 응답 내용의 점수가 모두 소정의 임계 값에 도달하지 못함)을 충족시킬 수 없다는 것에 대한 응답으로, 장기 메모리 정보를 다시 조회하여 상기 작업 메모리를 업데이트하므로, 채팅 포인트를 적극적으로 추천 또는 치환하여, 어색한 채팅을 방지할 수 있다.
본 공개의 다른 측면에 따르면, 전자 장치를 더 제공하고, 상기 전자 장치는, 프로세서; 및 프로그램이 저장된 메모리를 포함하고, 상기 프로그램은 명령을 포함하며, 상기 명령이 상기 프로세서에 의해 실행되면 상기 프로세서가 상술한 방법에 따라 실행하도록 한다.
본 공개의 다른 하나의 측면에 따르면, 프로그램이 저장되는 컴퓨터 판독가능 저장매체를 제공하고, 상기 프로그램은 명령을 포함하고, 상기 명령이 전자 장치의 프로세서에 의해 실행되면 상기 전자 장치가 상술한 방법에 따라 실행하도록 한다.
도 7을 참고하여, 컴퓨팅 장치(2000)를 설명하며, 본 공개의 각 측면에 적용될 수 있는 하드웨어 장치(전자 장치)의 예시이다. 컴퓨팅 장치(2000)는 처리 및/또는 계산을 실행할 수 있는 임의의 장치일 수 있고, 위크스테이션, 서버, 데스크톱 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 개인 정보 단말기, 로봇, 스마트폰, 차량 탑재 컴퓨터 또는 이들의 임의의 조합일 수 있으나 이에 한정되지 않는다. 상기 방법은 컴퓨팅 장치(2000) 또는 유사 장치 또는 시스템에 의해 각각 완전히 또는 적어도 부분적으로 실현될 수 있다.
컴퓨팅 장치(2000)는 (하나 이상의 인터페이스를 통해) 버스(2002)에 연결되거나 버스(2002)와 통신할 수 있는 소자를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(2000)는 버스(2002), 하나 이상의 프로세서(2004), 하나 이상의 입력 장치(2006) 및 하나 이상의 출력 장치(2008)를 포함할 수 있다. 하나 이상의 프로세서(2004)는 임의의 유형의 프로세서일 수 있으며, 하나 이상의 범용 프로세서 및/또는 하나 이상의 전용 프로세서(예를 들어 특수 처리 칩)를 포함할 수 있으나 이에 한정되지 않는다. 입력 장치(2006)는 컴퓨팅 장치(2000)에 정보를 입력할 수 있는 임의의 유형의 장치일 수 있고, 마우스, 키보드, 터치 스크린, 마이크 및/또는 리모컨을 포함할 수 있으나 이에 한정되지 않는다. 출력 장치(2008)는 정보를 나타낼 수 있는 임의의 유형의 장치일 수 있으며, 디스플레이, 스피커, 비디오/오디오 출력 단말기, 진동기 및/또는 프린터를 포함할 수 있으나 이에 한정되지 않는다. 컴퓨팅 장치(2000)는 비일시적 저장 장치(2010)를 더 포함하고, 비일시적 저장 장치는 비일시적이고 데이터 저장을 구현할 수 있는 임의의 저장 장치일 수 있다. 비일시적 저장 장치는 디스크 드라이버, 광학 저장 장치, 고체 메모리, 플로피 디스크, 플렉시블 디스크, 하드 디스크, 자기 테이프 또는 임의의 다른 자기 매체, 광 디스크 또는 임의의 다른 광학 매체, ROM(롬), RAM(램), 캐시 메모리 및/또는 임의의 다른 메모리 칩 또는 박스, 및/또는 컴퓨터가 데이터, 명령 및/또는 코드를 판독할 수 있는 임의의 다른 매체를 포함할 수 있으나 이에 한정되지 않는다. 비일시적 저장 장치(2010)는 인터페이스로부터 탈착될 수 있다. 비일시적 저장 장치(2010)는 상기 방법과 단계를 구현하기 위한 데이터/프로그램(명령을 포함)/코드를 구비할 수 있다. 컴퓨팅 장치(2000)는 통신 장치(2012)를 포함할 수도 있다. 통신 장치(2012)는 외부 장치 및/또는 네트워크와 통신할 수 있는 임의의 유형의 장치 또는 시스템일 수 있으며, 모뎀, 네트워크 카드, 적외선 통신 장치, 무선 통신 장치 및/또는 칩셋, 예를 들어 블루투스 TM 장치, 1302.11 장치, WiFi 장치, WiMax 장치, 셀룰러 통신 장치 및/또는 유사물을 포함할 수 있으나 이에 한정되지 않는다.
