CN112000793B - 一种面向人机交互的对话目标规划方法 - Google Patents

一种面向人机交互的对话目标规划方法 Download PDF

Info

Publication number
CN112000793B
CN112000793B CN202010888963.5A CN202010888963A CN112000793B CN 112000793 B CN112000793 B CN 112000793B CN 202010888963 A CN202010888963 A CN 202010888963A CN 112000793 B CN112000793 B CN 112000793B
Authority
CN
China
Prior art keywords
target
vector
enhancement
network module
graph
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
CN202010888963.5A
Other languages
English (en)
Other versions
CN112000793A (zh
Inventor
***
涂志莹
初佃辉
申义
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010888963.5A priority Critical patent/CN112000793B/zh
Publication of CN112000793A publication Critical patent/CN112000793A/zh
Application granted granted Critical
Publication of CN112000793B publication Critical patent/CN112000793B/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
    • G06F16/34—Browsing; Visualisation 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
    • G06F16/35—Clustering; Classification
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (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)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向人机交互的对话目标规划方法，所述方法如下：步骤S1、收集并标注大规模语料库；步骤S2、计算目标转移向量矩阵；步骤S3、构建目标规划联合学习模型；步骤S4、实施目标规划方案。本发明将对话目标规划问题拆分成目标预测和目标完成两个子任务，并揭示了两个子任务之间内生的潜在关联，从而阐明了这两个子任务能够进行联合学习的本质原因。本发明提供了一系列方法来构建对话目标转移图并将其进行向量化表示。本发明提出了一种新颖的多任务联合学习神经网络模型，通过设计目标预测和目标完成两个子网络来建模两个子任务之间内在的关联性，并采用循环增强机制来提高各网络特征表示的性能，从而提高目标规划模型的效果。

