CN111400480B - 针对多轮对话的用户意图识别方法和装置 - Google Patents

针对多轮对话的用户意图识别方法和装置 Download PDF

Info

Publication number
CN111400480B
CN111400480B CN202010316438.6A CN202010316438A CN111400480B CN 111400480 B CN111400480 B CN 111400480B CN 202010316438 A CN202010316438 A CN 202010316438A CN 111400480 B CN111400480 B CN 111400480B
Authority
CN
China
Prior art keywords
node
current
path
nodes
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010316438.6A
Other languages
English (en)
Other versions
CN111400480A (zh
Inventor
张�杰
鄢杭
蒋亚凡
王雅芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010316438.6A priority Critical patent/CN111400480B/zh
Publication of CN111400480A publication Critical patent/CN111400480A/zh
Application granted granted Critical
Publication of CN111400480B publication Critical patent/CN111400480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/332—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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供一种针对多轮对话的用户意图识别方法和装置，基于预先建立的知识图谱进行用户意图识别，该知识图谱将各知识点要素与各标准问句关联起来，方法包括：获取当前多轮对话的至少一轮的用户文本；对至少一轮的用户文本进行编码，得到上下文嵌入向量；在知识图谱中，根据上下文嵌入向量，从根节点开始迭代搜索下一跳节点；在预定次数的迭代之后，选取目标节点；确定所述目标节点对应的要素或标准问句为用户意图识别结果。能够保证稳定的识别效果。