컴퓨팅 장치(2000)는 작업 메모리(2014)를 포함할 수도 있으며, 작업 메모리(2014)는 프로세서(2004)의 작업에 유용한 프로그램(명령을 포함) 및/또는 데이터를 저장할 수 있는 임의의 유형의 작업 메모리일 수 있으며, 램 및/또는 롬 장치를 포함할 수 있으나 이에 한정되지 않는다.
소프트웨어 요소(프로그램)는 작업 메모리(2014)에 위치할 수 있으며, 운영 시스템(2016), 하나 이상의 응용 프로그램(2018), 구동 프로그램 및/또는 기타 데이터와 코드를 포함하나 이에 한정되지 않는다. 상기 방법과 단계를 실행하기 위한 명령은 하나 이상의 응용 프로그램(2018)에 포함될 수 있으며, 상기 구축방법은 각각 프로세서(2004)에 의해 하나 또는 이상의 응용 프로그램(2018)의 명령을 판독 및 실행시키는 것을 통해 구현될 수 있다.
더 구체적으로, 상기 방법에서, 단계 S101~단계 S105는 예를 들어 프로세서(2004)를 통해, 단계 S101~단계S 105의 명령을 구비한 응용 프로그램(2018)을 실행시킴으로써 구현될 수 있다. 또한, 상기 방법에서 다른 단계는 예를 들어 프로세서(2004)를 통해, 상응한 단계를 실행하는 명령을 구비한 응용 프로그램(2018)을 실행시킴으로써 구현될 수 있다. 소프트웨어 요소(프로그램)의 명령의 실행 가능한 코드 또는 소스 코드는 비일시적 컴퓨터 판독가능 저장매체(예를 들어 상기 저장 기기(2010))에 저장될 수 있으며, 실행 시에는 작업 메모리(2014)에 저장될 수 있다(컴파일 및/또는 설치될 수 있다). 소프트웨어 요소(프로그램)의 명령의 실행 가능한 코드 또는 소스 코드는 원거리 위치로부터 다운로드될 수도 있다.
또한, 구체적인 요구에 따라 다양하게 변형할 수 있음을 이해해야 한다. 예를 들어, 주문형 하드웨어를 사용할 수도 있고, 또한/또는 하드웨어, 소프트웨어, 펌웨어, 미들웨어, 마이크로 코드, 하드웨어 설명 언어 또는 이들의 임의의 조합을 이용하여 특정 소자를 구현할 수 있다. 예를 들어, 공개된 방법과 기기 중의 일부 또는 전체는 본 공개에 따른 로직과 알고리즘을 통해, 어셈블리 언어 또는 하드웨어 프로그래밍 언어(예컨대 VERILOG, VHDL, C ++)를 이용하여 하드웨어(예를 들어, 필드 프로그래머블 게이트 어레이(FPGA) 및/또는 프로그래머블 로직 어레이(PLA)를 포함하는 프로그래머블 로직 회로)를 이용하여 프로그래밍하여 구현할 수 있다.
상술한 방법은 서버-클라이언트 모드를 이용하여 구현할 수 있음을 이해해야 한다. 예를 들어, 클라이언트는 유저가 입력한 데이터를 수신하고 상기 데이터를 서버에 송신할 수 있다. 클라이언트는 유저가 입력한 데이터를 수신하여, 상술한 방법 중의 일부를 처리하고 처리하여 획득한 데이터를 서버에 송신할 수도 있다. 서버는 클라이언트로부터 데이터를 수신하여, 상술한 방법 또는 상술한 방법 중의 다른 부분을 실행하고, 실행 결과를 클라이언트에 피드백할 수 있다. 클라이언트는 서버로부터 방법의 실행 결과를 수신할 수 있으며, 또한 예를 들어 출력 기기를 통해 유저에게 보여줄 수 있다.
또한, 컴퓨팅 장치(2000)의 구성 요소는 클라우드 플랫폼과 같은 네트워크에 분산될 수 있음을 이해해야 한다. 예를 들어, 하나의 프로세서를 이용하여 특정 처리를 실행할 수 있으며, 이와 동시에 상기 하나의 프로세서로부터 이격된 다른 프로세서에 의해 다른 처리를 실행할 수 있다. 컴퓨팅 시스템(2000)의 다른 구성 요소도 유사하게 분포될 수 있다. 이와 같이, 컴퓨팅 장치(2000)는 다수의 위치에서 처리를 실행하는 분산형 컴퓨팅 시스템으로 해석될 수 있다.