Description

一种面向人机交互的对话目标规划方法
技术领域
本发明属于计算机服务技术领域，涉及一种面向人机交互的对话目标规划方法，具体涉及一种基于多任务联合学习模型的对话目标规划方法。
背景技术
人机交互技术指人与计算机之间使用某种对话语言，以一定的交互方式，为完成确定任务的人与计算机之间的信息交换过程，它搭建了人与机器之间的桥梁。人机交互技术，特别是让机器理解和运用自然语言实现人机通信的人机对话技术，是人工智能的重要挑战。近年来随着深度学习的兴起，人机对话领域也取得了长足的进步。但当前的人机对话***仍处于起步阶段：通常只能被动地响应用户的提问，而无法在交谈中主动引导话题目标。
传统人机对话***将一问一答的对话语料作为数据集，训练端到端的序列生成模型，仅能根据用户的输入返回一个合适的输出作为响应，无法主动向用户提问，更无法自然地引导整段对话的进行。
但是在真实世界中的应用，比如闲聊，任务型对话，推荐对话，甚至是问答，人机交互对话的形式更多得是多轮对话的形式。因此，对很多实际应用来说，***如何主动且自然地在多轮人机对话中进行对话的引导至关重要。例如，在问答或者任务型对话中***通过主动进行提问来提升用户体验，或者***可以在闲聊中引入给定商品的推荐作为商业广告。
一个真实情况下人机对话的形式如图1所示，用户与机器的聊天内容在不同对话目标之间切换。第一个对话目标[寒暄]由机器主动发起，根据用户的回复机器将对话目标引导到[疾病诊断]和[推荐治疗方案]上，最后由用户终止对话，对话目标为[再见]。此例中完整的对话目标序列为[寒暄，疾病诊断，推荐治疗方案，再见]，对于用户而言是未知的。机器要根据用户的输出文本判断当前应该归结为哪个对话目标，同时判断当前对话目标是否完成了，若完成应预测下一个对话目标。当用户输入文本为“下次牙痛的时候试一试。”时宣告当前对话目标[推荐治疗方案]已完成。而在预测对话目标时，需要知道当前目标是否已经完成，才能找到更精确的预测方向。
因此可将对话目标规划拆分成两个具有一定相关性的子任务：
(1)目标预测：根据用户文本判断当前对话目标，可抽象为一个多分类任务；
(2)目标完成：根据用户文本和当前对话目标判断对话目标是否完成，可抽象为二分类任务。
现在大多数机器学习任务都是单任务学习。对于复杂的问题，分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。但是这种方式有两个缺点，一方面忽略了各个子问题之间的相互关联性，子问题之间其实可以通过共享因素或者共享表示联系在一起的。另一方面是单独建模子问题会带来模型参数的显著上升，不能发挥深度网络端到端的优点，给实际业务带来不便。
因此可将多个子任务进行联合学习，多任务是指优化的是多个目标，而不是单个目标。多任务学习能够实现不同任务之间的信息迁移和共享，各子任务之间能够充分利用对方任务学到的信息以提升自身的学习效果。传统的联合学习实现方式是多个任务之间共享同一个参数，或者将两个任务的损失函数合理组装成一个损失函数，对组装后的损失函数进行参数训练。这种传统方式使得不同子任务之间具有无偏性，无法对不同子任务的信息贡献区分利用，且不能显式地对不同任务之间潜在的相关性进行建模。
发明内容
为了解决现有技术中存在的以上问题，本发明提供了一种面向人机交互的对话目标规划方法。本发明设计了一种基于条件概率的有向含权目标转移图生成方案，并基于DeepWalk算法计算图中各目标节点的向量表示。
本发明的目的是通过以下技术方案实现的：
一种面向人机交互的对话目标规划方法，包括如下步骤：
步骤S1、收集并标注大规模语料库：
(1)收集并整合常见的多轮对话语料库并对原始语料进行文本清洗和整理；
(2)对于处理后的语料库，人工标注出每轮对话中用户的输入文本涉及的对话目标以及是否完成该目标，将多轮对话组成的一整段对话涉及的对话目标整理成目标序列；
步骤S2、计算目标转移向量矩阵：
整合步骤S1中对整个语料库构建的目标序列，将其转化成目标转移图，然后使用条件概率计算转移图中边的权重，最后使用DeepWalk算法将图中各目标节点进行向量化表示，具体步骤如下：
