CN106599196A - 一种人工智能对话方法及*** - Google Patents

Abstract

本发明提供了一种人工智能对话方法及***，所述人工智能对话方法，包括：获取人工智能对话***与用户的多轮对话信息；采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话对应的情境状态的转移；将所述情境状态的转移存储在所述多轮对话情境追踪模型中；根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；根据所述当前情境状态产生合适的回应语句，并回复给所述用户。这种方法充分考虑了对话过程中情境状态的转移，可以避免对话过程中语意不连贯、语塞等情况，能够提高用户体验。

Description

一种人工智能对话方法及***

技术领域

本发明涉及智能对话技术领域，具体涉及一种人工智能对话方法及***。

背景技术

当今社会已进入到了一个科技日新月异的时代。其中，一个最明显的标志是高科技产品大量涌入消费市场。它们为人们的工作，生活，交流，学习和交通带来了很大的便利和享受。另一方面，高科技产品的普及也为高科技产品自身的提升带来很大的挑战，比如，人工智能对话***。

当前的人工智能对话***大多专注于处理单循环的问答对话，并没有考虑对话话语之间情境状态的转移，无法根据对话语句之间情境状态的转移来产生机器人对话的策略。人工智能对话沟通是一系列前后文相关与多主题情境状态转换的过程，知道对话情境状态的转移对于回答机制来说是相当重要的一个依据。如果不考虑对话语句之间情境状态的转移，在对话过程中会产生对话语意不连贯、语塞等情况，进而无法提升用户与人工智能对话***进行多轮对话的次数，降低使用者的使用意愿。

发明内容

针对现有技术中的上述缺陷，本发明提供了一种人工智能对话方法及***，能够侦测对话过程中情境状态的转移，并能根据情境状态的转移推估所述人工智能对话***回应用户所面临的当前情境状态，选择符合当前情境状态的回应语句，可以提高人工智能对话***回应的准确度，以提高用户体验。

第一方面，本发明提供的一种人工智能对话方法，包括：

获取人工智能对话***与用户的多轮对话信息；

采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；

所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移；

将所述情境状态的转移存储在所述多轮对话情境追踪模型中；

根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；

根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

可选的，所述人工智能对话方法，还包括：

预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。

可选的，所述根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态，包括：

根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率；

选择所述可能几率最高的情境状态作为当前情境状态。

可选的，所述采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态，包括：

采用以下一种或多种方式的组合提取所述多轮对话信息对应的情境状态特征：

采用文字分析技术提取所述多轮对话信息对应的文本对话信息的情境状态特征；

采用语音识别技术提取所述多轮对话信息对应的语音对话信息的情境状态特征；

采用图像识别技术提取所述多轮对话信息对应的图像对话信息的情境状态特征；

根据所述情境状态特征，采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态。

可选的，所述情境状态，包括：主题、意图、情感、上下文中的一种或多种的组合。

可选的，所述根据所述当前情境状态产生合适的回应语句，并回复给所述用户，包括：

根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；

采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合预测每个所述合适的回应语句的可能几率；

选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。

第二方面，本发明提供的一种人工智能对话***，包括：

对话信息获取模块，用于获取人工智能对话***与用户的多轮对话信息；

侦测模块，用于采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；

转移确定模块，用于所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移；

存储模块，用于将所述情境状态的转移存储在所述多轮对话情境追踪模型中；

推估模块，用于根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；

回复模块，用于根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

可选的，所述***，还包括：

训练模块，用于预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。

可选的，所述推估模块，包括：

情境状态几率预测单元，用于根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率；

选择情境状态单元，用于选择所述可能几率最高的情境状态作为当前情境状态。

可选的，所述侦测模块，包括：

特征提取单元，用于采用以下一种或多种方式的组合提取所述多轮对话信息对应的情境状态特征：

采用文字分析技术提取所述多轮对话信息对应的文本对话信息的情境状态特征；

采用语音识别技术提取所述多轮对话信息对应的语音对话信息的情境状态特征；

采用图像识别技术提取所述多轮对话信息对应的图像对话信息的情境状态特征；

情境状态侦测单元，用于根据所述情境状态特征，采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态。

可选的，所述情境状态，包括：主题、意图、情感、上下文中的一种或多种的组合。

可选的，所述回复模块，包括：

回应语句选择单元，用于根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；

回应语句几率预测单元，用于采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合预测每个所述合适的回应语句的可能几率；