Description

针对多轮对话的用户意图识别方法和装置
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及针对多轮对话的用户意图识别方法和装置。
背景技术
当前，在智能客服中，由机器与用户进行对话，解答用户问题，由于用户的表达口语化，一轮对话往往无法明确用户诉求，需要机器与用户之间进行多轮对话，针对多轮对话进行用户意图识别，才能最终明确用户诉求。
在用户与机器的多轮对话过程中，针对用户描述信息不完整的情况，通常无法直接识别出符合用户意图的标准问句，仅能识别出符合用户意图的知识点要素，需要机器根据识别出的知识点要素进行引导反问，以使用户补充信息缺失的部分，最终识别出符合用户意图的标准问句；针对用户描述信息完整的情况，通常可以直接识别出符合用户意图的标准问句。
现有技术的针对多轮对话的用户意图识别方法，由于用户意图识别结果包含标准问句和知识点要素这两类，常常无法保证稳定的识别效果。
发明内容
本说明书一个或多个实施例描述了一种针对多轮对话的用户意图识别方法和装置，能够保证稳定的识别效果。
第一方面，提供了一种针对多轮对话的用户意图识别方法，所述方法基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边，方法包括：
获取当前多轮对话的至少一轮的用户文本；
对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；
在所述知识图谱中，根据所述根节点和所述上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；
针对每个所述当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；
在预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；
确定所述目标节点对应的要素或标准问句为用户意图识别结果。
在一种可能的实施方式中，所述根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，包括：
确定所述根节点与所述当前节点之间的各节点和连接边构成的搜索路径；
根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量；
根据所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量和所述上下文嵌入向量确定当前状态。
进一步地，所述根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量，包括：
将所述搜索路径中的连接边和该连接边指向的节点作为路径元素，根据所述搜索路径中各路径元素的顺序，依次确定各路径元素对应的输出向量；其中，根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量，确定当前路径元素对应的输出向量；将最后一个路径元素对应的输出向量，确定为所述搜索路径对应的路径嵌入向量。
在一种可能的实施方式中，所述根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，包括：
根据所述当前节点的各出边连接的各关联节点确定可选动作集合，利用强化学习模型，根据所述当前状态输出所述可选动作集合中的第二数目个目标动作，以及各目标动作分别对应的动作概率，将各目标动作分别作为下一跳节点，以及将各目标动作的动作概率作为对应的下一跳节点的动作概率。
进一步地，所述根节点与所述当前节点之间的各节点和连接边构成搜索路径，所述方法还包括：
在预定次数的迭代之后，基于各搜索路径对应的奖励，对所述强化学习模型进行训练。
进一步地，所述各搜索路径对应的奖励，包括：
搜索路径的尾节点到达经用户确认的目标节点，则奖励为正奖励，否则奖励为负奖励；和/或，
搜索路径经过经用户确认的关键节点，则奖励为正奖励。
在一种可能的实施方式中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，选取动作概率最大的一个下一跳节点更新为当前节点。
在一种可能的实施方式中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，第一比例选取动作概率最大的一个下一跳节点更新为当前节点,第二比例随机选取一个下一跳节点更新为当前节点。
在一种可能的实施方式中，所述目标节点为要素节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述要素节点对应的要素为用户意图识别结果；
所述方法还包括：
根据预先设定与要素对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
在一种可能的实施方式中，所述目标节点为标问节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述标问节点对应的标准问句为用户意图识别结果；
所述方法还包括：
根据预先设定与标准问句对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
进一步地，所述确定所述标问节点对应的标准问句为用户意图识别结果之后，所述方法还包括：
输出所述根节点与所述标问节点之间的各节点和连接边构成的搜索路径，以根据所述搜索路径对所述用户意图识别结果作出解释。
在一种可能的实施方式中，所述知识点要素包括：业务要素和/或诉求要素。
第二方面，提供了一种针对多轮对话的用户意图识别装置，所述装置基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边，装置包括：
获取单元，用于获取当前多轮对话的至少一轮的用户文本；
嵌入单元，用于对所述获取单元获取的至少一轮的用户文本进行编码，得到上下文嵌入向量；
第一搜索单元，用于在所述知识图谱中，根据所述根节点和所述嵌入单元得到的上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；
第二搜索单元，用于针对所述第一搜索单元得到的每个当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；
选取单元，用于在所述第二搜索单元预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；
