CN110347817A - 智能应答方法及装置、存储介质、电子设备 - Google Patents
智能应答方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN110347817A CN110347817A CN201910637337.6A CN201910637337A CN110347817A CN 110347817 A CN110347817 A CN 110347817A CN 201910637337 A CN201910637337 A CN 201910637337A CN 110347817 A CN110347817 A CN 110347817A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- behavior
- attribute
- behavioural
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例是关于一种智能应答方法及装置、存储介质、电子设备,属于人工智能技术领域,该方法包括:接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。本发明实施例提高了应答信息的生成数量同时提高了应答信息的准确率。
Description
技术领域
本发明实施例涉及人工智能技术领域,具体而言,涉及一种智能应答方法、智能应答装置、计算机可读存储介质以及电子设备。
背景技术
自从seq2seq框架提出后,即被广泛用于对话生成。Seq2seq即对用户的输入进行编码,然后将编码的中间表示传入到解码端进行生成输出。但是,seq2seq框架容易生成通用的以及不一致的回复。其中,通用性的一般是指回复的内容没有信息量,例如“哈哈哈”以及“我也是”之类的;不一致性是指对于相同的问题,机器人可能两次回复相互矛盾的答案,例如对于“你多大了”,不同时间的回复可能输出“我16了”和“我18了”两种。因此,如何提升回复生成的多样性以及一致性成了需要解决的问题。
在研究多样性和一致性的过程中,大家逐渐希望对话机器人是个性化的,也就是大家可以设定机器人自己的性格,年龄,爱好,职业等,并且生成的回复是符合机器人个性的。在现有的对于个性化信息的建模生成中,大多数是基于模板的方式。例如,一般给定机器人的个性设定,人为的写好一些问答模板,然后对用户的输入每次进行模板匹配,达到一定阈值就返回写好的模板答案。
但是,上述方式存在如下缺陷:一方面,由于是通过模板进行问答,因此可以回复的答案的数量较少,并且会由于人为的原因造成匹配的准确率较低进而导致会话的准确率较低;另一方面,随着用户个性化程度的提高,上述方法会消耗大量的人力资源,并且较为耗时。
因此,需要提供一种新的智能应答方法及装置。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种智能应答方法、智能应答装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的会话的准确率较低的问题。
根据本公开的一个方面,提供一种智能应答方法,包括:
接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;
从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;
将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
在本公开的一种示例性实施例中,从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息之前,所述智能应答方法还包括:
对所述第一用户的日常行为数据进行分类,并为每个类别的日常行为数据添加包括状态属性的目标行为数据;
根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表。
在本公开的一种示例性实施例中,所述状态属性包括关键字以及与所述关键字对应的属性值。
在本公开的一种示例性实施例中,根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表包括:
按照预设规则对第二预设时间段进行划分,得到多个所述第一预设时间段;
根据所述目标行为数据所属的第一预设时间段,将所述目标行为数据填充至预设时间段中。
在本公开的一种示例性实施例中,在从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息之后,所述智能应答方法还包括:
对所述第一用户的目标行为数据的状态属性进行抽样得到第一抽样结果,并根据所述第一抽样结果确定所述第一用户的关键字以及与所述关键字对应的属性值;
根据所述第一用户的关键字以及与所述关键字对应的属性值,确定所述第一用户的个性化行为信息集合。
在本公开的一种示例性实施例中,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息以及所述第一用户的个性化行为信息集合输入到行为感知对话模型中,生成应答信息。
在本公开的一种示例性实施例中,所述智能应答方法还包括:
在被抽样的目标行为数据所属的第一预设时间段中进行再次和/或多次抽样得到一个或者多个第二抽样结果;