(1)将语料库中出现的所有目标转移序列进行合并，将其转化成转移图G＝(V,E)，其中V是节点集合，E是边的集合；
(2)计算在已知目标节点vi的条件下目标节点vj出现的条件概率P(vj|vi)，将其作为边e上的权重，构成有向含权目标转移图G；
(3)利用图表示学习算法DeepWalk，将图中节点转化为低维稠密实体向量，充分利用图结构中的随机游走序列的信息；
步骤S3、构建目标规划联合学习模型：
模型主要包括五个模块：注意力网络模块、目标完成网络模块、目标预测网络模块、循环增强模块和分类模块，其中：注意力网络模块用于计算目标转移图中各目标节点网络结构特征对用户输入文本所属目标的贡献度；目标完成网络模块和目标预测网络模块分别用于增强和丰富对应子任务的向量表示；循环增强模块设计了一种循环机制用于更新增强后各子任务的向量表示；分类模块用于完成各子任务对应的具体分类问题；
具体构建步骤如下：
(1)将步骤S2得到的目标转移向量矩阵和经过ERNIE精调后的文本语义特征向量输入注意力网络模块，输出目标预测向量；
(2)同时将文本语义特征向量和步骤(1)得到的目标预测向量输入目标完成网络模块来提升特征表示的性能，得到目标完成增强向量作为输出；
(3)将步骤(1)和步骤(2)中分别得到的目标预测向量与目标完成增强向量输入到目标预测网络模块中来共享两个向量之间信息，得到目标预测增强向量作为输出；
(4)设置循环次数，不断更新步骤(2)和步骤(3)中的输入，将增强后的向量作为步骤(2)和步骤(3)的新输入，使得目标预测网络模块与目标完成网络模块之间具有循环机制；
(5)将经过循环增强后的目标预测向量和目标完成向量输入到分类模块，两个向量分别经过不同的两个softmax函数，得到分类结果；
步骤S4、实施目标规划方案：
对步骤S3所构建的目标规划联合学习模型基于步骤S1得到的真实语料库进行训练，通过参数调优选择出效果最好的模型，并将其进行线上部署，暴露成Web服务接口供服务使用者调用。
相比于现有技术，本发明具有如下优点：
1、本发明将对话目标规划问题拆分成目标预测和目标完成两个子任务，并揭示了两个子任务之间内生的潜在关联，从而阐明了这两个子任务能够进行联合学习的本质原因。
2、本发明提供了一系列方法来构建对话目标转移图并将其进行向量化表示，包括：
(1)一种构建对话目标转移图的方法；
(2)目标转移图上基于条件概率的边权重的计算方法；
(3)基于DeepWalk算法获得目标转移图节点的向量嵌入表示。
3、本发明基于对话目标转移图，提出了一种新颖的多任务联合学习神经网络模型，通过设计目标预测和目标完成两个子网络来建模两个子任务之间内在的关联性，并采用循环增强机制来提高各网络特征表示的性能，从而提高目标规划模型的效果。
附图说明
图1为正常人机交互中对话目标切换流程示例图；
图2为本发明的面向人机交互的对话目标规划方法的流程图；
图3为计算目标转移向量矩阵算法流程图；
图4为注意力网络模块结构图；
图5为目标规划联合学习模型网络结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供一种面向人机交互的对话目标规划方法，如图2所示，所述方法包括以下步骤：
步骤S1、收集并标注大规模语料库。
本步骤主要是收集已公开的常见多轮人机对话数据集，要求每段对话涉及多个对话目标，每个对话目标下有多轮人机对话内容，对话目标之间具有明显的顺承关系，以此来更好地模拟实际应用中对话目标丰富多变的场景。上述数据集经过分词、去停止词、去特殊字符、统计词表等操作后，进行人工标注合并整理成语料库。完整的一段对话包含多个在不同目标下多轮对话内容，每轮对话由用户的输入文本和机器的响应文本组成，标注内容为每轮对话中用户输入文本涉及的对话目标以及是否完成该目标。为了标注上述文本，需要对大量数据进行观察和总结，找到常用的21种对话目标。经过标注后，将多轮对话组成的一整段对话涉及的对话目标整理成目标序列。
步骤S2、计算目标转移向量矩阵
本步骤需要针对步骤S1中收集并标注后的数据，计算目标转移向量矩阵，具体的流程图如图3所示。首先构建对话目标转移图，计算条件概率得到转移图中边上的权重，最后使用DeepWalk算法将图中所有节点转化为低维稠密的实体向量矩阵。矩阵的每一行是一个节点的向量表示，行数为目标节点个数，列数为节点向量的维度。
用户与机器之间的一整段对话涉及多个对话目标，可将其视为一个目标转移序列，将语料库中出现的所有转移序列进行合并，可将其转化成转移图G＝(V,E)。其中V是节点集合，E是边的集合。每种对话目标是一个节点，边e＝(vi,vj)∈E表示了目标vi到vj具有转移关系。计算在已知目标vi的条件下vj出现的条件概率P(vj|vi)，将其作为边e上的权重，构成有向含权目标转移图G。
DeepWalk是一种图表示学习算法，充分利用了网络结构中的随机游走序列的信息，将图中节点转化为低维稠密实体向量。DeepWalk首先在网络上采样生成大量的中心节点为vi窗口大小为k的随机游走序列(vi-w,...,vi-1,vi+1,...,vi+w)，然后对随机游走序列中每个局部窗口内的节点对进行概率建模，计算由中心节点vi产生两侧节点的概率，最大化随机游走序列的似然概率，并最终使用随机梯度下降学习参数。
步骤S3、构建目标规划联合学习模型。
步骤S2得到的目标转移图表示了对话过程中不同聊天目标之间的顺承关系，经过训练后的节点向量反映了转移图的抽象网络结构特征。ERNIE是一种无监督的词向量预训练模型，通过对训练数据中的词法结构，语法结构，语义信息进行统一建模，得到语义空间中的低维稠密词向量，极大地增强了通用语义表示能力。基于ERNIE的预训练模型挖掘出文本中的语义特征，与网络结构特征共同表达了当前对话的目标特征。同时利用网络结构特征与语义特征进行目标规划联合学习模型的构建。模型主要包括：
(1)注意力网络模块：设计一种注意力网络用于计算各目标节点网络结构特征对文本所属目标的贡献度，输入是步骤S2得到的目标转移向量矩阵和经过ERNIE精调后的文本语义特征向量，输出是目标预测向量ap，具体结构如图4所示；
(2)目标完成网络模块：直接将文本语义特征向量作为目标完成向量ac，与注意力网络模块得到的ap一起，输入此目标完成网络模块。计算增强因子fc＝tanh(Wc·ac+Vp·ap+bc)，其中Wc与Vc分别为ac和ap的权重矩阵，bc是用于扰动的偏置向量。将fc与ac做乘积，得到目标完成增强向量hc＝fc·ac作为输出；
(3)目标预测网络模块：输入是目标完成网络模块得到的hc，以及注意力网络模块得到的ap。计算增强因子fr＝sigmoid(Wr·hc+Vr·ap+br)以及衰减因子fd＝sigmoid(Wd·hc+Vd·ap+bd)，其中Wr与Vr分别为hc和ap的增强权重矩阵，Wd与Vd分别为hc和ap的衰减权重矩阵，br和bd是用于扰动的偏置向量。经过适当比例衰减和增强后，计算得到目标预测增强向量hp＝tanh(fr·hc+fd·ap)·ap；
(4)循环增强模块：设置循环次数，不断将目标完成网络模块中的输入ap替换为hp+ap，其中hp是目标预测网络模块的输出，使得目标完成网络模块和目标预测网络模块之间具有循环机制。
(5)分类模块
使用soft max(W·concat(ac,hc))计算每种目标的概率，其中concat为向量的融合操作，概率最大的即为当前对话的目标。同时使用soft max(W·concat(ap,hp))计算每种目标是否完成的概率，大于0.5则任务当前目标已经结束，需要转移到下一目标。
基于上述模块构建出目标规划联合学习模型进行用户目标规划，具体的模型结构如图5所示。
步骤S4、实施目标规划方案。
本步骤主要是对步骤S3所构建的目标规划联合学习模型基于步骤S1得到的真实语料库进行训练。通过参数调优选择出效果最好的模型，并将其进行线上部署，暴露成Web服务接口供服务使用者调用。
实施例：
如图1所示，当机器表述为“牙痛是口腔疾患的常见症状，各种原因都可能引起此症状的出现。”时，使用目标规划联合学习模型同时预测出机器与该用户的交谈中，目标是“寒暄”，且该目标已完成，应该进行下一个目标。当用户的表述为“那我该怎么办呢？”，使用目标规划联合学习模型同时预测出机器与该用户的交谈中，目标为推荐治疗方案，且该目标并未完成。

Claims (6)

1.一种面向人机交互的对话目标规划方法，其特征在于所述方法包括如下步骤：
步骤S1、收集并标注大规模语料库：
(1)收集并整合常见的多轮对话语料库并对原始语料进行文本清洗和整理；
(2)对于处理后的语料库，人工标注出每轮对话中用户的输入文本涉及的对话目标以及是否完成该目标，将多轮对话组成的一整段对话涉及的对话目标整理成目标序列；
步骤S2、计算目标转移向量矩阵：
整合步骤S1中对整个语料库构建的目标序列，将其转化成目标转移图，然后使用条件概率计算转移图中边的权重，最后使用DeepWalk算法将图中各目标节点进行向量化表示；具体步骤如下：
(1)将语料库中出现的所有目标转移序列进行合并，将其转化成转移图G＝(V,E)，其中V是节点集合，E是边的集合；
(2)计算在已知目标节点vi的条件下目标节点vj出现的条件概率P(vj|vi)，将其作为边e上的权重，构成有向含权目标转移图G；
(3)利用图表示学习算法DeepWalk，将图中节点转化为低维稠密实体向量，充分利用图结构中的随机游走序列的信息；
步骤S3、构建目标规划联合学习模型：
目标规划联合学习模型主要包括五个模块：注意力网络模块、目标完成网络模块、目标预测网络模块、循环增强模块和分类模块，其中：注意力网络模块用于计算目标转移图中各目标节点网络结构特征对用户输入文本所属目标的贡献度；目标完成网络模块和目标预测网络模块分别用于增强和丰富对应子任务的向量表示；循环增强模块用于更新增强后各子任务的向量表示；分类模块用于完成各子任务对应的具体分类问题；
具体构建步骤如下：
(1)将步骤S2得到的目标转移向量矩阵和经过ERNIE精调后的文本语义特征向量输入注意力网络模块，输出目标预测向量；
(2)同时将文本语义特征向量和步骤(1)得到的目标预测向量输入目标完成网络模块来提升特征表示的性能，得到目标完成增强向量作为输出；
(3)将步骤(1)和步骤(2)中分别得到的目标预测向量与目标完成增强向量输入到目标预测网络模块中来共享两个向量之间信息，得到目标预测增强向量作为输出；
(4)设置循环次数，不断更新步骤(2)和步骤(3)中的输入，将增强后的向量作为步骤(2)和步骤(3)的新输入，使得目标预测网络模块与目标完成网络模块之间具有循环机制；
(5)将经过循环增强后的目标预测向量和目标完成向量输入到分类模块，两个向量分别经过不同的两个softmax函数，得到分类结果；
步骤S4、实施目标规划方案：
对步骤S3所构建的目标规划联合学习模型基于步骤S1得到的真实语料库进行训练，通过参数调优选择出效果最好的模型，并将其进行线上部署，暴露成Web服务接口供服务使用者调用。
2.根据权利要求1所述的面向人机交互的对话目标规划方法，其特征在于所述目标完成增强向量hc＝fc·ac，其中：ac为目标完成向量，fc为增强因子。
3.根据权利要求2所述的面向人机交互的对话目标规划方法，其特征在于所述fc＝tanh(Wc·ac+Vp·ap+bc)，其中：Wc与Vc分别为ac和ap的权重矩阵，ap为目标预测向量，bc是用于扰动的偏置向量。
4.根据权利要求1所述的面向人机交互的对话目标规划方法，其特征在于所述目标预测增强向量hp＝tanh(fr·hc+fd·ap)·ap，其中：ap为目标预测向量，hc为目标完成增强向量，fd为衰减因子，fr为增强因子。
5.根据权利要求4所述的面向人机交互的对话目标规划方法，其特征在于所述增强因子fr＝sigmoid(Wr·hc+Vr·ap+br)，衰减因子fd＝sigmoid(Wd·hc+Vd·ap+bd)，其中：Wr与Vr分别为目标完成增强向量hc和目标预测向量ap的增强权重矩阵，Wd与Vd分别为目标完成增强向量hc和目标预测向量ap的衰减权重矩阵，br和bd是用于扰动的偏置向量。
6.根据权利要求1所述的面向人机交互的对话目标规划方法，其特征在于所述分类模块使用softmax(W·concat(ac,hc))计算每种目标的概率，其中：ac为目标完成向量，hc为目标完成增强向量，concat为向量的融合操作，概率最大的即为当前对话的目标；同时使用softmax(W·concat(ap,hp))计算每种目标是否完成的概率，大于0.5则任务当前目标已经结束，需要转移到下一目标，其中：ap为目标预测向量，hp为目标预测增强向量。
CN202010888963.5A 2020-08-28 2020-08-28 一种面向人机交互的对话目标规划方法 Active CN112000793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010888963.5A CN112000793B (zh) 2020-08-28 2020-08-28 一种面向人机交互的对话目标规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010888963.5A CN112000793B (zh) 2020-08-28 2020-08-28 一种面向人机交互的对话目标规划方法

Publications (2)

Publication Number Publication Date
CN112000793A CN112000793A (zh) 2020-11-27
CN112000793B true CN112000793B (zh) 2022-08-09

Family

ID=73466027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010888963.5A Active CN112000793B (zh) 2020-08-28 2020-08-28 一种面向人机交互的对话目标规划方法

Country Status (1)

Country Link
CN (1) CN112000793B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579892B (zh) * 2022-05-06 2022-07-22 南京航空航天大学 一种基于跨城市兴趣点匹配的用户异地访问位置预测方法
CN115186147B (zh) * 2022-05-31 2023-08-25 华院计算技术(上海)股份有限公司 对话内容的生成方法及装置、存储介质、终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282587A (zh) * 2018-01-19 2018-07-13 重庆邮电大学 基于状态跟踪与策略导向下的移动客服对话管理方法
CN109165284A (zh) * 2018-08-22 2019-01-08 重庆邮电大学 一种基于大数据的金融领域人机对话意图识别方法
CN111241828A (zh) * 2020-01-10 2020-06-05 平安科技（深圳）有限公司 情感智能识别方法、装置及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6251450B2 (ja) * 2015-03-12 2017-12-20 株式会社東芝 対話支援装置、方法およびプログラム、および端末

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282587A (zh) * 2018-01-19 2018-07-13 重庆邮电大学 基于状态跟踪与策略导向下的移动客服对话管理方法
CN109165284A (zh) * 2018-08-22 2019-01-08 重庆邮电大学 一种基于大数据的金融领域人机对话意图识别方法
CN111241828A (zh) * 2020-01-10 2020-06-05 平安科技（深圳）有限公司 情感智能识别方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN112000793A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN110609891B (zh) 一种基于上下文感知图神经网络的视觉对话生成方法
Hasanbeig et al. DeepSynth: Automata synthesis for automatic task segmentation in deep reinforcement learning
CN106445147B (zh) 基于人工智能的对话***的行为管理方法及装置
CN110188331A (zh) 模型训练方法、对话***评价方法、装置、设备及存储介质
CN110032630A (zh) 话术推荐设备、方法及模型训练设备
Hinoshita et al. Emergence of hierarchical structure mirroring linguistic composition in a recurrent neural network
CN112000793B (zh) 一种面向人机交互的对话目标规划方法
CN107451230A (zh) 一种问答方法以及问答***
Delgado et al. A multiobjective genetic algorithm for obtaining the optimal size of a recurrent neural network for grammatical inference
Cabada et al. Mining of educational opinions with deep learning
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及***
CN112116137A (zh) 一种基于混合深度神经网络的学生辍课预测方法
CN114327483A (zh) 图张量神经网络模型建立方法及源代码语义识别方法
Bryndin Communicative-associative development of smart artificial intelligence by criteria with the help of ensembles of diversified agents
CN108364066A (zh) 基于n-gram和wfst模型的人工神经网络芯片及其应用方法
CN112560440B (zh) 一种基于深度学习的面向方面级情感分析的句法依赖方法
US11856038B2 (en) Cognitively learning to generate scripts that simulate live-agent actions and responses in synchronous conferencing
CN110955765A (zh) 智能助理的语料构建方法、装置、计算机设备和存储介质
CN114116995A (zh) 基于增强图神经网络的会话推荐方法、***及介质
Xu et al. CNN-based skip-gram method for improving classification accuracy of chinese text
Hasanbeig et al. Symbolic task inference in deep reinforcement learning
CN111767949A (zh) 一种基于特征和样本对抗共生的多任务学习方法及其***
CN110046709A (zh) 一种基于双向lstm的多任务学习模型
Vargas et al. Artificial immune systems as complex adaptive systems
CN113779360A (zh) 基于多头问答模型的解题方法、装置、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