识别单元，用于确定所述选取单元选取的目标节点对应的要素或标准问句为用户意图识别结果。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，基于预先建立的知识图谱进行用户意图识别，该知识图谱将各知识点要素与各标准问句关联起来，首先获取当前多轮对话的至少一轮的用户文本；然后对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；接着在所述知识图谱中，从根节点开始迭代搜索下一跳节点，在预定次数的迭代之后，选取目标节点；最后确定所述目标节点对应的要素或标准问句为用户意图识别结果。由上可见，本说明书实施例，根据当前多轮对话的至少一轮的用户文本，在知识图谱中搜索到代表用户意图识别节点的目标节点，能够保证稳定的识别效果，并且兼具可解释性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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它的附图。
图1为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的针对多轮对话的用户意图识别方法流程图；
图3示出根据一个实施例的强化学习模型的决策示意图；
图4示出根据一个实施例的搜索路径示意图；
图5示出根据一个实施例的针对多轮对话的用户意图识别装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及针对多轮对话的用户意图识别，用户意图识别结果可以为要素或标准问句。可以理解的是，该多轮对话可以为智能客服中用户与机器的多轮对话，其中，机器也可以称为智能体（agent）。该方法基于预先建立的知识图谱进行用户意图识别，知识图谱（knowledge graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
本说明书实施例中，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边，图1中出于简洁的目的，未示出每个节点连接到自身的连接边。
参照图1，在用户与智能体的多轮对话过程中，可以先从知识图谱中给定的初始节点出发，例如初始节点为er，根据用户文本迭代搜索下一跳节点，例如，首先搜索到与节点er具有连接边r1的节点e1，接着搜索到与节点e1具有连接边r2的节点e2，然后搜索到与节点e2具有连接边r3的节点e3，最后搜索到与节点e3具有连接边r4的节点e4，达到预定的搜索次数结束搜索，从初始节点开始搜索到的各节点和连接边形成搜索路径，搜索路径的尾节点能够代表用户的意图，将该尾节点对应的要素或标准问句返回给智能体，作为针对多轮对话的用户意图识别结果，智能体可以依据该用户意图识别结果进一步询问用户，以得到用户的确认或否认回答。
本说明书实施例中，可以得到多条搜索路径，在这多条搜索路径中找到最合适的搜索路径，将该最合适的搜索路径的尾节点对应的要素或标准问句返回给智能体，作为针对多轮对话的用户意图识别结果。
图2示出根据一个实施例的针对多轮对话的用户意图识别方法流程图，该方法可以基于图1所示的实施场景，该方法基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边。如图2所示，该实施例中针对多轮对话的用户意图识别方法包括以下步骤：步骤21，获取当前多轮对话的至少一轮的用户文本；步骤22，对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；步骤23，在所述知识图谱中，根据所述根节点和所述上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；步骤24，针对每个所述当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；步骤25，在预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；步骤26，确定所述目标节点对应的要素或标准问句为用户意图识别结果。下面描述以上各个步骤的具体执行方式。
首先在步骤21，获取当前多轮对话的至少一轮的用户文本。可以理解的是，获取的用户文本可以仅为当前轮的用户文本，或者，获取的用户文本可以不仅包括当前轮的用户文本，还包括之前轮的用户文本。
举例来说，若当前多轮对话刚进行到第一轮对话，则可以获取该第一轮对话的用户文本，例如图1中的用户文本1；若当前多轮对话进行到第二轮对话，则可以获取第一轮对话的用户文本和第二轮对话的用户文本，例如图1中的用户文本1和用户文本2；若当前多轮对话进行到第三轮对话，则可以获取第一轮对话的用户文本、第二轮对话的用户文本和第三轮对话的用户文本，例如图1中的用户文本1、用户文本2和用户文本3。
接着在步骤22，对所述至少一轮的用户文本进行编码，得到上下文嵌入向量。可以理解的是，可以采用现有的编码方式对所述至少一轮的用户文本进行编码，在此不做赘述。
在一个示例中，给定一个多轮对话，在第i轮对话中，***首先将当前轮的对话Ui以及先前的历史对话U1至Ui-1进行编码，输出上下文的嵌入向量ci。
然后在步骤23，在所述知识图谱中，根据所述根节点和所述上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点。可以理解的是，当两个节点之间具有连接边时，可以认为两个节点互为关联节点，本说明书实施例中，由于每个节点具有连接到自身的连接边，因此每个节点为其自身的关联节点。
其中，上述第一数目可以是预先设定的，例如，设定为3、5或20等。
在一个示例中，上述第一数目个下一跳节点中可以包含重复的节点，比如说根节点的各出边连接了3个节点，上述第一数目为20，则可以从上述3个节点中随机选出20个下一跳节点，也就是说，每个下一跳节点都是从上述3个节点中随机选取的，那么这20个下一跳节点中必然存在重复的节点。
再在步骤24，针对每个所述当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点。可以理解的是，该第二数目可以与前述第一数目相同，例如，第一数目和第二数目都为20；该第二数目也可以与前述第一数目不同，例如，第一数目为20，第二数目为10。
在一个示例中，所述根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，包括：
确定所述根节点与所述当前节点之间的各节点和连接边构成的搜索路径；
根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量；
根据所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量和所述上下文嵌入向量确定当前状态。
进一步地，所述根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量，包括：
将所述搜索路径中的连接边和该连接边指向的节点作为路径元素，根据所述搜索路径中各路径元素的顺序，依次确定各路径元素对应的输出向量；其中，根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量，确定当前路径元素对应的输出向量；将最后一个路径元素对应的输出向量，确定为所述搜索路径对应的路径嵌入向量。