根据所述第二抽样结果确定与所述第一用户对应的第二用户的关键字以及与所述关键字对应的属性值;
根据所述第二用户的关键字以及与所述关键字对应的属性值,确定所述第二用户的个性化行为信息集合。
在本公开的一种示例性实施例中,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息、所述第一用户的个性化行为信息以及所述第二用户的个性化行为信息输入到行为感知对话模型中,生成所述第一用户与所述第二用户之间的应答信息。
根据本公开的一个方面,提供一种智能应答装置,包括:
信息接收模块,用于接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;
信息获取模块,用于从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;
信息生成模块,用于将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一实施例所述的智能应答方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一实施例所述的智能应答方法。
本发明实施例一种智能应答方法及装置,一方面,通过接收第一用户输入的对话交互信息,并获取与第一用户对应的历史会话信息;再从预设时间行为表中获取与对话交互信息生成的当前时间信息对应的行为信息以及与行为信息对应的属性信息;最后将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息;解决了现有技术中需要通过人工写好问答模板,进而导致需要消耗大量的人力资源,并且较为耗时的问题;另一方面,通过将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息,解决了现有技术中由于是通过模板进行问答,因此可以回复的答案的数量较少,并且会由于人为的原因造成匹配的准确率较低进而导致会话的准确率较低的问题,提高了应答信息的生成数量同时提高了应答信息的准确率;再一方面,通过将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息,提升了应答信息的个性化,同时也提升了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出根据本发明示例实施例的一种智能应答方法的流程图。
图2示意性示出根据本发明示例实施例的一种根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表的方法流程图。
图3示意性示出根据本发明示例实施例的另一种智能应答方法的流程图。
图4示意性示出根据本发明示例实施例的另一种智能应答方法的流程图。
图5示意性示出根据本发明示例实施例的一种智能应答装置的框图。
图6示意性示出根据本发明示例实施例的一种用于实现上述智能应答方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在一种从seq2seq框架的通用性回复方案中,一般是指回复的内容没有信息量,例如“哈哈哈”,“我也是”之类的,不一致性是指对于相同的问题,机器人可能两次回复相互矛盾的答案,例如对于“你多大了”,不同时间的回复可能输出“我16了”和“我18了”两种,所以越来越多的人开始研究提升回复生成的多样性,一致性。由于seq2seq框架容易生成通用的,不一致的回复,因此如何生成多样性的以及前后一致性的回复成了亟需解决的问题。
在研究多样性和一致性的过程中,大多数用户逐渐希望对话机器人是个性化的。也就是说,用户可以设定机器人自己的性格,年龄,爱好,职业等,并且生成的回复是符合机器人个性的。个性化的生成发展经历了从一开始的只对人物的嵌入式编码,到探究符合结构化人设表(姓名,年龄,地点等)的回复,再到一些符合日常的个性信息(“喜欢喝茶”,“骑车去学校之类的设定”)描述的回复。
但是人的平时聊天时,更关注于对方当前时刻的行为信息,并且每个人不同时间的行为都是各种各样的,所以建立一个更符合日常行为活动的聊天机器人是有意义和有必要的。
而对于个性化信息的建模生成,主要有以下几种形式:一种是,基于模板的方式。一般给定机器人的个性设定,人为的写好一些问答模板,然后对用户的输入每次进行模板匹配,达到一定阈值就返回写好的模板答案。另一种是,将不同的个体做嵌入式编码,隐式的加入到对话生成中。即用不同的嵌入向量表示代表不同的用户,然后在解码端将这个向量和解码端词向量拼接,再送到解码模块中,然后训练,并期望该用户嵌入向量能影响和改变对话生成的结果。再一种是,给定机器人的个性设置,给出能符合设定的回复。例如给定机器人的姓名,年龄,地点等,机器人回复与设定相关的问题。目前的技术有尝试对生成的时候进行判断,需要用机器人的个性信息的时候则用个性信息去指导生成。并且,给定机器人的个性的描述,需要其生成能符合该描述设定的答案。如ConvAI2的比赛Facebook的数据集,两个玩家有自己长期的,确定的个性化信息,双方根据个性化的信息进行聊天。通过这样的数据让模型去学习如何在生成的时候用到个性化信息。比较好的模型分别将个性化信息和历史对话进行编码,然后在解码端解码。