回复输出单元，用于选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。

由以上技术方案可知，本发明提供一种人工智能对话方法，包括：获取人工智能对话***与用户的多轮对话信息；采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话对应的情境状态的转移；将所述情境状态的转移存储在所述多轮对话情境追踪模型中；根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

通过这种方法可以侦测所述多轮对话信息对应的情境状态，确定所述多轮对话信息对应的情境状态的转移，并能够根据所述情境状态的转移推估所述人工智能对话***回应用户所面临的当前情境状态，进而能够根据所述当前情境状态选择合适的回应语句，充分考虑了对话过程中的情境状态和情境状态的转移，可以避免因为不考虑情境状态转移所引起的对话语意不连贯、语塞等情况，可以提升用户与人工智能对话***进行多轮对话的次数，能够提高用户体验和用户的使用意愿。

本发明提供的一种人工智能对话***，与上述人工智能对话方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供一种人工智能对话方法的流程图；

图2示出了本发明第二实施例提供一种人工智能对话***的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

为了便于理解，在此对本发明的整体发明构思进行说明：

本发明的执行主体是智能对话***，所述智能对话***可以安装在机器人、智能终端等载体上。本发明提供了一种人工智能对话方法及***，整体上同属于一个相同的发明构思，第一步，获取人工智能对话***与用户的多轮对话信息；第二步，采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；第三步，所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话对应的情境状态的转移；第四步，将所述情境状态的转移存储在所述多轮对话情境追踪模型中；第五步，根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；第六步，根据所述当前情境状态产生合适的回应语句，并回复给所述用户。利用本发明提供的人工智能对话方法及***，能够侦测对话过程中情境状态的转移，并能够根据情境状态的转移推估所述人工智能对话***回应用户所面临的当前情境状态，充分考虑了对话过程中情境状态的转移，这样，能够更加准确地确定所述当前情境状态，同时，可以选择符合所述当前情境状态的回应语句，能够避免对话过程中语意不连贯、语塞等情况，可以提高执行主体回应用户的准确度，进而能够提升用户与执行主体进行多轮对话的次数，可以提高使用者的使用意愿，能够提高用户体验。

本发明提供了一种人工智能对话方法及***。下面结合附图对本发明的实施例进行说明。

图1示出了本发明第一实施例所提供的一种人工智能对话方法的流程图。如图1所示，本发明第一实施例提供的一种人工智能对话方法包括以下步骤：

步骤S101：获取人工智能对话***与用户的多轮对话信息。

在本步骤中，获取人工智能对话***与用户的多轮对话信息，所述多轮对话信息包括近期一段时间内与用户多次对话信息、当前对话回合中的多次对话信息、与所述用户所有的对话信息等。所述对话信息包括：文本对话信息、语音对话信息、图像对话信息中的一种或多种的组合。例如，用户在与机器人或智能对话***对话时，输入了一张图片，还输入了一些文字信息，同时发送给了机器人或智能对话***；也可以是用户先发了一张图片，然后再输入了一些文字，是分两次进行的。所述用户可以通过机器人或者智能对话***上的话筒输入语音，使所述机器人或智能对话***获取与用户的语音对话信息。对于图像对话的获取，可以通过摄像头获取用户的面部表情、身体姿态等图像对话信息，也可以通过用户输入的图片获取图像对话信息。

步骤S102：采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态。

在本步骤之前，还包括：预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。所述多轮对话情境追踪模型包括：情境状态侦测模型、转移确定模型、当前情境状态推估模型。所述情境状态，包括：主题、意图、情感、上下文等中的一种或多种的组合。所述情境状态侦测模型根据一些对话的主题、意图、情感、上下文等中的一种或多种组合来训练的，通过采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合的方法来进行训练。所述上下文是具有代表性的话语，例如，“请你帮我”、“我错了”等话语。