举例来说，根节点为er，当前节点为et，从根节点出发的搜索路径依次经过连接边r1、节点e1……，连接边rt，再到当前节点，该搜索路径可以表示为（er，r1，e1…，rt，et），可以利用长短期记忆（long short-term memory，LSTM）网络编码为对应的路径嵌入向量ht。
在一个示例中，所述根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，包括：
根据所述当前节点的各出边连接的各关联节点确定可选动作集合，利用强化学习模型，根据所述当前状态输出所述可选动作集合中的第二数目个目标动作，以及各目标动作分别对应的动作概率，将各目标动作分别作为下一跳节点，以及将各目标动作的动作概率作为对应的下一跳节点的动作概率。
图3示出根据一个实施例的强化学习模型的决策示意图。参照图3，该强化学习模型也可以称为决策网络，将ht、et和ci串接，作为决策网络的输入，该决策网络将动作空间At集成并输出表示每个动作概率的策略πθ，其中，ht为搜索路径对应的路径嵌入向量，et为当前节点对应的节点嵌入向量，ci为上下文嵌入向量，ht、et和ci对应于当前状态。
其中，强化学习（reinforcement learning, RL），又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习的常见模型是标准的马尔可夫决策过程（markov decision process, MDP）。按给定条件，强化学习可分为基于模式的强化学习（model-based RL）和无模式强化学习（model-free RL），以及主动强化学习（active RL）和被动强化学习（passive RL）。强化学习的变体包括逆向强化学习、阶层强化学习和部分可观测***的强化学习。求解强化学习问题所使用的算法可分为策略搜索算法和值函数（value function）算法两类。深度学习模型可以在强化学习中得到使用，形成深度强化学习。
进一步地，所述根节点与所述当前节点之间的各节点和连接边构成搜索路径，所述方法还包括：在预定次数的迭代之后，基于各搜索路径对应的奖励，对所述强化学习模型进行训练。
图4示出根据一个实施例的搜索路径示意图。参照图4，从根节点出发，通过迭代搜索下一跳节点，可以得到预设数目条搜索路径，例如，从根节点出发，搜索到节点1、节点4和节点7共3个下一跳节点，再把节点1、节点4和节点7分别作为当前节点，继续搜索下一跳节点。其中，节点1作为当前节点时，搜索到多个下一跳节点，再从搜索到的多个下一跳节点中选取节点2作为当前节点，继续搜索下一跳节点，搜索到节点3作为节点2的下一跳节点，由此得到根节点→节点1→节点2→节点3的搜索路径。以此类推，得到根节点→节点4→节点5→节点6的搜索路径，以及，根节点→节点7→节点8→节点9的搜索路径。搜索路径中各枝干节点均具有相应的动作概率，图中仅示出各搜索路径的尾节点对应的动作概率，其中，节点3的动作概率为0.5642，节点6的动作概率为0.8264，节点9的动作概率为0.9853。
进一步地，所述各搜索路径对应的奖励，包括：
搜索路径的尾节点到达经用户确认的目标节点，则奖励为正奖励，否则奖励为负奖励；和/或，
搜索路径经过经用户确认的关键节点，则奖励为正奖励。
可以理解的是，搜索路径对应的奖励可以相当于搜索路径的尾节点对应的奖励，在确定搜索路径对应的奖励之后，可以确定搜索路径的各中间节点对应的奖励，例如，可以通过搜索路径对应的奖励乘以衰减系数的方式确定各中间节点对应的奖励。在预定次数的迭代之后，还可以基于各中间节点对应的奖励，对所述强化学习模型进行训练。
在一个示例中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，选取动作概率最大的一个下一跳节点更新为当前节点。
在另一个示例中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，第一比例选取动作概率最大的一个下一跳节点更新为当前节点,第二比例随机选取一个下一跳节点更新为当前节点。例如，预先设定上述第一比例为80%，上述第二比例为20%。
再在步骤25，在预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点。可以理解的是，在预定次数的迭代之后，不再继续搜索下一跳节点，当前节点即搜索路径的尾节点。
在一个示例中，所述目标节点为要素节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述要素节点对应的要素为用户意图识别结果；
所述方法还包括：
根据预先设定与要素对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
在另一个示例中，所述目标节点为标问节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述标问节点对应的标准问句为用户意图识别结果；
所述方法还包括：
根据预先设定与标准问句对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
可以理解的是，可以预先设定要素和标准问句对应不同的答复模板，使答复语句灵活多变，从而给用户更好的体验。
进一步地，所述确定所述标问节点对应的标准问句为用户意图识别结果之后，所述方法还包括：
输出所述根节点与所述标问节点之间的各节点和连接边构成的搜索路径，以根据所述搜索路径对所述用户意图识别结果作出解释。
最后在步骤26，确定所述目标节点对应的要素或标准问句为用户意图识别结果。可以理解的是，该要素具体为所述多轮对话所属知识领域的知识点要素。
在一个示例中，所述知识点要素包括：业务要素和/或诉求要素。
可以理解的是，在步骤26之后，若多轮对话进行到下一轮，需要再次针对多轮对话进行用户意图识别，此时，可以重复执行步骤21至步骤26，进一步地，可以对步骤21至步骤26略微调整后，再执行调整后的步骤21至步骤26，其中，上述调整包括将步骤23中的根节点替换为目标节点，也就是说，在当前轮要查找用户意图识别结果对应的节点时，可以从上一轮的目标节点开始继续进行路径搜索，就这样多轮对话每一轮的搜索中起始节点是上一轮搜索的尾节点。