비록, 도면을 참고하여 본 공개의 실시예 또는 예시를 설명하였으나, 상술한 방법, 시스템 및 장치는 예시적인 실시예 또는 예시일 뿐이고, 본 발명의 범위는 이들 실시예 또는 예시에 한정되지 않으며, 등록된 특허청구범위 및 그것의 균등 범위에 의해 한정된다는 것을 이해하여야 한다. 실시예 또는 예시 중의 각종 요소는 생략되거나 또는 그것의 균등 요소로 대체할 수 있다. 그리고, 본 공개에서 설명한 순서와 다른 순서로 각 단계를 실행할 수 있다. 나아가, 다양한 방식으로 실시예 또는 예시 중의 각종 요소를 조합할 수 있다. 중요한 것은 기술이 발전함에 따라, 여기서 설명한 많은 요소들은 본 공개 이후에 출현되는 균등 요소로 교체할 수 있다는 것이다.

Claims (55)

  1. 사용자 입력을 제1 입력으로 하여 신경망 시스템에 제공하는 단계;
    상기 사용자 입력을 상기 신경망 시스템과 다른 대화 제어 시스템에 제공하는 단계;
    상기 사용자 입력과 관련된 정보에 기반하여, 상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계;
    상기 대화 제어 시스템의 처리 결과를 제2 입력으로 하여 상기 신경망 시스템에 제공하는 단계; 및
    상기 신경망 시스템은 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하는 단계
    를 포함하는, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  2. 제1항에 있어서,
    상기 사용자 입력과 관련된 정보는 장기 메모리 정보 및 현재 휴먼 머신 인터랙티브 기간에만 유효한 작업 메모리 정보를 포함하는, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  3. 제2항에 있어서,
    상기 장기 메모리 정보는 노드 및 방향성 엣지를 포함하는 제1방향성 그래프 형태인 지식 정보를 포함하고, 상기 제1 방향성 그래프 중의 노드는 의미론적 내용과 논리적 제어 정보를 포함하는 구조화 데이터이며, 상기 제1 방향성 그래프 중의 방향성 엣지는 관련 노드 간의 연관 속성을 나타내는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  4. 제3항에 있어서,
    상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하는데 사용될 수 있는 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  5. 제3항에 있어서,
    상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브의 각 노드 간의 관련 정도를 결정하는데 사용될 수 있는 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  6. 제3항 내지 제5항 중 어느 한 항에 있어서,
    상기 제1 방향성 그래프 중의 각 노드는 제1 유형 노드 및 제2 유형 노드를 포함하고, 상기 제2 유형 노드의 의미론적 내용은 상기 제2 유형 노드와 관련된 제1 유형 노드의 의미론적 내용의 일부이며, 상기 제2 유형 노드의 논리적 제어 정보는, 상기 제2 유형 노드와 관련된 제1 유형 노드 아래의 상기 제2 유형 노드의 인기도, 상기 제2 유형 노드와 적어도 하나의 다른 제2 유형 노드의 연관 점프 관계, 상기 제2 유형 노드의 서브 유형 중 적어도 하나를 포함,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  7. 제6항에 있어서,
    상기 제1 방향성 그래프 중의 각 노드는 제3 유형 노드를 포함하고, 상기 제3 유형 노드 중의 의미론적 내용은 다중 모드 내용을 지원하고, 상기 제3 유형 노드의 논리적 제어 정보는 상기 제3 유형 노드와 관련된 제2 유형 노드의 정보, 상기 제3 유형 노드의 의미론적 내용을 나타내기 위한 위한 정보 중 적어도 하나를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  8. 제3항 내지 제5항중 어느 한 항에 있어서,
    상기 장기 메모리 정보는 노드 및 방향성 엣지를 포함하는 제2 방향성 그래프의 형태인 대화 라이브러리 정보를 포함하고, 상기 제2 방향성 그래프와 상기 제1 방향성 그래프는 구조가 동일한,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  9. 제3항에 있어서,
    상기 작업 메모리 정보는, 노드 및 방향성 엣지를 포함하는 제3 방향성 그래프의 형태인 정보를 포함하고, 상기 제3 방향성 그래프와 상기 제1 방향성 그래프는 구조가 동일하고, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프의 일부분인,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  10. 제9항에 있어서,
    상기 작업 메모리 정보는, 상기 제1 방향성 그래프와 상기 현재 휴먼 머신 인터랙티브와 관련된 모든 노드에서 추출한 의미론적 내용 및 논리적 제어 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  11. 제9항 또는 제10항 중 어느 한 항에 있어서,