在本步骤中，在采用所述情境状态侦测模型进行侦测所述多轮对话信息对应的情境状态时，需要利用所述多轮对话信息的情境状态特征来进行侦测。例如，在一段对话中出现了跑步、瑜伽、骑自行车、吃多了、体重上升等情境状态特征，则可以利用这些情境状态特征侦测出所述对话的主题是“减肥”。可以采用以下一种或多种方式的组合提取所述多轮对话信息对应的情境状态特征：采用文字分析技术提取所述多轮对话信息对应的文本对话信息的情境状态特征；采用语音识别技术提取所述多轮对话信息对应的语音对话信息的情境状态特征；采用图像识别技术提取所述多轮对话信息对应的图像对话信息的情境状态特征。然后，所述情境状态侦测模型根据所述情境状态特征分析所述多轮对话信息对应的情境状态。所述多轮对话信息可以对应一个或多个情境状态。所述情境状态侦测模型可以通过将所述情境状态特征与所述情境状态进行对应，得到所述多轮对话信息对应的情境状态；也可以采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合来侦测所述情境状态。通过这种方法侦测所述情境状态，可以综合考虑一段对话的信息，能够提高侦测情境状态的准确率。

在本步骤中，也可以直接根据所述多轮对话信息侦测所述多轮对话信息对应的情境状态。采用语音识别技术将所述多轮对话信息对应的语音对话信息转换成文字，和/或，采用图像识别技术将所述多轮对话信息对应的图像对话信息转换成文字。然后，在所述情境状态侦测模型中，所述人工智能对话***根据所述语音对应的文字、图像对应的文字、文本对应的文字中的一种或多种组合，采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合侦测所述多轮对话信息对应的情境状态。例如，在一段对话中出现了“我好胖啊，我要减肥。”、“你应该多运动。”等文字，则直接可以根据所述文字判断对话的主题是“减肥”。使用这种方法侦测情境状态，少了对情境状态特征的提取，可以提高侦测的速度，但是，由于可以分析的文字有限，不能考虑太多的信息，所述侦测情境状态的准确率没有前一种方法高。

在所述人工智能对话***中，可以采用以上两种侦测情境状态方法中的一种或两种，其都在本发明的保护范围之内。

在侦测所述情境状态的过程中，所述情感侦测模型可以根据所述情境状态、情境状态特征、文字等，采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合来优化训练所述情感侦测模型，可以使所述人工智能对话***更加了解用户，更有针对性地与用户聊天。

步骤S103：所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移。

在本步骤中，所述根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移，是在转移确定模型中进行的。所述转移确定模型也是采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合的方法来进行训练的。

其中，所述多轮对话信息对应的情境状态包括至少一个情境状态，所述情境状态的转移包括：情境状态没有发生转移、情境状态转移了两次、情境状态转移了三次等，分析所述情境状态的转移还包括分析所述情境状态是从哪个状态转移到哪个状态，进而得出所述情境状态变化的规律。通过分析所述多轮对话信息对应的情境状态，判断所述情境状态的转移。例如，在一段多轮对话中，出现了“足球”、“篮球”、“排球”等情境状态特征，侦测出所述多轮对话的主题是体育运动，在这一段对话中并没有涉及其它的主题，那么，可以判断出所述情境状态没有转移。例如，在一段对话中，出现了“足球”、“篮球”、“排球”等情境状态特征，然后，又出现了“米饭”、“小米饭”、“红薯”等情境状态特征，侦测出所述多轮对话的主题有两个，分别是体育运动和吃饭，那么，可以判断所述情境状态发生了转移，且是从体育运动到吃饭的转移。

步骤S104：将所述情境状态的转移存储在所述多轮对话情境追踪模型中。

在本步骤中，通过存储所述情境状态的转移，可以方便随后调取所述情境状态的转移，所述情境状态的转移包含用户的一些对话特征，通过对其进行存储，可以更加了解用户，同时，也可以根据所述情境状态的转移来优化训练所述转移确定模型，使所述转移确定模型的性能更好，准确度更高。

在本步骤中，还包括存储情境状态、删除情境状态、删除情境状态的转移。通过存储所述情境状态，可以将所述用户在一段时间内的情境状态都进行保存，可以用来优化训练所述情境状态追踪模型，使所述人工智能***更加了解所述用户。删除预设的一段时间内出现频率低于预设频率的所述情境状态。删除预设的一段时间内出现频率低于预设频率的所述情境状态的转移。在预设的一段时间内，如果一种或多种情境状态和/或情境状态的转移出现的频率低于预设的频率，则需要删除所述情境状态和/或情境状态的转移。通过删除所述情境状态和/或情境状态的转移，可以减小所述人工智能对话***的负荷，可以减小情境状态和/或情境状态的转移所占据的内存，可以提高所述人工智能对话***的反应速度。