本说明书实施例中，可以采用如下的方式构建知识图谱。在知识图谱中创建根节点，根节点代表大的业务类型，例如保险，获取该大的业务类型中所有的标准问句，对各标准问句进行人工标注，具体内容是标注每个标准问句对应的业务要素和诉求要素。其中，业务要素指的是该标准问句对应的分支业务的业务类别，例如相互保，诉求要素指的是用户的要求或者意图，比如退保。在知识图谱中添加各枝干节点，枝干节点包括对应于要素的要素节点和对应于标准问句的标问节点，要素节点又分为对应于业务要素的业务节点和对应于诉求要素的诉求节点。创建各关联节点之间的连接边，例如，根节点指向业务节点的连接边，根节点指向诉求节点的连接边，业务节点连接到自身的连接边，业务节点指向诉求节点的连接边，诉求节点指向标问节点的连接边，诉求节点连接到自身的连接边，诉求节点指向业务节点的连接边，业务节点指向标问节点的连接边。该知识图谱的结构中，业务节点下的结构和诉求节点下的结构较为相似，从而在用户说了不完整的信息后，路径搜索能够停留在要素节点上。具体来说，如果用户说话的信息包含了业务要素没有诉求要素，那么路径搜索会走业务节点下的分支，并希望能够停留在具体的业务节点上，并针对该业务节点进行反问；如果用户说话的信息包含了诉求要素没有业务要素，那么路径搜索会走诉求节点下的分支，并希望能够停留在具体的诉求节点上，并针对该诉求节点进行反问；如果用户说话的信息既包含诉求要素也包含业务要素，那么路径搜索会走诉求节点下的分支或者业务节点下的分支均可。
通过本说明书实施例提供的方法，基于预先建立的知识图谱进行用户意图识别，该知识图谱将各知识点要素与各标准问句关联起来，首先获取当前多轮对话的至少一轮的用户文本；然后对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；接着在所述知识图谱中，从根节点开始迭代搜索下一跳节点，在预定次数的迭代之后，选取目标节点；最后确定所述目标节点对应的要素或标准问句为用户意图识别结果。由上可见，本说明书实施例，根据当前多轮对话的至少一轮的用户文本，在知识图谱中搜索到代表用户意图识别节点的目标节点，能够保证稳定的识别效果，并且兼具可解释性。
根据另一方面的实施例，还提供一种针对多轮对话的用户意图识别装置，该装置用于执行本说明书实施例提供的针对多轮对话的用户意图识别方法，所述装置基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边。图5示出根据一个实施例的针对多轮对话的用户意图识别装置的示意性框图。如图5所示，该装置500包括：
获取单元51，用于获取当前多轮对话的至少一轮的用户文本；
嵌入单元52，用于对所述获取单元51获取的至少一轮的用户文本进行编码，得到上下文嵌入向量；
第一搜索单元53，用于在所述知识图谱中，根据所述根节点和所述嵌入单元52得到的上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；
第二搜索单元54，用于针对所述第一搜索单元53得到的每个当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；
选取单元55，用于在所述第二搜索单元54预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；
识别单元56，用于确定所述选取单元55选取的目标节点对应的要素或标准问句为用户意图识别结果。
可选地，作为一个实施例，所述第二搜索单元54具体包括：
路径确定子单元，用于确定所述根节点与所述当前节点之间的各节点和连接边构成的搜索路径；
向量确定子单元，用于根据所述路径确定子单元确定的搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量；
状态确定子单元，用于根据所述向量确定子单元确定的所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量和所述嵌入单元得到的上下文嵌入向量确定当前状态。
进一步地，所述向量确定子单元，具体用于将所述搜索路径中的连接边和该连接边指向的节点作为路径元素，根据所述搜索路径中各路径元素的顺序，依次确定各路径元素对应的输出向量；其中，根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量，确定当前路径元素对应的输出向量；将最后一个路径元素对应的输出向量，确定为所述搜索路径对应的路径嵌入向量。
可选地，作为一个实施例，所述第二搜索单元54，具体用于根据所述当前节点的各出边连接的各关联节点确定可选动作集合，利用强化学习模型，根据所述当前状态输出所述可选动作集合中的第二数目个目标动作，以及各目标动作分别对应的动作概率，将各目标动作分别作为下一跳节点，以及将各目标动作的动作概率作为对应的下一跳节点的动作概率。
进一步地，所述根节点与所述当前节点之间的各节点和连接边构成搜索路径，所述装置还包括：
训练单元，用于在所述第二搜索单元54预定次数的迭代之后，基于各搜索路径对应的奖励，对所述强化学习模型进行训练。
进一步地，所述各搜索路径对应的奖励，包括：
搜索路径的尾节点到达经用户确认的目标节点，则奖励为正奖励，否则奖励为负奖励；和/或，
搜索路径经过经用户确认的关键节点，则奖励为正奖励。
可选地，作为一个实施例，所述第二搜索单元54，具体用于根据各动作概率，选取动作概率最大的一个下一跳节点更新为当前节点。
可选地，作为一个实施例，所述第二搜索单元54，具体用于根据各动作概率，第一比例选取动作概率最大的一个下一跳节点更新为当前节点,第二比例随机选取一个下一跳节点更新为当前节点。
可选地，作为一个实施例，所述目标节点为要素节点，所述识别单元56，具体用于确定所述要素节点对应的要素为用户意图识别结果；
所述装置还包括：
第一输出单元，用于根据预先设定与要素对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
可选地，作为一个实施例，所述目标节点为标问节点，所述识别单元56，具体用于确定所述标问节点对应的标准问句为用户意图识别结果；
所述装置还包括：
第二输出单元，用于根据预先设定与标准问句对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
进一步地，所述装置还包括：
第三输出单元，用于在所述识别单元56确定所述标问节点对应的标准问句为用户意图识别结果之后，输出所述根节点与所述标问节点之间的各节点和连接边构成的搜索路径，以根据所述搜索路径对所述用户意图识别结果作出解释。
可选地，作为一个实施例，所述知识点要素包括：业务要素和/或诉求要素。
通过本说明书实施例提供的装置，基于预先建立的知识图谱进行用户意图识别，该知识图谱将各知识点要素与各标准问句关联起来，首先获取单元51获取当前多轮对话的至少一轮的用户文本；然后嵌入单元52对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；接着第一搜索单元53和第二搜索单元54依次在所述知识图谱中，从根节点开始迭代搜索下一跳节点，选取单元55在预定次数的迭代之后，选取目标节点；最后识别单元56确定所述目标节点对应的要素或标准问句为用户意图识别结果。由上可见，本说明书实施例，根据当前多轮对话的至少一轮的用户文本，在知识图谱中搜索到代表用户意图识别节点的目标节点，能够保证稳定的识别效果，并且兼具可解释性。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (26)