    상기 작업 메모리 정보는 상기 현재 휴먼 머신 인터랙티브 중 이미 관련된 의미론적 내용을 표시하는데 사용되는 제1정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  12. 제11항에 있어서,
    상기 작업 메모리 정보는, 상기 이미 관련되어 있는 의미론적 내용을 처음 언급한 대화 상대를 밝히는데 사용되는 제1정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  13. 제9항 또는 제10항에 있어서,
    상기 작업 메모리 정보는, 상기 현재 휴먼 머신 인터랙티브 기간의 인터랙티브가 기록한 히스토리 데이터를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  14. 제2항 내지 제5항 중 어느 한 항에 있어서,
    상기 처리 결과는 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록 하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  15. 제14항에 있어서,
    상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계는,
    상기 사용자 입력의 의미론적 내용을 분석하는 단계; 및
    상기 사용자가 현재 휴먼 머신 인터랙티브에서 상기 사용자 입력에 대응되는 교제 의도를 분석하는 단계;
    를 포함하는, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  16. 제15항에 있어서,
    상기 사용자 입력의 의미론적 내용을 분석하는 단계는,
    상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는지 여부를 판단하는 단계; 및
    상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는데 응답하여, 상기 작업 메모리 정보에 기반하여 상기 사용자 입력을 처리하는 단계;
    를 포함하는, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  17. 제16항에 있어서,
    상기 사용자 입력을 처리하는 단계는,
    상기 작업 메모리 정보 중의 어느 하나의 노드의 정보에 기반하여, 상기 사용자 입력에 대해 관련 내용을 보충하는 단계를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  18. 제16항에 있어서,
    상기 사용자 입력이 상기 작업 메모리 정보 중의 노드에 대응되지 않은 것에 응답하여, 상기 작업 메모리 정보에서 상기 사용자 입력과 관련된 노드의 정보를 추출하여 상기 작업 메모리 정보에 저장하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  19. 제15항에 있어서,
    상술한 상기 사용자 입력의 의미론적 내용을 분석하는 단계는,
    상기 사용자 입력에 대해 중의성 해소 처리를 진행하는 단계를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  20. 제19항에 있어서,
    상술한 상기 사용자 입력에 대해 중의성 해소 처리를 진행하는 단계는,
    상기 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드 정보에 기반하여, 상기 사용자 입력 중의 중의성이 있는 적어도 일부 내용을 식별하고, 상기 적어도 일부 내용의 현재 휴먼 머신 인터랙티브 장면에서의 의미를 결정하는 단계를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  21. 제18항에 있어서,
    상술한 상기 대화 제어 시스템이 상기 사용자 입력을 처리하는 단계는,
    상기 사용자 입력의 의미론적 내용과 현재 휴먼 머신 인터랙티브 중 상기 사용자 입력에 대응하는 교제 의도에 따라, 상기 작업 메모리 정보에서 상기 사용자 입력의 관련 노드의 정보를 조회하는 단계; 및
    상기 사용자 입력과의 연관성에 따라, 조회된 상기 사용자 입력의 관련 노드에 대해 순서를 배열하되, 상기 순서 배열은 상기 관련 노드의 논리적 제어 정보에 기반하여 진행되는 단계를 더 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  22. 제21항에 있어서,
    상기 사용자 입력과의 연관성에 따라, 상기 관련 노드에 서로 다른 점수를 부여하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  23. 제21항에 있어서,
    현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하는 단계는,
    상기 순서 배열 결과에 따라, 대화 목표를 계획하고 상기 사용자 입력과의 연관성이 가장 높은 노드 정보를 계획된 대화 내용으로 선택하는 단계; 및
    상기 계획된 대화 내용 및 상기 대화 목표를 통합하여, 상기 제2 입력으로서 상기 신경망 시스템에 제공하는 단계를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  24. 제23항에 있어서,
    상기 사용자 입력에 대해 상기 작업 메모리 정보를 업데이트하지 않은 경우, 상기 연관성이 가장 높은 노드가 소정의 표준을 충족시킬 수 없다는 것에 대한 응답으로, 상기 장기 메모리 정보를 다시 조회하여 상기 작업 메모리를 업데이트하는,
    신경망에 기반한 휴먼 머신 인터랙티브 방법.