步骤S105：根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态。

在本步骤中，首先，需要根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率，然后，选择所述可能几率最高的情境状态作为当前情境状态。本步骤是当前情境状态推估模型完成的。根据所述存储的所述情境状态的转移，采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合的方法来预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率，然后选择所述可能几率最高的情境状态作为当前情境状态。通过这种推估方法，可以提高预测所述当前情境状态的准确性。

例如，在一段对话中，侦测到所述对话对应的情境状态是上班、体育运动，可以通过上述方法预测所述人工智能对话***所面临的情境状态是吃饭、睡觉等情境状态的可能几率为多少，如果，所述吃饭的情境状态的可能几率高于所述睡觉的情境状态，那么，选择吃饭为当前情境状态。

其中，在选择所述可能几率最高的情境状态时，可能会出现几率相同的情境状态，这时，可以把所述几率相同的情境状态都作为当前情境状态，也可以随机给出其中一种情境状态作为当前情境状态。这都在本发明的保护范围之内。

其中，所述可能几率最高的情境状态可能与所述人工智能对话***最近的情境状态相同，那么表明所述人工智能对话***目前的情境状态没有发生转移。例如，在一段对话中，用户最后输入了“我们去打球”，侦测出当时情境状态为运动，然后根据上述预测方法预测到当前情境状态为运动的可能几率最高，所以***回复“打篮球好吗？”，在这一次对话中所述情境状态并没有发生变化。

在推估所述当前情境状态时，还可以直接根据所述多轮对话信息对应的情境状态的转移来推估当前的情境状态，不需要对所述情境状态的转移进行存储，所述推估过程与步骤S105相似。此处不再赘述。

在推估所述当前情境状态时，还可以直接根据所述多轮对话信息对应的情境状态来推估当前的情境状态，不需要利用所述情境状态的转移。可以根据所述多轮对话信息对应的情境状态，直接采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合的方法来预测所述人工智能对话***所面临的当前情境状态，也可以是根据所述多轮对话信息对应的情境状态和情境状态的转移，共同来判断当前情境状态。所述当前情境状态可以是与之前的情境状态相同，也可以是与之前的情境状态不同。这都在本发明的保护范围之内。

通过根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态，可以提高提高预测所述当前情境状态的准确性，对于所述人工智能对话***在自动转移话题时有较大帮助。例如，在一段对话中，之前的情境状态是上班和疲惫，那么，所述人工智能对话***根据上述方法选择自动转移话题时的情境状态是吃饭和睡觉。通过这种方法，在自动转移话题时，可以不会使用户觉得唐突因而失去对话的意愿。

其中，在跟用户对话时，所述情境状态也可能没有转移，那么，所述人工智能***可以在所述情境状态下进行回复，也可以自动转移话题，其都在本发明的保护范围之内。

步骤S106：根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

在本步骤中，首先，根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；然后，采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合预测每个所述合适的回应语句的可能几率；最后，选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。所述人工智能对答回应用户清单是指根据多次聊天的内容和下载的回应语句所建立的回应语句库。通过这种方法产生合适的回应语句，可以增加所述回应语句的准确性。

在本步骤中，还可以从人工智能对答回应用户清单中直接选择合适的回应语句，并回复给所述用户。这种方法回复比较快捷，并且所占用的内存小，但是比上述所述方法的准确性低。

在本步骤中，还可以采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种组合方法对文字进行组合，生成合适的回应语句，并回复给所述用户。这种方法计算量大，回复效率比较低。所述根据所述当前情境状态产生合适的回应语句，并回复给所述用户，可以采用上述三种方式中的一种或多种组合，都在本发明的保护范围之内。

其中，在所述回复给所述用户时，回复方式可以是文字、图像、语音中的一种或多种的组合，都在本发明的保护范围之内。通过使用不同回复方式进行回复，可以提高用户使用所述人工智能对话***的兴趣，能够提升用户体验。

在上述的第一实施例中，提供了一种人工智能对话方法，与之相对应的，本申请还提供一种人工智能对话***。请参考图2，其为本发明第二实施例提供的一种人工智能对话***的示意图。由于***实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的***实施例仅仅是示意性的。

本发明第二实施例提供的一种人工智能对话***，包括：

对话信息获取模块101，用于获取人工智能对话***与用户的多轮对话信息；

侦测模块102，用于采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；

转移确定模块103，用于所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移；

存储模块104，用于将所述情境状态的转移存储在所述多轮对话情境追踪模型中；

推估模块105，用于根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；

回复模块106，用于根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

在本发明提供的一个实施例中，所述***，还包括：

训练模块，用于预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。

在本发明提供的一个实施例中，所述推估模块105，包括：

情境状态几率预测单元，用于根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率；

选择情境状态单元，用于选择所述可能几率最高的情境状态作为当前情境状态。

在本发明提供的一个实施例中，所述侦测模块102，包括：

特征提取单元，用于采用以下一种或多种方式的组合提取所述多轮对话信息对应的情境状态特征：

采用文字分析技术提取所述多轮对话信息对应的文本对话信息的情境状态特征；

采用语音识别技术提取所述多轮对话信息对应的语音对话信息的情境状态特征；

采用图像识别技术提取所述多轮对话信息对应的图像对话信息的情境状态特征；

情境状态侦测单元，用于根据所述情境状态特征，采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态。

在本发明提供的一个实施例中，所述情境状态，包括：主题、意图、情感、上下文中的一种或多种的组合。

在本发明提供的一个实施例中，所述回复模块106，包括：

回应语句选择单元，用于根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；

回应语句几率预测单元，用于采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合预测每个所述合适的回应语句的可能几率；

回复输出单元，用于选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。

本发明提供的一种人工智能对话***与上述人工智能对话方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“例如”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。需要说明的是，本发明附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机机器(可以是个人计算机，服务器，或者网络机器等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种人工智能对话方法，其特征在于，包括：

获取人工智能对话***与用户的多轮对话信息；

采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；

所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移；

将所述情境状态的转移存储在所述多轮对话情境追踪模型中；

根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；

根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

2.根据权利要求1所述的人工智能对话方法，其特征在于，在采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态的步骤前，还包括：

预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。

3.根据权利要求1所述的人工智能对话方法，其特征在于，所述根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态，包括：

根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率；

选择所述可能几率最高的情境状态作为当前情境状态。

4.根据权利要求1所述的人工智能对话方法，其特征在于，所述采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态，包括：

采用以下一种或多种方式的组合提取所述多轮对话信息对应的情境状态特征：

采用文字分析技术提取所述多轮对话信息对应的文本对话信息的情境状态特征；

采用语音识别技术提取所述多轮对话信息对应的语音对话信息的情境状态特征；

采用图像识别技术提取所述多轮对话信息对应的图像对话信息的情境状态特征；

根据所述情境状态特征，采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态。

5.根据权利要求1所述的人工智能对话方法，其特征在于，所述情境状态，包括：主题、意图、情感、上下文中的一种或多种的组合。

6.根据权利要求1所述的人工智能对话方法，其特征在于，所述根据所述当前情境状态产生合适的回应语句，并回复给所述用户，包括：

根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；

采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合预测每个所述合适的回应语句的可能几率；

选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。

7.一种人工智能对话***，其特征在于，包括：

对话信息获取模块，用于获取人工智能对话***与用户的多轮对话信息；

侦测模块，用于采用预先训练的多轮对话情境追踪模型侦测所述多轮对话信息对应的情境状态；

转移确定模块，用于所述多轮对话情境追踪模型根据所述多轮对话信息对应的情境状态确定所述多轮对话信息对应的情境状态的转移；

存储模块，用于将所述情境状态的转移存储在所述多轮对话情境追踪模型中；

推估模块，用于根据所述存储的所述情境状态的转移推估所述人工智能对话***回应所述用户所面临的当前情境状态；

回复模块，用于根据所述当前情境状态产生合适的回应语句，并回复给所述用户。

8.根据权利要求7所述的人工智能对话***，其特征在于，所述***，还包括：

训练模块，用于预先采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合训练多轮对话情境追踪模型。

9.根据权利要求7所述的人工智能对话***，其特征在于，所述推估模块，包括：

情境状态几率预测单元，用于根据所述存储的所述情境状态的转移预测所述人工智能对话***回应所述用户所面临的情境状态的可能几率；

选择情境状态单元，用于选择所述可能几率最高的情境状态作为当前情境状态。

10.根据权利要求7所述的人工智能对话***，其特征在于，所述回复模块，包括：

回应语句选择单元，用于根据所述当前情境状态，从人工智能对答回应用户清单中选择至少一个合适的回应语句；

回应语句几率预测单元，用于采用统计学习算法、机器学习算法、深度学习算法、人工规则中的一种或多种的组合预测每个所述合适的回应语句的可能几率；

回复输出单元，用于选择所述可能几率最高的所述合适的回应语句，并回复给所述用户。