1.一种针对多轮对话的用户意图识别方法，所述方法基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边，所述方法包括：
获取当前多轮对话的至少一轮的用户文本；
对所述至少一轮的用户文本进行编码，得到上下文嵌入向量；
在所述知识图谱中，根据所述根节点和所述上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；
针对每个所述当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；
在预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；
确定所述目标节点对应的要素或标准问句为用户意图识别结果。
2.如权利要求1所述的方法，其中，所述根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，包括：
确定所述根节点与所述当前节点之间的各节点和连接边构成的搜索路径；
根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量；
根据所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量和所述上下文嵌入向量确定当前状态。
3.如权利要求2所述的方法，其中，所述根据所述搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量，包括：
将所述搜索路径中的连接边和该连接边指向的节点作为路径元素，根据所述搜索路径中各路径元素的顺序，依次确定各路径元素对应的输出向量；其中，根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量，确定当前路径元素对应的输出向量；将最后一个路径元素对应的输出向量，确定为所述搜索路径对应的路径嵌入向量。
4.如权利要求1所述的方法，其中，所述根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，包括：
根据所述当前节点的各出边连接的各关联节点确定可选动作集合，利用强化学习模型，根据所述当前状态输出所述可选动作集合中的第二数目个目标动作，以及各目标动作分别对应的动作概率，将各目标动作分别作为下一跳节点，以及将各目标动作的动作概率作为对应的下一跳节点的动作概率。
5.如权利要求4所述的方法，其中，所述根节点与所述当前节点之间的各节点和连接边构成搜索路径，所述方法还包括：
在预定次数的迭代之后，基于各搜索路径对应的奖励，对所述强化学习模型进行训练。
6.如权利要求5所述的方法，其中，所述各搜索路径对应的奖励，包括：
搜索路径的尾节点到达经用户确认的目标节点，则奖励为正奖励，否则奖励为负奖励；和/或，
搜索路径经过经用户确认的关键节点，则奖励为正奖励。
7.如权利要求1所述的方法，其中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，选取动作概率最大的一个下一跳节点更新为当前节点。
8.如权利要求1所述的方法，其中，所述根据各动作概率选取一个下一跳节点更新为当前节点，包括：
根据各动作概率，第一比例选取动作概率最大的一个下一跳节点更新为当前节点,第二比例随机选取一个下一跳节点更新为当前节点。
9.如权利要求1所述的方法，其中，所述目标节点为要素节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述要素节点对应的要素为用户意图识别结果；
所述方法还包括：
根据预先设定与要素对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
10.如权利要求1所述的方法，其中，所述目标节点为标问节点，所述确定所述目标节点对应的要素或标准问句为用户意图识别结果，包括：
确定所述标问节点对应的标准问句为用户意图识别结果；
所述方法还包括：
根据预先设定与标准问句对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
11.如权利要求10所述的方法，其中，所述确定所述标问节点对应的标准问句为用户意图识别结果之后，所述方法还包括：
输出所述根节点与所述标问节点之间的各节点和连接边构成的搜索路径，以根据所述搜索路径对所述用户意图识别结果作出解释。
12.如权利要求1所述的方法，其中，所述知识点要素包括：业务要素和/或诉求要素。
13.一种针对多轮对话的用户意图识别装置，所述装置基于预先建立的知识图谱进行用户意图识别，所述知识图谱包括根节点和多个类型的枝干节点，所述多个类型的枝干节点包括要素节点和标问节点，其中要素节点对应于所述多轮对话所属知识领域的知识点要素，标问节点对应于标准问句，具有关联关系的节点之间通过对应类型的有向连接边进行连接，每个节点具有连接到自身的连接边，所述装置包括：
获取单元，用于获取当前多轮对话的至少一轮的用户文本；
嵌入单元，用于对所述获取单元获取的至少一轮的用户文本进行编码，得到上下文嵌入向量；