  25. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 신경망 시스템은 피어 투 피어 신경망 시스템인, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  26. 제25항에 있어서,
    상기 피어 투 피어 신경망 시스템은 인코더 및 디코더를 구비하고, 상기 인코더는 상기 사용자 입력과 이미 저장된 현재 휴먼 머신의 히스토리 인터랙티브 정보를 수신하고, 상기 디코더는 상기 제2 입력을 수신하여 상술한 상기 사용자 입력에 대한 응답을 생성하는, 신경망에 기반한 휴먼 머신 인터랙티브 방법.
  27. 신경망에 기반한 휴먼 머신 인터랙티브 장치에 있어서,
    사용자 입력을 제1 입력으로 수신하도록 구성된 신경망 시스템; 및
    상기 사용자 입력을 수신하도록 구성된 상기 신경망 시스템과 다른 대화 제어 시스템을 포함하고,
    상기 대화 제어 시스템은 추가적으로 상기 사용자 입력과 관련된 정보에 기반하여 상기 사용자 입력을 처리하고, 처리 결과를 제2 입력으로서 상기 신경망 시스템에 제공하도록 구성되고;
    상기 신경망 시스템은 추가적으로 상기 제1 입력 및 제2 입력에 기반하여 상기 사용자 입력에 대한 응답을 생성하도록 구성되는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  28. 제27항에 있어서,
    스토리지 컴퓨팅 시스템을 더 포함하고,
    상기 스토리지 컴퓨팅 시스템은 작업 메모리 모듈 및 장기 메모리 모듈을 포함하고, 상기 사용자 입력과 관련된 정보는, 상기 장기 메모리 모듈에서 추출된 장기 메모리 정보 및 상기 작업 메모리 모듈에서 추출된 현재 휴먼 머신 인터랙티브 기간에만 유효한 작업 메모리 정보를 포함하는 ,
    휴먼 머신 인터랙티브 장치.
  29. 제28항에 있어서,
    상기 장기 메모리 모듈에 의도 지식 그래프가 저장되어 있고,
    상기 의도 지식 그래프는 노드 및 방향성 엣지를 포함하는 제1 방향성 그래프의 형태인 지식 정보를 포함하고, 상기 제1 방향성 그래프 중의 노드는 의미론적 내용과 논리적 제어 정보를 포함하는 구조화 데이터이며, 상기 제1 방향성 그래프 중의 방향성 엣지는 관련 노드 간의 연관 속성을 나타내는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  30. 제29항에 있어서,
    상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브와 관련된 노드를 선별하는데 사용되는 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  31. 제29항에 있어서,
    상기 논리적 제어 정보는 현재 휴먼 머신 인터랙티브 중 각 노드 간의 연관성을 결정하는데 사용되는 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  32. 제29항 내지 제31항 중 어느 한 항에 있어서,
    상기 제1 방향성 그래프 중의 각 노드는 제1 유형 노드 및 제2 유형 노드를 포함하고, 상기 제2 유형 노드의 의미론적 내용은 상기 제2 유형 노드와 관련된 제1 유형 노드의 의미론적 내용의 일부이며, 상기 제2 유형 노드의 논리적 제어 정보는, 상기 제2 유형 노드와 관련된 제1 유형 노드 아래의 상기 제2 유형 노드의 인기도, 상기 제2 유형 노드와 적어도 하나의 다른 제2 유형 노드의 연관 점프 관계, 상기 제2 유형 노드의 서브 유형 중 적어도 하나를 포함할 수 있는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  33. 제32항에 있어서,
    상기 제1 방향성 그래프 중의 각 노드는 제3 유형 노드를 포함하고, 상기 제3 유형 노드의 의미론적 내용은 다중 모드 내용을 지원하고, 상기 제3 유형 노드의 논리적 제어 정보는 상기 제3 유형 노드와 관련된 제2 유형 노드의 정보, 상기 제3 유형 노드의 의미론적 내용을 나타내기 위한 정보 중 적어도 하나를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  34. 제29항 내지 제31항 중 어느 한 항에 있어서,
    상기 장기 메모리 모듈에는 대화 라이브러리가 저장되어 있고,
    상기 대화 라이브러리는, 노드 및 방향성 엣지를 포함하는 제2 방향성 그래프의 형태인 대화 라이브러리 정보를 포함하고, 상기 제2 방향성 그래프와 상기 제1 방향성 그래프는 구조가 동일한,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  35. 제29항에 있어서,
    상기 작업 메모리 모듈에는 작업 메모리 정보가 저장되어 있고,
    상기 작업 메모리 정보는, 노드 및 방향성 엣지를 포함하는 제3 방향성 그래프의 형태인 정보를 포함하고, 상기 제3 방향성 그래프와 상기 제1 방향성 그래프는 구조가 동일하고, 상기 제3 방향성 그래프는 상기 제1 방향성 그래프의 일부분인,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  36. 제35항에 있어서,
    상기 작업 메모리 정보는, 상기 제1 방향성 그래프와 상기 현재 휴먼 머신 인터랙티브와 관련된 모든 노드에서 추출한 의미론적 내용 및 논리적 제어 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  37. 제35항 또는 제36항에 있어서,
    상기 작업 메모리 정보는, 상기 현재 휴먼 머신 인터랙티브 중 이미 관련된 의미론적 내용을 표시 하기 위한 제1정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  38. 제37항에 있어서
    상기 작업 메모리 정보는 상기 이미 관련되어 있는 의미론적 내용을 처음 언급한 대화 상대를 밝히는데 사용되는 제2 정보를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  39. 제35항 또는 제36항에 있어서,
    상기 작업 메모리는 상기 현재 휴먼 머신 인터랙티브 기간의 인터랙티브가 기록된 히스토리 데이터를 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  40. 제28항 내지 제31항 중 어느 한 항에 있어서,
    상기 처리 결과는, 현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록 하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  41. 제40항에 있어서,
    상기 대화 제어 시스템은 대화 이해 모듈 및 대화 제어 모듈을 포함하고, 상기 대화 이해 모듈은,
    상기 사용자 입력의 의미론적 내용을 분석하고；및
    상기 사용자가 현재 휴먼 머신 인터랙티브에서 상기 사용자 입력에 대응되는 교제 의도를 분석하도록 구성되는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  42. 제41항에 있어서,
    상기 대화 이해 모듈은,
    상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는지 여부를 판단하도록 구성된 판정 서브 모듈; 및
    상기 사용자 입력이 상기 작업 메모리 정보 중의 어느 하나의 노드에 대응되는데 응답하여, 상기 작업 메모리 정보에 기반하여 상기 사용자 입력을 처리하도록 구성된, 처리 서브 모듈;
    을 포함하는, 신경망에 기반한 휴먼 머신 인터랙티브 장치.
  43. 제42항에 있어서,
    상기 처리 서브 모듈은 추가적으로, 상기 작업 메모리 정보 중의 어느 하나의 노드의 정보에 기반하여, 상기 사용자 입력에 대해 관련 내용을 보충하도록 구성되는, 신경망에 기반한 휴먼 머신 인터랙티브 장치.
  44. 제42항 있어서,
    상기 대화 이해 모듈은 추가적으로 상기 사용자 입력이 상기 작업 메모리 정보 중의 노드에 대응될 수 없다는 것에 응답하여, 상기 장기 메모리 모듈에서 상기 사용자 입력과 관련된 노드 정보를 추출하여 상기 작업 메모리 모듈에 저장하도록 구성되는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  45. 제41항에 있어서,
    상기 대화 이해 모듈은,
    상기 사용자 입력에 대해 중의성 해소 처리를 진행하도록 구성되는 중의성 해소 서브 모듈을 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  46. 제45항에 있어서,
    상기 중의성 해소 서브 모듈은 추가적으로, 상기 사용자 입력과 상기 작업 메모리 정보 중 현재 휴먼 머신 인터랙티브와 관련된 노드 정보에 기반하여, 상기 사용자 입력 중의 중의성이 있는 적어도 일부 내용을 식별하고 상기 적어도 일부 내용의 현재 휴먼 머신 인터랙티브 장면에서의 의미를 결정하는, 신경망에 기반한 휴먼 머신 인터랙티브 장치.
  47. 제44항에 있어서,
    상기 대화 이해 모듈은,
    상기 사용자 입력의 의미론적 내용과 현재 휴먼 머신 인터랙티브 중 상기 사용자 입력에 대응하는 교제 의도에 따라, 상기 작업 메모리 정보에서 상기 사용자 입력의 관련 노드의 정보를 조회하는, 조회 서브 모듈; 및
    상기 사용자 입력과의 연관성에 따라, 조회된 상기 사용자 입력의 관련 노드에 대해 순서를 배열하도록 하고, 상기 관련 노드의 논리적 제어 정보에 기반하여 순서 배열을 진행하도록 구성된, 순서 배열 서브 모듈;을 포함하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  48. 제47항에 있어서,
    상기 대화 이해 모듈은, 추가적으로, 상기 사용자 입력과 관련된 연관성에 따라, 상기 관련 노드에 서로 다른 점수를 부여하도록 구성되는, 신경망에 기반한 휴먼 머신 인터랙티브 장치.