但是,上述方法存在如下缺陷:一方面,基于模板的方法,必须要有人为写好的语料,并且回复模板都是写好的,所以回复空间很小;另外,一旦个性化的信息变得较为复杂,基于模板的方法就很耗人力,而且匹配错误会有一定上升。另一方面,目前对个性化的探索都是建立在一些长期的个性化信息,但是在实际的聊天中,我们经常聊双方的行为状态,而且不同的时间行为状态是变化的。而很少去聊关于身份设定相关的内容,所以将动态可变的行为状态作为机器人的个性化信息的研究是有必要的。再一方面,目前个性化机器人的个性化信息可以是结构化或者非结构化的信息,并且针对结构化和非结构的个性化信息处理是不同的,如何统一结构化和非结构化个性化信息在模型中也是需要研究的。
本示例实施方式中首先提供了一种智能应答方法,该方法可以运行于智能机器人终端;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该智能应答方法可以包括以下步骤:
步骤S110.接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息。
步骤S120.从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息。
步骤S130.将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
上述智能应答方法中,一方面,通过接收第一用户输入的对话交互信息,并获取与第一用户对应的历史会话信息;再从预设时间行为表中获取与对话交互信息生成的当前时间信息对应的行为信息以及与行为信息对应的属性信息;最后将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息;解决了现有技术中需要通过人工写好问答模板,进而导致需要消耗大量的人力资源,并且较为耗时的问题;另一方面,通过将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息,解决了现有技术中由于是通过模板进行问答,因此可以回复的答案的数量较少,并且会由于人为的原因造成匹配的准确率较低进而导致会话的准确率较低的问题,提高了应答信息的生成数量同时提高了应答信息的准确率;再一方面,通过将对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息,提升了应答信息的个性化,同时也提升了用户体验。
下面,将结合附图对本示例实施例中上述智能应答方法中的各步骤进行详细的解释以及说明。
在步骤S110中,接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息。
在本示例实施例中,第一用户(此处以第一用户为P1进行举例说明)可以与智能机器人进行语音交互,当智能机器人接收到第一用户输入的对话交互信息(语音信息)后,可以启动内部的NLP(Natural Language Processing,自然语言处理)模块对对话交互信息进行解析,并根据解析结果获取与该第一用户对应的历史会话信息。其中,该解析结果可以包括第一用户的会话意图(例如是需要会话机器人回答的问题等等),还可以包括该第一用户的声音信息等等;具体的,可以通过该声音信息与历史已有的声音信息进行匹配,当匹配的阈值达到预设阈值后,则可以将该历史已有的声音信息对应的会话信息作为该第一用户的历史会话信息。
在步骤S120中,从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息。
在本示例实施例中,为了可以便于从预设时间行为表中获取行为信息以及属性信息,首先需要对预设时间行为表进行构建。具体的,首先,对所述第一用户的日常行为数据进行分类,并为每个类别的日常行为数据添加包括状态属性的目标行为数据;其次,根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表。其中,所述状态属性包括关键字以及与所述关键字对应的属性值。
譬如,首先,定义日常行为一级分类。具体的,可以将日常行为划分为以下八个类别,例如:美食、逛街、运动、出游、演出、娱乐游戏、日常以及学习工作等等,再将每个具体的行为都将归属到这八类中的一类里。然后,设计每类中的行为集合。具体的,对于上述八个类别中的每一个类别,都可以罗列了常见的行为活动,比如美食下面有吃火锅、吃甜品、聚餐,逛街下面有逛超市、逛商场、逛花市等。进一步的,还需要设计每个行为的状态属性。譬如,针对上述行为,可以设计它们的适用时间(早上-A,中午-B,晚上-C),每个行为的具体状态信息的属性和值集合。具体可以如下表1所示。
表1
进一步的,当得到上述预设时间行为表以后,可以从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息。例如,当对话信息生成的当前时间信息为14点时,可以获取与该时间信息对应的行为信息:吃饭;以及与该行为信息对应的属性信息:来源:食堂,食物:家常菜,味道:一般,同伴:朋友等等。
在步骤S130中,将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
在本示例实施例中,例如,根据对话交互信息得到的会话意图为:中午吃什么?历史会话信息为:中午去食堂吃米饭;则生成的应答信息例如可以为:中去去食堂吃家常菜,主食吃米饭;或者中午去食堂吃快餐;又或者中午去XX餐厅吃饭等等,本示例对此不做特殊限制。此处需要说明的是,行为感知对话模型可以根据对话交互信息、历史会话信息、与当前时间信息对应的行为信息以及属性信息生成一个或者多个应答信息。若生成多个应答信息,则可以根据历史会话信息对各应答信息的用户满意度进行评估,并根据评估值的高低对其进行排序,以供用户进行选择。
进一步的,在本示例实施例中,该智能应答方法还可以包括:对行为感知对话模型进行训练,该行为感知对话模型的输入为第一用户的个性化行为信息集合和/或第二用户的个性化行为信息集合;以及第一用户和/或第二用户的历史对话。具体的,训练过程可以包括如下两个步骤:首先,可以基于大规模的中文语料进行GPT(Generative Pre-trainedTransformer)语言模型的预训练。其中,模型有12层,嵌入向量的维度为768,dropout参数为0.1,训练时以中文字符为词汇单元,在大规模语料上训练1-2周得到预训练的模型参数。然后,对个性化行为感知的对话模型进行微调。在上述得到的参数基础上,将训练语料中输入的行为状态信息、对话历史以及需要回复的话,利用分隔符拼接在一起作为一个完整的句子送入到预训练好的语言模型里进行微调训练。训练直到损失收敛,则作为最终行为感知的对话模型。
图2示意性示出根据本发明示例实施例的一种根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表的方法流程图。参考图2所示,根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表可以包括步骤S210以及步骤S220,以下进行详细说明。
在步骤S210中,按照预设规则对第二预设时间段进行划分,得到多个所述第一预设时间段。
在步骤S220中,根据所述目标行为数据所属的第一预设时间段,将所述目标行为数据填充至预设时间段中。
以下,将对步骤S210以及步骤S220进行解释以及说明。首先,上述第二预设时间段例如可以是一天,也可以是一周或者一年,本示例对此不做特殊限制。上述预设规则例如可以是每一天的作息安排,也可以是一周的工作安排等等,本示例对此不做特殊限制。具体的,本示例以第二预设时间段为一天,预设规则为每一天的作息安排为例进行说明。
譬如,首先,将一天中的时刻进行时段划分,例如可划分为0-7,7-12,12-15,15-18,18-24得到多个第一预设时间段;然后,为每个第一预设时间段时段选择行为。譬如,可以从上述行为集合里选择合适的行为进行填充。例如在12-15时间段填入吃火锅,在15-18时间段填入逛商场等,并为每个行为选择属性值,例如吃火锅行为里地点是小肥羊,味道是有点辣,同伴是家人,服务是一般。具体可以如下表2所示。
表2
图3示意性示出根据本公开示例实施例的另一种智能应答方法的流程图。参考图3所示,该智能应答方法还可以包括步骤S310以及步骤S320,以下进行详细说明。
在步骤S310中,对所述第一用户的目标行为数据的状态属性进行抽样得到第一抽样结果,并根据所述第一抽样结果确定所述第一用户的关键字以及与所述关键字对应的属性值。
在步骤S320中,根据所述第一用户的关键字以及与所述关键字对应的属性值,确定所述第一用户的个性化行为信息集合。
以下,将对步骤S310以及步骤S320进行解释以及说明。譬如,对第一用户的目标行为数据的行为集合里的每个行为的状态属性进行抽样得到第一抽样结果,然后根据第一抽样结果确定关键字以及属性值,形成确定的第一用户的个性化行为信息的集合;譬如,关键字为地点、味道以及同伴;属性值为:海底捞、非常好吃、家人等等;因此得到第一用户在吃火锅这个类别下的个性化行为信息的集合为:地点:海底捞;味道:非常好吃;同伴:家人。
进一步的,当得到上述个性化行为信息集合以后,上述步骤S130还可以包括:将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息以及所述第一用户的个性化行为信息集合输入到行为感知对话模型中,生成应答信息。通过该方法,可以进一步的提高应答信息的个性化程度,同时也可以提高应答信息的准确率,提升用户的体验与满意度。
图4示意性示出根据本公开示例实施例的另一种智能应答方法的流程图。参考图4所示,该智能应答方法还可以包括步骤S410-步骤S430,以下进行详细说明。
在步骤S410中,在被抽样的目标行为数据所属的第一预设时间段中进行再次和/或多次抽样得到一个或者多个第二抽样结果。
在步骤S420中,根据所述第二抽样结果确定与所述第一用户对应的第二用户的关键字以及与所述关键字对应的属性值。
在步骤S430中,根据所述第二用户的关键字以及与所述关键字对应的属性值,确定所述第二用户的个性化行为信息集合。
进步的,当得到第二用户的个性化行为信息集合后,上述步骤S130还可以包括:将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息、所述第一用户的个性化行为信息以及所述第二用户的个性化行为信息输入到行为感知对话模型中,生成所述第一用户与所述第二用户之间的应答信息。具体的,生成的第一用户与第二用户之间的应答信息例如可以如下表3所示:
表3
以下,对本示例实施例提及的智能应答方法进行进一步的解释以及说明。
首先,设计用户的日常行为集合。该模块设计常见的日常活动行为集合,并对每个行为设计详细的状态背景,这些行为及它们对应的详细状态信息,就是机器人聊天时的个性化信息。
其次,时间行为表设计。对每个对话机器人可以设计其个性化的行为日程表,日程表的每个时间段的行为从日常行为集合中选取。通过这种设计更加接近于真实世界,每个机器人日程行为表都是有区分的。
然后,基于行为状态背景的对话语料搜集。在日常行为状态集合里抽样两个行为状态作为一组,然后让两个标注员分别代表一个行为状态背景,并围绕行为状态进行日常化聊天,得到与这组行为状态相符合的多轮对话语料。
进一步的,行为感知的对话模型训练。通过对搜集的行为状态的多轮对话语料进行训练,使得能够回复与当前设定的行为状态背景相符合的回复。
最后,时间行为感知的聊天机器人应用。在每个时刻,根据设计的时间行为表可以得到当前时刻机器人的个性化行为背景状态,每来一个输入,将输入和个性化的行为状态送入到训练好的模型,输出一个符合其行为状态的回复。
上述智能应答方法中,可以为对话机器人设计不同时间段的详细行为状态,并且该对话机器人可以根据当前时间的行为状态信息生成对应的回复。可以带来以下有益效果,第一,对话机器人会具有时间感知的个性化信息,不同于现有的不变的个性化信息,这些可变的、日常的行为信息会让机器人的回复动态化。第二,个性化信息的设定是根据人类生活日常的行为活动进行设计的,会更接近于真实生活,这会让机器人的回复更加拟人化,真实化。总之,本发明可以提升聊天机器人的拟人体验,使生成的回复更加接近于真实情况。
本公开还提供了一种智能应答装置。参考图5所示,该智能应答装置可以包括信息接收模块510、信息获取模块520以及信息生成模块530。其中:
信息接收模块510可以用于接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息。
信息获取模块520可以用于从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息。
信息生成模块530可以用于将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
在本公开的一种示例实施例中,从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息之前,所述智能应答方法还包括:
对所述第一用户的日常行为数据进行分类,并为每个类别的日常行为数据添加包括状态属性的目标行为数据;
根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表。
在本公开的一种示例实施例中,所述状态属性包括关键字以及与所述关键字对应的属性值。
在本公开的一种示例实施例中,根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表包括:
按照预设规则对第二预设时间段进行划分,得到多个所述第一预设时间段;
根据所述目标行为数据所属的第一预设时间段,将所述目标行为数据填充至预设时间段中。
在本公开的一种示例实施例中,所述智能应答装置还包括:
第一抽样模块,可以用于对所述第一用户的目标行为数据的状态属性进行抽样得到第一抽样结果,并根据所述第一抽样结果确定所述第一用户的关键字以及与所述关键字对应的属性值;
第一信息确定模块,可以用于根据所述第一用户的关键字以及与所述关键字对应的属性值,确定所述第一用户的个性化行为信息集合。
在本公开的一种示例实施例中,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息以及所述第一用户的个性化行为信息集合输入到行为感知对话模型中,生成应答信息。
在本公开的一种示例实施例中,所述智能应答装置还包括:
第二抽样模块,可以用于在被抽样的目标行为数据所属的第一预设时间段中进行再次和/或多次抽样得到一个或者多个第二抽样结果;
属性值确定模块,可以用于根据所述第二抽样结果确定与所述第一用户对应的第二用户的关键字以及与所述关键字对应的属性值;
第二信息确定模块,根据所述第二用户的关键字以及与所述关键字对应的属性值,确定所述第二用户的个性化行为信息集合。
在本公开的一种示例实施例中,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息、所述第一用户的个性化行为信息以及所述第二用户的个性化行为信息输入到行为感知对话模型中,生成所述第一用户与所述第二用户之间的应答信息。
上述智能应答装置中各模块的具体细节已经在对应的智能应答方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本发明中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S110:接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;步骤S120:从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;步骤S130:将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (11)
1.一种智能应答方法,其特征在于,包括:
接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;
从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;
将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
2.根据权利要求1所述的智能应答方法,其特征在于,从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息之前,所述智能应答方法还包括:
对所述第一用户的日常行为数据进行分类,并为每个类别的日常行为数据添加包括状态属性的目标行为数据;
根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表。
3.根据权利要求2所述的智能应答方法,其特征在于,所述状态属性包括关键字以及与所述关键字对应的属性值。
4.根据权利要求2所述的智能应答方法,其特征在于,根据所述目标行为数据所属的第一预设时间段,构建所述预设时间行为表包括:
按照预设规则对第二预设时间段进行划分,得到多个所述第一预设时间段;
根据所述目标行为数据所属的第一预设时间段,将所述目标行为数据填充至预设时间段中。
5.根据权利要求3所述的智能应答方法,其特征在于,在从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息之后,所述智能应答方法还包括:
对所述第一用户的目标行为数据的状态属性进行抽样得到第一抽样结果,并根据所述第一抽样结果确定所述第一用户的关键字以及与所述关键字对应的属性值;
根据所述第一用户的关键字以及与所述关键字对应的属性值,确定所述第一用户的个性化行为信息集合。
6.根据权利要求5所述的智能应答方法,其特征在于,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息以及所述第一用户的个性化行为信息集合输入到行为感知对话模型中,生成应答信息。
7.根据权利要求5所述的智能应答方法,其特征在于,所述智能应答方法还包括:
在被抽样的目标行为数据所属的第一预设时间段中进行再次和/或多次抽样得到一个或者多个第二抽样结果;
根据所述第二抽样结果确定与所述第一用户对应的第二用户的关键字以及与所述关键字对应的属性值;
根据所述第二用户的关键字以及与所述关键字对应的属性值,确定所述第二用户的个性化行为信息集合。
8.根据权利要求7所述的智能应答方法,其特征在于,将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息包括:
将对话所述对话交互信息、所述历史会话信息、与所述当前时间信息对应的行为信息、属性信息、所述第一用户的个性化行为信息以及所述第二用户的个性化行为信息输入到行为感知对话模型中,生成所述第一用户与所述第二用户之间的应答信息。
9.一种智能应答装置,其特征在于,包括:
信息接收模块,用于接收第一用户输入的对话交互信息,并获取与所述第一用户对应的历史会话信息;
信息获取模块,用于从预设时间行为表中获取与所述对话交互信息生成的当前时间信息对应的行为信息以及与所述行为信息对应的属性信息;
信息生成模块,用于将所述对话交互信息、历史会话信息、与所述当前时间信息对应的行为信息以及属性信息输入到行为感知对话模型中,生成应答信息。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的智能应答方法。
11.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的智能应答方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637337.6A CN110347817B (zh) | 2019-07-15 | 2019-07-15 | 智能应答方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637337.6A CN110347817B (zh) | 2019-07-15 | 2019-07-15 | 智能应答方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110347817A true CN110347817A (zh) | 2019-10-18 |
CN110347817B CN110347817B (zh) | 2022-03-18 |
Family
ID=68175358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910637337.6A Active CN110347817B (zh) | 2019-07-15 | 2019-07-15 | 智能应答方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110347817B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552779A (zh) * | 2020-04-28 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 人机对话方法、装置、介质及电子设备 |
CN112131367A (zh) * | 2020-09-24 | 2020-12-25 | 民生科技有限责任公司 | 自审核的人机对话方法、***及可读存储介质 |
CN112989013A (zh) * | 2021-04-30 | 2021-06-18 | 武汉龙津科技有限公司 | 一种对话处理方法、装置、电子设备及存储介质 |
CN116627261A (zh) * | 2023-07-25 | 2023-08-22 | 安徽淘云科技股份有限公司 | 交互方法、装置、存储介质和电子设备 |
CN116881429A (zh) * | 2023-09-07 | 2023-10-13 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094315A (zh) * | 2015-06-25 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机智能聊天的方法和装置 |
US20160070695A1 (en) * | 2013-08-06 | 2016-03-10 | Nuance Communications, Inc. | Method And Apparatus For A Multi I/O Modality Language Independent User-Interaction Platform |
CN105654950A (zh) * | 2016-01-28 | 2016-06-08 | 百度在线网络技术(北京)有限公司 | 自适应语音反馈方法和装置 |
CN106297789A (zh) * | 2016-08-19 | 2017-01-04 | 北京光年无限科技有限公司 | 智能机器人的个性化交互方法及交互*** |
CN107153685A (zh) * | 2017-04-25 | 2017-09-12 | 竹间智能科技(上海)有限公司 | 人机对话***中基于时间线记忆的认知方法及装置 |
CN108124008A (zh) * | 2017-12-20 | 2018-06-05 | 山东大学 | 一种智能空间环境下的老人陪护***及方法 |
WO2018175291A1 (en) * | 2017-03-20 | 2018-09-27 | Ebay Inc. | Detection of mission change in conversation |
CN109176535A (zh) * | 2018-07-16 | 2019-01-11 | 北京光年无限科技有限公司 | 基于智能机器人的交互方法及*** |
-
2019
- 2019-07-15 CN CN201910637337.6A patent/CN110347817B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160070695A1 (en) * | 2013-08-06 | 2016-03-10 | Nuance Communications, Inc. | Method And Apparatus For A Multi I/O Modality Language Independent User-Interaction Platform |
CN105094315A (zh) * | 2015-06-25 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机智能聊天的方法和装置 |
CN105654950A (zh) * | 2016-01-28 | 2016-06-08 | 百度在线网络技术(北京)有限公司 | 自适应语音反馈方法和装置 |
CN106297789A (zh) * | 2016-08-19 | 2017-01-04 | 北京光年无限科技有限公司 | 智能机器人的个性化交互方法及交互*** |
WO2018175291A1 (en) * | 2017-03-20 | 2018-09-27 | Ebay Inc. | Detection of mission change in conversation |
CN107153685A (zh) * | 2017-04-25 | 2017-09-12 | 竹间智能科技(上海)有限公司 | 人机对话***中基于时间线记忆的认知方法及装置 |
CN108124008A (zh) * | 2017-12-20 | 2018-06-05 | 山东大学 | 一种智能空间环境下的老人陪护***及方法 |
CN109176535A (zh) * | 2018-07-16 | 2019-01-11 | 北京光年无限科技有限公司 | 基于智能机器人的交互方法及*** |
Non-Patent Citations (4)
Title |
---|
DYLAN F. GLAS ETC.: "Personal service: A robot that greets people individually based on observed behavior patterns", 《 2013 8TH ACM/IEEE INTERNATIONAL CONFERENCE ON HUMAN-ROBOT INTERACTION (HRI)》 * |
LI XIAO ETC.: "The tuneup and integration of resources in Web-based learning", 《 PROCEEDINGS IEEE INTERNATIONAL CONFERENCE ON ADVANCED LEARNING TECHNOLOGIES》 * |
曾丽霞: "基于情境感知的智能穿戴设备交互设计研究——以IT白领人群的智能手环设计为例", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
高廷丽: "面向自然交互的多通道人机对话***中答句自动生成方法研究", 《第十届和谐人机环境联合学术会议论文集》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552779A (zh) * | 2020-04-28 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 人机对话方法、装置、介质及电子设备 |
CN112131367A (zh) * | 2020-09-24 | 2020-12-25 | 民生科技有限责任公司 | 自审核的人机对话方法、***及可读存储介质 |
CN112989013A (zh) * | 2021-04-30 | 2021-06-18 | 武汉龙津科技有限公司 | 一种对话处理方法、装置、电子设备及存储介质 |
CN116627261A (zh) * | 2023-07-25 | 2023-08-22 | 安徽淘云科技股份有限公司 | 交互方法、装置、存储介质和电子设备 |
CN116881429A (zh) * | 2023-09-07 | 2023-10-13 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
CN116881429B (zh) * | 2023-09-07 | 2023-12-01 | 四川蜀天信息技术有限公司 | 一种基于多租户的对话模型交互方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110347817B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347817A (zh) | 智能应答方法及装置、存储介质、电子设备 | |
US10922866B2 (en) | Multi-dimensional puppet with photorealistic movement | |
CN106448670B (zh) | 基于深度学习和强化学习的自动回复对话*** | |
CN108491514B (zh) | 对话***中提问的方法及装置、电子设备、计算机可读介质 | |
CN110347792A (zh) | 对话生成方法及装置、存储介质、电子设备 | |
CN108345692A (zh) | 一种自动问答方法和*** | |
CN105975622A (zh) | 多角色智能聊天的方法及*** | |
CN106020488A (zh) | 一种面向对话***的人机交互方法及装置 | |
CN111831798A (zh) | 信息处理方法、装置、电子设备及计算机可读存储介质 | |
CN109242164A (zh) | 优化产品路径的方法及装置、计算机存储介质、电子设备 | |
US11308312B2 (en) | System and method for reconstructing unoccupied 3D space | |
US10785489B2 (en) | System and method for visual rendering based on sparse samples with predicted motion | |
CN108280218A (zh) | 一种基于检索和生产混合问答的流程*** | |
CN110147936A (zh) | 基于情绪识别的服务评价方法、装置、存储介质 | |
CN112204565A (zh) | 用于基于视觉背景无关语法模型推断场景的***和方法 | |
Kao et al. | Model of multi-turn dialogue in emotional chatbot | |
EP4181011A1 (en) | Method of generating response using utterance and apparatus therefor | |
CN113761156A (zh) | 人机交互对话的数据处理方法、装置、介质及电子设备 | |
CN109800295A (zh) | 基于情感词典和词概率分布的情感会话生成方法 | |
CN113342948A (zh) | 一种智能问答方法及装置 | |
CN116956116A (zh) | 文本的处理方法和装置、存储介质及电子设备 | |
Huang et al. | Applied to mobile multimedia intelligent speech system interactive topic guiding model | |
CN116010899A (zh) | 多模态数据处理及预训练模型的预训练方法、电子设备 | |
CN109002498A (zh) | 人机对话方法、装置、设备及存储介质 | |
CN115378890A (zh) | 信息输入方法、装置、存储介质及计算机设备 |
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 | ||
GR01 | Patent grant |