第一搜索单元，用于在所述知识图谱中，根据所述根节点和所述嵌入单元得到的上下文嵌入向量确定初始状态，根据所述初始状态从所述根节点的各出边连接的各关联节点中搜索第一数目个下一跳节点，并将所述第一数目个下一跳节点分别更新为当前节点；
第二搜索单元，用于针对所述第一搜索单元得到的每个当前节点，执行预定次数的迭代，每次迭代包括，根据所述当前节点、所述根节点和所述上下文嵌入向量确定当前状态，根据所述当前状态从所述当前节点的各出边连接的各关联节点中搜索第二数目个下一跳节点，确定每个下一跳节点对应的各动作概率，根据各动作概率选取一个下一跳节点更新为当前节点；
选取单元，用于在所述第二搜索单元预定次数的迭代之后，选取动作概率最大的当前节点作为目标节点；
识别单元，用于确定所述选取单元选取的目标节点对应的要素或标准问句为用户意图识别结果。
14.如权利要求13所述的装置，其中，所述第二搜索单元具体包括：
路径确定子单元，用于确定所述根节点与所述当前节点之间的各节点和连接边构成的搜索路径；
向量确定子单元，用于根据所述路径确定子单元确定的搜索路径中各节点的节点嵌入向量和连接边的边嵌入向量，确定所述搜索路径对应的路径嵌入向量；
状态确定子单元，用于根据所述向量确定子单元确定的所述搜索路径对应的路径嵌入向量、所述当前节点对应的节点嵌入向量和所述嵌入单元得到的上下文嵌入向量确定当前状态。
15.如权利要求14所述的装置，其中，所述向量确定子单元，具体用于将所述搜索路径中的连接边和该连接边指向的节点作为路径元素，根据所述搜索路径中各路径元素的顺序，依次确定各路径元素对应的输出向量；其中，根据上一个路径元素对应的输出向量和当前路径元素的嵌入向量，确定当前路径元素对应的输出向量；将最后一个路径元素对应的输出向量，确定为所述搜索路径对应的路径嵌入向量。
16.如权利要求13所述的装置，其中，所述第二搜索单元，具体用于根据所述当前节点的各出边连接的各关联节点确定可选动作集合，利用强化学习模型，根据所述当前状态输出所述可选动作集合中的第二数目个目标动作，以及各目标动作分别对应的动作概率，将各目标动作分别作为下一跳节点，以及将各目标动作的动作概率作为对应的下一跳节点的动作概率。
17.如权利要求16所述的装置，其中，所述根节点与所述当前节点之间的各节点和连接边构成搜索路径，所述装置还包括：
训练单元，用于在所述第二搜索单元预定次数的迭代之后，基于各搜索路径对应的奖励，对所述强化学习模型进行训练。
18.如权利要求17所述的装置，其中，所述各搜索路径对应的奖励，包括：
搜索路径的尾节点到达经用户确认的目标节点，则奖励为正奖励，否则奖励为负奖励；和/或，
搜索路径经过经用户确认的关键节点，则奖励为正奖励。
19.如权利要求13所述的装置，其中，所述第二搜索单元，具体用于根据各动作概率，选取动作概率最大的一个下一跳节点更新为当前节点。
20.如权利要求13所述的装置，其中，所述第二搜索单元，具体用于根据各动作概率，第一比例选取动作概率最大的一个下一跳节点更新为当前节点,第二比例随机选取一个下一跳节点更新为当前节点。
21.如权利要求13所述的装置，其中，所述目标节点为要素节点，所述识别单元，具体用于确定所述要素节点对应的要素为用户意图识别结果；
所述装置还包括：
第一输出单元，用于根据预先设定与要素对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
22.如权利要求13所述的装置，其中，所述目标节点为标问节点，所述识别单元，具体用于确定所述标问节点对应的标准问句为用户意图识别结果；
所述装置还包括：
第二输出单元，用于根据预先设定与标准问句对应的答复模板输出答复语句，以在所述当前多轮对话中响应于用户。
23.如权利要求22所述的装置，其中，所述装置还包括：
第三输出单元，用于在所述识别单元确定所述标问节点对应的标准问句为用户意图识别结果之后，输出所述根节点与所述标问节点之间的各节点和连接边构成的搜索路径，以根据所述搜索路径对所述用户意图识别结果作出解释。
24.如权利要求13所述的装置，其中，所述知识点要素包括：业务要素和/或诉求要素。
25.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-12中任一项的所述的方法。
26.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-12中任一项的所述的方法。
CN202010316438.6A 2020-04-21 2020-04-21 针对多轮对话的用户意图识别方法和装置 Active CN111400480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010316438.6A CN111400480B (zh) 2020-04-21 2020-04-21 针对多轮对话的用户意图识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010316438.6A CN111400480B (zh) 2020-04-21 2020-04-21 针对多轮对话的用户意图识别方法和装置