  49. 제47항에 있어서,
    상기 대화 제어 모듈은,
    현재 휴먼 머신 인터랙티브의 장면에서 상기 사용자 입력에 대해 응답 계획을 진행하도록,
    상기 순서 배열 결과에 따라, 대화 목표를 계획하고 상기 사용자 입력과의 연관성이 가장 높은 노드 정보를 계획된 대화 내용으로 선택하는 동작; 및
    상기 계획된 대화 내용 및 상기 대화 목표를 통합하여, 상기 제2 입력으로서 상기 신경망 시스템에 제공하는 동작;
    을 실행하도록 구성되는, 신경망에 기반한 휴먼 머신 인터랙티브 장치.
  50. 제49항에 있어서,
    상기 대화 이해 모듈은 추가적으로,
    상기 사용자 입력에 대해 상기 작업 메모리 정보를 업데이트하지 않은 경우, 상기 연관성이 가장 높은 노드가 여전히 소정의 표준을 충족시킬 수 없다는 것에 대한 응답으로, 상기 장기 메모리 정보를 다시 조회하여 상기 작업 메모리를 업데이트하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  51. 제27항 내지 제31항 중 어느 한 항에 있어서,
    상기 신경망 시스템은 피어 투 피어 신경망 시스템인,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  52. 제51항에 있어서,
    상기 피어 투 피어 신경망 시스템은 인코더 및 디코더를 구비하고, 상기 인코더는 상기 사용자 입력과 이미 저장된 현재 휴먼 머신의 히스토리 인터랙티브 정보를 수신하고, 상기 디코더는 상기 제2 입력을 수신하여 상술한 상기 사용자 입력에 대한 응답을 생성하는,
    신경망에 기반한 휴먼 머신 인터랙티브 장치.
  53. 전자 장치에 있어서,
    프로세서; 및
    프로그램이 저장된 메모리를 포함하며,
    상기 프로그램은 명령을 포함하고, 상기 명령이 상기 프로세서에 의해 실행되면 상기 프로세서가 제1항 내지 제26항 중 어느 한 항에 따른 방법을 실행하도록 하는, 전자 장치.
  54. 프로그램이 저장되는 컴퓨터 판독가능 저장매체에 있어서,
    상기 프로그램은 명령을 포함하고, 상기 명령이 전자 장치의 프로세서에 의해 실행되면 상기 전자 장치가 제1항 내지 제26항 중 어느 한 항에 따른 방법을 실행하도록 하는,
    컴퓨터 판독가능 저장매체.
  55. 컴퓨터 판독가능 저장매체에 저장되는 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 명령을 포함하고, 상기 명령이 적어도 하나의 프로세서에 의해 실행되면 제1항 내지 제26항 중 어느 한 항에 따른 방법이 구현되는, 컴퓨터 프로그램.
KR1020210032086A 2020-08-07 2021-03-11 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체 KR20220018886A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010786352.XA CN111737441B (zh) 2020-08-07 2020-08-07 基于神经网络的人机交互方法、装置和介质
CN202010786352.X 2020-08-07

Publications (1)

Publication Number Publication Date
KR20220018886A true KR20220018886A (ko) 2022-02-15

Family

ID=72658073

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210032086A KR20220018886A (ko) 2020-08-07 2021-03-11 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체

Country Status (5)

Country Link
US (1) US20210234814A1 (ko)
EP (1) EP3822814A3 (ko)
JP (1) JP7204801B2 (ko)
KR (1) KR20220018886A (ko)
CN (1) CN111737441B (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506639A (zh) * 2021-03-23 2021-10-15 崔剑虹 基于大数据的智慧医疗主题交互方法及系统
CN113254617B (zh) * 2021-06-11 2021-10-22 成都晓多科技有限公司 基于预训练语言模型和编码器的消息意图识别方法及系统
CN113688220B (zh) * 2021-09-02 2022-05-24 国家电网有限公司客户服务中心 一种基于语义理解的文本机器人对话方法及系统
CN115563262B (zh) * 2022-11-10 2023-03-24 深圳市人马互动科技有限公司 机器语音外呼场景中对话数据的处理方法及相关装置
CN117332823B (zh) * 2023-11-28 2024-03-05 浪潮电子信息产业股份有限公司 目标内容自动生成方法、装置、电子设备及可读存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090204391A1 (en) * 2008-02-12 2009-08-13 Aruze Gaming America, Inc. Gaming machine with conversation engine for interactive gaming through dialog with player and playing method thereof
US10210453B2 (en) * 2015-08-17 2019-02-19 Adobe Inc. Behavioral prediction for targeted end users
JP6929539B2 (ja) * 2016-10-07 2021-09-01 国立研究開発法人情報通信研究機構 ノン・ファクトイド型質問応答システム及び方法並びにそのためのコンピュータプログラム
US10713289B1 (en) * 2017-03-31 2020-07-14 Amazon Technologies, Inc. Question answering system
KR102339819B1 (ko) * 2017-04-05 2021-12-15 삼성전자주식회사 프레임워크를 이용한 자연어 표현 생성 방법 및 장치
CN108763495B (zh) * 2018-05-30 2019-09-20 苏州思必驰信息科技有限公司 人机对话方法、系统、电子设备及存储介质
CN109033223B (zh) * 2018-06-29 2021-09-07 北京百度网讯科技有限公司 用于跨类型对话的方法、装置、设备以及计算机可读存储介质
US10909970B2 (en) * 2018-09-19 2021-02-02 Adobe Inc. Utilizing a dynamic memory network to track digital dialog states and generate responses
US11568234B2 (en) * 2018-11-15 2023-01-31 International Business Machines Corporation Training a neural network based on temporal changes in answers to factoid questions
WO2020117028A1 (ko) * 2018-12-07 2020-06-11 서울대학교 산학협력단 질의 응답 장치 및 방법
CN110399460A (zh) 2019-07-19 2019-11-01 腾讯科技（深圳）有限公司 对话处理方法、装置、设备及存储介质
CN110674281B (zh) * 2019-12-05 2020-05-29 北京百度网讯科技有限公司 人机对话及人机对话模型获取方法、装置及存储介质
CN111191016B (zh) 2019-12-27 2023-06-02 车智互联（北京）科技有限公司 一种多轮对话处理方法、装置及计算设备

Also Published As

Publication number Publication date
US20210234814A1 (en) 2021-07-29
JP7204801B2 (ja) 2023-01-16
EP3822814A3 (en) 2021-08-18
CN111737441A (zh) 2020-10-02
CN111737441B (zh) 2020-11-24
JP2022031109A (ja) 2022-02-18
EP3822814A2 (en) 2021-05-19

Similar Documents

Publication Publication Date Title
US11966986B2 (en) Multimodal entity and coreference resolution for assistant systems
CN110121706B (zh) 提供会话中的响应
CN107943998B (zh) 一种基于知识图谱的人机对话控制系统及方法
KR20220018886A (ko) 신경망에 기반한 휴먼 머신 인터랙티브 방법, 장치 및 매체
CN110288985B (zh) 语音数据处理方法、装置、电子设备及存储介质
US11704501B2 (en) Providing a response in a session
WO2018227462A1 (en) Method and apparatus for intelligent automated chatting
WO2017217507A1 (ja) コミュニケーションを支援する人工知能システム
US11250839B2 (en) Natural language processing models for conversational computing
CN110209897B (zh) 智能对话方法、装置、存储介质及设备
US20160379106A1 (en) Human-computer intelligence chatting method and device based on artificial intelligence
US20230401170A1 (en) Exploration of User Memories in Multi-turn Dialogs for Assistant Systems
CN118103834A (zh) 一种信息获取方法以及装置
JP7488871B2 (ja) 対話推薦方法、装置、電子機器、記憶媒体ならびにコンピュータプログラム
CN115114395B (zh) 内容检索及模型训练方法、装置、电子设备和存储介质
Jeong et al. Improving response capability of chatbot using twitter
TW202301081A (zh) 輔助系統之基於真實世界文字偵測的任務執行
JP6831522B2 (ja) コミュニケーションシステム
TW202301080A (zh) 輔助系統的多裝置調解
US20240054156A1 (en) Personalized Labeling for User Memory Exploration for Assistant Systems
CN114970494A (zh) 一种评论生成方法、装置、电子设备和存储介质
US20210065407A1 (en) Context aware dynamic image augmentation
US20240037339A1 (en) Domain-specific named entity recognition via graph neural networks
US20230353652A1 (en) Presenting Personalized Content during Idle Time for Assistant Systems
Rawat Text favorability analysis on social network through deep learning