Publications (2)

Publication Number Publication Date
CN111400480A CN111400480A (zh) 2020-07-10
CN111400480B true CN111400480B (zh) 2023-05-12

Family

ID=71435805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010316438.6A Active CN111400480B (zh) 2020-04-21 2020-04-21 针对多轮对话的用户意图识别方法和装置

Country Status (1)

Country Link
CN (1) CN111400480B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680148B (zh) * 2020-08-14 2020-12-01 支付宝(杭州)信息技术有限公司 针对用户问句进行智能应答的方法和装置
CN112115249B (zh) * 2020-09-27 2023-11-14 支付宝(杭州)信息技术有限公司 用户意图的统计分析及结果展示方法和装置
CN112163087B (zh) * 2020-11-10 2023-06-23 山东比特智能科技股份有限公司 对话***中意图冲突的解决方法、***及装置
CN113220828B (zh) * 2021-04-28 2023-07-21 平安科技（深圳）有限公司 意图识别模型处理方法、装置、计算机设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688614A (zh) * 2017-08-04 2018-02-13 平安科技（深圳）有限公司 意图获取方法、电子装置及计算机可读存储介质
CN108073673A (zh) * 2017-05-15 2018-05-25 北京华宇元典信息服务有限公司 一种基于机器学习的法律知识图谱构建方法、装置、***和介质
CN108874782A (zh) * 2018-06-29 2018-11-23 北京寻领科技有限公司 一种层次注意力lstm和知识图谱的多轮对话管理方法
WO2019024704A1 (zh) * 2017-08-03 2019-02-07 阿里巴巴集团控股有限公司 实体标注方法、意图识别方法及对应装置、计算机存储介质
WO2019101210A1 (zh) * 2017-11-27 2019-05-31 中兴通讯股份有限公司 智能问答方法及装置
CN110765257A (zh) * 2019-12-30 2020-02-07 杭州识度科技有限公司 一种知识图谱驱动型的法律智能咨询***
CN110837550A (zh) * 2019-11-11 2020-02-25 中山大学 基于知识图谱的问答方法、装置、电子设备及存储介质
CN110851610A (zh) * 2018-07-25 2020-02-28 百度在线网络技术（北京）有限公司 知识图谱生成方法、装置、计算机设备以及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9189742B2 (en) * 2013-11-20 2015-11-17 Justin London Adaptive virtual intelligent agent
US10762062B2 (en) * 2016-04-04 2020-09-01 Xerox Corporation Data governance: change management based on contextualized dependencies
US10839017B2 (en) * 2017-04-06 2020-11-17 AIBrain Corporation Adaptive, interactive, and cognitive reasoner of an autonomous robotic system utilizing an advanced memory graph structure
US20190103111A1 (en) * 2017-10-03 2019-04-04 Rupert Labs Inc. ( DBA Passage AI) Natural Language Processing Systems and Methods
US11954613B2 (en) * 2018-02-01 2024-04-09 International Business Machines Corporation Establishing a logical connection between an indirect utterance and a transaction
EP3557439A1 (en) * 2018-04-16 2019-10-23 Tata Consultancy Services Limited Deep learning techniques based multi-purpose conversational agents for processing natural language queries

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108073673A (zh) * 2017-05-15 2018-05-25 北京华宇元典信息服务有限公司 一种基于机器学习的法律知识图谱构建方法、装置、***和介质
WO2019024704A1 (zh) * 2017-08-03 2019-02-07 阿里巴巴集团控股有限公司 实体标注方法、意图识别方法及对应装置、计算机存储介质
CN107688614A (zh) * 2017-08-04 2018-02-13 平安科技（深圳）有限公司 意图获取方法、电子装置及计算机可读存储介质
WO2019101210A1 (zh) * 2017-11-27 2019-05-31 中兴通讯股份有限公司 智能问答方法及装置
CN108874782A (zh) * 2018-06-29 2018-11-23 北京寻领科技有限公司 一种层次注意力lstm和知识图谱的多轮对话管理方法
CN110851610A (zh) * 2018-07-25 2020-02-28 百度在线网络技术（北京）有限公司 知识图谱生成方法、装置、计算机设备以及存储介质
CN110837550A (zh) * 2019-11-11 2020-02-25 中山大学 基于知识图谱的问答方法、装置、电子设备及存储介质
CN110765257A (zh) * 2019-12-30 2020-02-07 杭州识度科技有限公司 一种知识图谱驱动型的法律智能咨询***

Also Published As

Publication number Publication date
CN111400480A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111400480B (zh) 针对多轮对话的用户意图识别方法和装置
CN111309889B (zh) 用于文本处理的方法和装置
Kreyssig et al. Neural user simulation for corpus-based policy optimisation for spoken dialogue systems
US20210327428A1 (en) Adversarial learning and generation of dialogue responses
CN110956959B (zh) 语音识别纠错方法、相关设备及可读存储介质
CN107844560B (zh) 一种数据接入的方法、装置、计算机设备和可读存储介质
US10460029B2 (en) Reply information recommendation method and apparatus
US8676583B2 (en) Belief tracking and action selection in spoken dialog systems
Dupont et al. Links between probabilistic automata and hidden Markov models: probability distributions, learning models and induction algorithms
CN108446322A (zh) 一种智能问答***的实现方法和装置
CN112487168B (zh) 知识图谱的语义问答方法、装置、计算机设备及存储介质
CN109978060B (zh) 一种自然语言要素抽取模型的训练方法及装置
CN111858877A (zh) 多类型问题智能问答方法、***、设备及可读存储介质
CN111177359A (zh) 多轮对话方法和装置
CN107239450B (zh) 基于交互上下文处理自然语言方法
CN110717027B (zh) 多轮智能问答方法、***以及控制器和介质
KR102401333B1 (ko) 확장성 및 강인성을 갖는 대화 시스템 및 방법
CN112364147A (zh) 一种基于知识图谱的跨领域多轮对话方法及实现***
CN115017919B (zh) 用于支持训练数据快速构建和流程自定义的多场景对话***及方法
CN111400340B (zh) 一种自然语言处理方法、装置、计算机设备和存储介质
CN111309893A (zh) 基于源问题生成相似问题的方法和装置
CN111400479B (zh) 针对多轮对话的问题识别方法和装置
CN110674276A (zh) 机器人自学习方法、机器人终端、装置及可读存储介质
CN113850383A (zh) 文本匹配模型训练方法、装置、电子设备及存储介质
CN113094490B (zh) 一种会话交互方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant