CN113743127A - 任务型对话的方法、装置、电子设备及存储介质 - Google Patents
任务型对话的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113743127A CN113743127A CN202111059898.6A CN202111059898A CN113743127A CN 113743127 A CN113743127 A CN 113743127A CN 202111059898 A CN202111059898 A CN 202111059898A CN 113743127 A CN113743127 A CN 113743127A
- Authority
- CN
- China
- Prior art keywords
- intention
- dialog
- current round
- classification
- slot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 66
- 230000003993 interaction Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Machine Translation (AREA)
Abstract
本申请公开了一种任务型对话的方法、装置、电子设备及存储介质。本方案的实现方式为:获取任务型对话中本轮对话输入语句,并对本轮对话输入语句进行意图分类,确定本轮对话输入语句的第一意图分类;获取上一轮对话输入语句的第二意图分类;响应于第一意图分类与第二意图分类不一致,获取第二意图分类的填槽进度;对本轮对话输入语句进行实体识别,并根据实体识别结果与填槽进度,确定本轮对话的真实意图;根据真实意图生成本轮对话输入语句的响应语句。该方案通过结合填槽情况来确定用户的真实意图,可以提高任务型对话中响应语句的准确率。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及人机交互技术领域,尤其涉及一种任务型对话的方法、装置、电子设备及存储介质。
背景技术
任务型对话是指在特定的情境下帮助用户完成特定任务的对话,目前已被越来越多的应用在更多的实际场景中。绝大多数通过填充指定信息以给予特定答案的业务对话,均可以转化为任务式对话,比如查询天气、在线订票等等。
任务型对话中往往需要与用户进行多轮的交互,但是交互过程中用户的意图可能会发生变化,所以在对话过程中会存在回复准确性低的问题。
发明内容
本申请提供了一种任务型对话的方法、装置、电子设备及存储介质。
根据本申请的第一方面,提供了一种任务型对话的方法,包括:
获取任务型对话中本轮对话输入语句,并对所述本轮对话输入语句进行意图分类,确定所述本轮对话输入语句的第一意图分类;
获取所述上一轮对话输入语句的第二意图分类;
响应于所述第一意图分类与所述第二意图分类不一致,获取所述第二意图分类的填槽进度;
对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图;
根据所述真实意图生成所述本轮对话输入语句的响应语句。
在本申请的一些实施例中,所述对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图,包括:
对所述本轮对话输入语句进行实体识别,得到至少一个实体信息;
根据所述填槽进度确定所述第二意图分类的空槽位,并根据所述至少一个实体信息,对所述空槽位进行填槽操作;
响应于所述填槽操作成功,确定所述本轮对话的真实意图为所述第二意图分类;
响应于所述填槽操作失败,确定所述本轮对话的真实意图为所述第一意图分类。
在本申请的一些实施例中,所述根据所述真实意图生成所述本轮对话输入语句的响应语句,包括:
针对所述本轮对话的真实意图为所述第二意图分类,根据所述填槽成功得到的第一槽位信息,生成所述本轮对话输入语句的响应语句;
针对所述本轮对话的真实意图为所述第一意图分类,获取所述第一意图分类的空槽位;
根据所述至少一个实体信息,对所述第一意图分类的空槽位进行填槽操作,得到所述第一意图分类的第二槽位信息;
根据所述第二槽位信息生成所述本轮对话输入语句的响应语句。
可选地,在本申请实施例中,所述获取所述第二意图分类的填槽进度,包括:
获取所述第一意图分类的意图识别分值;
响应于所述意图识别分值小于或等于预设阈值,获取所述第二意图分类的填槽进度。
在本申请的一些实施例中,所述方法还包括:
响应于所述意图识别分值大于所述阈值,将所述第一意图分类作为所述真实意图。
此外,在本申请的一些实施例中,所述方法还包括:
判断所述本轮对话是否为首次进入任务型对话;
响应于所述本轮对话为首次进入任务型对话,将所述第一意图分类作为所述真实意图;
响应于所述本轮对话为非首次进入任务型对话,执行所述获取所述上一轮对话输入语句的第二意图分类的步骤。
根据本申请的第二方面,提供了一种任务型对话的装置,包括:
第一确定模块,用于获取任务型对话中本轮对话输入语句,并对所述本轮对话输入语句进行意图分类,确定所述本轮对话输入语句的第一意图分类;
第一获取模块,用于获取所述上一轮对话输入语句的第二意图分类;
第二获取模块,用于响应于所述第一意图分类与所述第二意图分类不一致,获取所述第二意图分类的填槽进度;
第二确定模块,用于对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图;
生成模块,用于根据所述真实意图生成所述本轮对话输入语句的响应语句。
其中,所述第二确定模块具体用于:
对所述本轮对话输入语句进行实体识别,得到至少一个实体信息;
根据所述填槽进度确定所述第二意图分类的空槽位,并根据所述至少一个实体信息,对所述空槽位进行填槽操作;
响应于所述填槽操作成功,确定所述本轮对话的真实意图为所述第二意图分类;
响应于所述填槽操作失败,确定所述本轮对话的真实意图为所述第一意图分类。
在本申请的一些实施例中,所述生成模块具体用于:
针对所述本轮对话的真实意图为所述第二意图分类,根据所述填槽成功得到的第一槽位信息,生成本所述轮对话输入语句的响应语句;
针对所述本轮对话的真实意图为所述第一意图分类,获取所述第一意图分类的空槽位;
根据所述至少一个实体信息,对所述第一意图分类的空槽位进行填槽操作,得到所述第一意图分类的第二槽位信息;
根据所述填第二槽位信息生成所述本轮对话输入语句的响应语句。
在本申请的一些实施例中,所述第二获取模块具体用于:
获取所述第一意图分类的意图识别分值;
响应于所述意图识别分值小于或等于预设阈值,获取所述第二意图分类的填槽进度。
可选地,在本申请的实施例中,所述装置还包括:
第三确定模块,用于在所述意图识别分值大于所述阈值时,将所述第一意图分类作为所述真实意图。
在本申请的一些实施例中,所述装置还包括:
判断模块,用于判断所述本轮对话是否为首次进入任务型对话;
第四确定模块,用于在所述本轮对话为首次进入任务型对话时,将所述第一意图分类作为所述真实意图;
所述第一获取模块,还用于在所述本轮对话为非首次进入任务型对话时,执行所述获取所述上一轮对话输入语句的第二意图分类的步骤。
根据本申请的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的方法。
根据本申请的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的技术方案,针对任务型对话中本轮对话的意图分类与上一轮对话的意图分类不一致的情况,根据本轮对话的输入语句的实体识别结果与上一轮意图分类的填槽进度,来确定本轮对话的真实意图,相当于结合填槽情况来更准确地确定用户的真实意图,从而可以针对用户的真实意图响应对应的语句,进而可以提高任务型对话中响应语句的准确率,也可以提高人机交互过程的用户体验。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提出的一种任务型对话方法的流程图;
图2为本申请实施例中真实意图的确定和响应语句生成的流程图;
图3为本申请实施例提出的另一种任务型对话方法的流程图;
图4为本申请实施例提出的又一种任务型对话方法的流程图;
图5为本申请实施例提出的一种任务型对话装置的结构框图;
图6为本申请实施例提出的另一种任务性对话装置的结构框图;
图7为本申请实施例提出的又一种任务型对话装置的结构框图;
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,任务型对话是指在特定的情境下帮助用户完成特定任务的对话,目前已被越来越多的应用在更多的实际场景中。绝大多数通过填充指定信息以给予特定答案的业务对话,均可以转化为任务式对话,比如查询天气、在线订票等等。
通常任务型对话***中通过自然语言理解模块、对话管理模块和自然语言生成模块来实现人机对话。其中,自然语音理解模块用于对用户输入语句的理解,其功能的实现主要包括意图识别和填槽。可以理解,意图识别是指对用户想要进行的任务的识别,相当于进行文本分类。为了完成这个任务,***需要提取一些特定的信息来便于计算机的理解。槽位是指为了完成这个任务,***需要获取的信息。比如,任务为订机票,执行订机票任务需要确定出发日期、出发地、目的地等信息,这些信息相当于槽位。填槽是指通过对用户输入语句的理解,获取关键信息,并将该信息填充至对应的槽位的过程。
由于在填槽的过程中需要与用户进行多轮的交互,且交互过程中用户的意图可能会发生变化,若不能根据用户的真实意图而进行意图切换,则根据填槽结果信息与用户交互时可能会出现响应语句不准确等问题,影响用户体验。
基于上述问题,本申请提出了一种任务型对话的方法、装置、电子设备及存储介质,可以灵活进行意图切换,准确地判断当前对话的真实意图,提高对话过程中响应语句的准确性。
图1为本申请实施例提出的一种任务型对话方法的流程图。需要说明的是,本申请实施例中的任务型对话方法可以应用于本申请实施例中的任务型对话装置,且该装置可配置在电子设备中。如图1所示,该方法包括:
步骤101,获取任务型对话中本轮对话输入语句,并对本轮对话输入语句进行意图分类,确定本轮对话输入语句的第一意图分类。
本申请实施例中的任务型对话方法可以基于用于任务型对话的电子设备来介绍,该电子设备中包括输入单元和输出单元。其中,获取任务型对话中本轮对话输入语句,可以通过电子设备中的输入单元获取用户最近一次输入的语句。需要说明的是,该任务型对话中用户的输入语句可以为语音输入、文本输入的形式,也可以为其他输入方式,本申请对此不作限定。此外,任务型对话中可以使用但不限于中文、英文等语种。
可以理解,对本轮对话输入语句进行意图分类相当于根据本轮对话输入语句,识别用户希望想要进行的任务。在本申请实施例中,可以通过意图识别模型来对输入语句进行意图分类。意图识别模型实际上是一种文本分类模型,其训练数据就是用户输入的文本,文本的类别标签即为该输入对应的意图分类。意图识别模型可以采用卷积神经网络模型或者深度学习网络模型,例如采用TextCNN模型。当然,本申请实施例对具体采用何种意图识别模型不做限制,本领域技术人员可以根据需要进行合理选择,并且,还可以根据现有方法对特定领域的意图识别模型进行训练。
需要说明的是,在通过意图识别模型进行意图分类时,会得到多个候选意图分类结果,且每个候选意图分类结果会对应一个意图识别分值即概率,选择其中分值最高的意图分类结果作为本轮对话输入语句的第一意图分类。也就是说,在任务型对话的过程中,每轮对话都会对用户输入语句进行意图分类,并将每轮对话对应的真实意图进行存储。
步骤102,获取上一轮对话输入语句的第二意图分类。
为了确定本轮对话中用户的意图是否发生了变化,需要获取上一轮对话输入语句的真实意图,与本轮对话的第一意图分类进行比对。
在本申请实施例中,上一轮对话输入语句的第二意图分类表示上一轮对话输入语句的真实意图,可以在对应的存储位置查询得到。
步骤103,响应于第一意图分类与第二意图分类不一致,获取第二意图分类的填槽进度。
可以理解,第一意图分类与第二意图分类不一致,并不一定表示用户的真实意图发生了变化。举例而言,若用户说“我要买张今天的机票”,回复语句为“请问您是从哪里出发?”,用户回答说“我想去A城市旅游”,针对用户的上一轮语句其意图分类是“买机票”,而本轮的意图分类是“去旅游”;但是结合这两句对话可以发现,用户的真实意图是因为想去A城市旅游,所以想要买张去A城市的机票,也就是说,其真实意图依然为“买机票”;进一步地,其中“买机票”意图对应的槽位是“时间”“出发地”“目的地”,而第二轮对话中的“去A城市”刚好可以作为“目的地”槽位的填充信息。所以,可以发现,针对两轮对话根据输入语句得到的意图分类不一致时,可以结合上一轮对话的意图分类的槽位情况进一步分析用户的真实意图。
需要说明的是,意图分类与槽位是对应的,也就是说,某一意图分类的槽位是确定的。此外,由于任务型对话的填槽过程,可能需要多轮对话来完成,所以针对多轮对话中出现已识别到的意图分类的填槽进度及槽位信息均会保存,以使后续对话再次进入某意图分类时,可以基于历史的填槽进度继续进行填槽操作,以免对用户进行重复提问。
在本申请实施例中,可以根据第二意图分类在对应的存储数据库内查找其对应的填槽进度,该填槽进度可以包括该意图分类下的所有槽位以及每个槽位的状态。其中槽位的状态是指该槽位是否已经被填充,以及填充的信息等。
此外,针对在第一意图分类与第二意图分类一致的情况,也就是说,本轮对话的输入语句与上一轮对话的输入语句的真实意图是一致的,此时可以直接根据本轮对话输入语句的实体识别结果对当前意图对应的槽位进行填槽操作,并基于填槽操作后的槽位信息生成本轮对话输入语句的响应语句。
步骤104,对本轮对话输入语句进行实体识别,并根据实体识别结果与填槽进度,确定本轮对话的真实意图。
也就是说,通过将本轮对话输入语句的实体信息与上一轮对话的真实意图的填槽进度进行比对分析,来确定本轮对话的真实意图。
需要说明的是,实体识别指命名实体识别,是一项基础而又重要自然语言处理中的词法分析任务。命名实体识别是指识别文本中具有特定意义的实体,可以包括人名、地名、机构名、专有名词等。
在本申请实施例中,对本轮对话输入语句进行实体识别是为了获取本轮对话输入语句中的关键信息,用于结合第二意图分类的填槽进度来确定本轮对话的真实意图。可以利用词典匹配的方式来对本轮对话输入语句进行实体识别,也可以利用实体识别模型来对本轮对话输入语句进行实体识别,还可以采用这两种方式的结合对本轮对话输入语句进行实体识别。其中,实体识别模型可以采用现有的各种神经网络模型,本申请实施例对具体采用何种模型不做限制,本领域技术人员可以根据需要进行合理选择。
作为一种示例,可以将实体识别结果中的实体类型与第二意图分类的填槽进度中对应的槽位进行比对,若实体的类型与槽位属性一致,可以确定本轮对话的真实意图与上一轮对话的真实意图一致,否则本轮对话的真实意图切换为第一意图分类。
作为另一种示例,可以根据实体识别结果中的实体信息,对第二意图分类的空槽位进行填槽操作,若填槽操作成功,则说明本轮对话语句依然为上一轮对话追问的回应,也就是说,本轮对话的真实意图与上一轮对话的真实意图一致。若填槽操作不成功,则说明本轮对话的真实意图切换为第一意图分类。
步骤105,根据真实意图生成本轮对话输入语句的响应语句。
可以理解,根据本轮对话输入语句的实体识别结果,对本轮对话真实意图的槽位进行填槽操作,并根据填槽操作后的槽位信息生成本轮对话输入语句的响应语句。
需要说明的是,无论本轮对话的第一意图分类与上一轮对话的第二意图分类一致或者不一致,确定本轮对话的真实意图后,均会根据本轮对话的真实意图生成本轮对话输入语句的响应语句。
作为一种示例,用户说“我要买张今天的机票”,***回复语句为“请问您是从哪里出发?”,用户回答说“我想去A城市旅游”,经判断确定本轮对话的真实意图与上一轮的意图分类一致,均为“买机票”;其中,“买机票”意图对应的槽位是“时间”、“出发地”、“目的地”,将上一轮对话的“今天”对应“时间”槽位进行填充,将本轮对话实体识别结果中的“A城市”对“目的地”槽位进行填槽操作;根据填充操作后的槽位信息,生成本轮对话输入语句的响应语句;假如“出发地”槽位有默认值,可以直接根据槽位信息在对应的数据库中对满足条件的机票进行检索,并将检索结果反馈给用户,比如:“目前余票充足,可以购买”。假如“出发地”槽位没有默认值,且该槽位是必填项,可以根据该槽位对应的话术向用户追问,比如:“请问您是在哪里出发?”。
根据本申请实施例的任务型对话方法,针对任务型对话中本轮对话的意图分类与上一轮对话的意图分类不一致的情况,根据本轮对话的输入语句的实体识别结果与上一轮意图分类的填槽进度,来确定本轮对话的真实意图,相当于结合填槽情况来更准确地确定用户的真实意图,从而可以针对用户的真实意图响应对应的语句,进而可以提高任务型对话中反馈语句的准确率,也可以提高人机交互过程的用户体验。
基于上述实施例,接下来将针对真实意图的确定及响应语句的生成(图1中的步骤104和步骤105)进行详细介绍。
图2为本申请实施例中真实意图的确定和响应语句生成的流程图。如图2所示,该方法包括:
步骤201,对本轮对话输入语句进行实体识别,得到至少一个实体信息。
在本申请实施例中,可以利用词典匹配的方式来对本轮对话输入语句进行实体识别,也可以利用实体识别模型来对本轮对话输入语句进行实体识别,还可以采用这两种方式的结合对本轮对话输入语句进行实体识别,或者是其他可以实现实体识别的方式,本申请对此不作限定。
步骤202,根据填槽进度确定第二意图分类的空槽位,并根据至少一个实体信息,对空槽位进行填槽操作。
在本申请实施例中,填槽进度可以包括该意图分类下的所有槽位以及每个槽位的状态。其中槽位的状态是指该槽位是否已经被填充,以及填充的信息等。可以理解,第二意图分类下的槽位中未被填充的槽位为第二意图分类的空槽位。
为了确定本轮对话输入语句的真实意图与上一轮是否一致,也就是说,为了确定本轮对话是否为上一轮对话的继续,可以将本轮对话输入语句的至少一个实体信息对上一轮对话真实意图的空槽位进行填槽操作,根据填槽是否成功来确定本轮对话输入语句的真实意图与上一轮是否一致。基于填槽操作是否成功进行判断,若填槽失败则执行步骤203,否则执行步骤207。
步骤203,响应于填槽操作失败,确定本轮对话的真实意图为第一意图分类。
可以理解,填槽操作失败,说明本轮对话输入语句的实体信息与上一轮对话的真实意图对应槽位信息中的空槽位不匹配。也就是说,本轮对话输入语句并不是上一轮对话的继续,说明用户的真实意图发生了切换,由第二意图分类切换为第一意图分类,即确定本轮对话的真实意图为第一分意图分类。
步骤204,针对本轮对话的真实意图为第一意图分类,获取第一意图分类的空槽位。
也就是说,若本轮对话的真实意图为第一意图分类,此时需要继续针对第一意图分类的槽位进行填槽操作,所以需要获取第一意图分类的空槽位。作为一种示例,第一意图分类的空槽位可以根据第一意图分类在对应的存储数据库内查询得到第一意图的槽位信息;该槽位信息中包括第一意图分类的所有槽位有哪些未被填充,有哪些已被填充,以及填充的信息是什么等;其中,未被填充的槽位即为第一意图分类的空槽位。
步骤205,根据至少一个实体信息,对第一意图分类的空槽位进行填槽操作,得到第一意图分类的第二槽位信息。
可以理解,由于用户的真实意图已切换为第一意图分类,所以为了本轮对话语句的响应语句,需要将本轮对话语句的至少一个实体信息对第一意图分类的空槽位进行填槽操作,得到第一意图分类的第二槽位信息。
举例而言,假设第一意图分类为“询问天气”,其槽位包括“地点”和“时间”;在本轮对话之前,该第一意图分类的槽位信息为“地点”=“A城市”,“时间”为空;本轮对话的输入语句为“A城市今天的天气如何?”,其中的实体信息包括地点(A城市)和时间(今天);由于目前该第一意图分类的空槽位只有“时间”,所以将“今天”继续进行填槽操作,即槽位“时间”=“今天”,从而根据已填充后的槽位信息生成本轮对话输入语句的响应语句。
步骤206,根据第二槽位信息生成本轮对话输入语句的响应语句。
如上述示例,第二槽位信息为槽位“地点”=“A城市”,槽位“时间”=“今天”,也就是说,槽位已填槽完毕,可以根据槽位信息查询数据库生成结果信息。假如查询后的结果为天气晴,温度23~28℃,可以根据预设的话术生成对应的响应语句,比如“A城市今天的天气晴,温度23~28℃”。
作为另一种示例,假如第一意图分类为“查机票”,且第二槽位信息为槽位“时间”=“今天”,槽位“出发地点”为空,槽位“到达地点”为空,说明此时槽位还未填槽完毕,可以根据预设槽位的优先级及话术,生成对应的响应语句,比如“请问您是在哪里出发?”。
步骤207,响应于填槽操作成功,确定本轮对话的真实意图为第二意图分类。
可以理解,填槽操作成功,说明本轮对话输入语句的实体信息与上一轮对话的真实意图对应槽位信息中的空槽位可以成功匹配。也就是说,本轮对话输入语句相当于上一轮对话的继续,用户的真实意图未发生改变,即本轮对话的真实意图依然为上一轮对话的真实意图。
步骤208,针对本轮对话的真实意图为第二意图分类,根据填槽成功得到的第一槽位信息,生成本轮对话输入语句的响应语句。
由于上述步骤202中的填槽操作可以成功进行,根据填槽成功得到的第一槽位信息来生成本轮对话输入语句的响应语句。
根据本申请实施例的任务型对话的方法,针对本轮对话输入语句的意图分类与上一轮不一致的情况,通过将本轮对话输入语句的实体识别得到的实体进行,对上一轮对话意图的空槽位进行填槽操作,根据填槽操作是否成功来确定本轮对话的真实意图,从而可以结合填槽结果更佳准确地判断用户的真实意图,灵活地判断是否进行意图切换。此外,根据确定的真实意图来生成本轮对话输入语句的响应语句,可以提高任务型对话中响应语句的准确率,从而提升人机交互过程的用户体验。
基于上述实施例,为了进一步提升真实意图判断的准确性,本申请提出的另一个实施例。
图3为本申请实施例提出的另一种任务型对话方法的流程图。如图3所示,该方法还包括:
步骤306,获取第一意图分类的意识识别分值。
也就是说,在第一意图分类与第二意图分类不一致时,获取第一意图分类的意识识别分值。需要说明的是,在通过意图识别模型进行意图分类时,会得到多个候选意图分类结果,且每个候选意图分类结果会对应一个意图识别分值即概率,选择其中分值最高的意图分类结果作为本轮对话输入语句的第一意图分类。也就是说,意图分类结果中第一意图分类对应的概率值为第一意图分类的意识识别分值。
步骤307,判断意识识别分值是否大于预设阈值。
可以理解,该意识识别分值可以表示针对本轮对话输入语句得到的用户意图是否明确,意识识别分值越大说明用户意图越明确。在本申请实施例中,可以预先设置意识识别分值的阈值,将该阈值作为用户意图是否明确的分界。也就是说,若意识识别分值大于预设阈值,则本轮对话输入语句的意图分类明确,否则本轮对话输入语句的意图分类不明确。
在本申请实施例中,在该意识识别分值大于预设阈值时,由于当前用户意图明确,所以无需后续步骤,直接将第一意图分类作为真实意图,即执行步骤308。在该意识识别分值小于或等于预设阈值时,执行步骤303来进一步确定本轮对话的真实意图。
步骤308,将第一意图分类作为真实意图。
可以理解,若本轮对话的意图识别分值大于预设阈值,说明本轮对话的意图明确,即使第一意图分类与上一轮对话的意图不一致,但由于该第一意图分类的意图识别分值大于阈值,也可以直接将本轮对话输入语句的意图分类作为其真实意图。
其中,在本申请实施例中,图3中的步骤301~305与图1中的步骤101~105的实现方式完全一致,此处不再赘述。
根据本申请实施例的任务型对话方法,增加了意图识别分值的判断,针对本轮对话输入语句的意图识别分值大于预设阈值的情况,直接将第一意图分类作为真实意图,从而可以提高真实意图确定的效率,也可以减少计算消耗,进而可以提高任务型对话的响应速度,同时也保证了响应语句的准确性。
基于上述实施例,针对任务型对话中的多轮对话可以实现根据本轮对话的真实意图生成响应语句,但是若对话本轮对话为首次进入对话,并不存在上一轮对话的意图分类。所以为了提升本申请任务型对话方法的适用性,本申请提出了又一个实施例。
图4为本申请实施例提出的又一种任务型对话方法的流程图。如图4所示,基于上述实施例的基础上,该方法还包括:
步骤409,判断本轮对话是否为首次进入任务型对话。
可以理解,若本轮对话为首次进入任务型对话,则并不存在用户意图切换问题,也就是说,首次进入任务型对话时,其用户输入语句的意图分类结果即为用户的真实意图。在本申请实施例中,响应于本轮对话为首次进入任务型对话,执行步骤408,响应于本轮对话为非首次进入任务型对话,执行步骤402。
其中,步骤408,将第一意识分类作为真实意图,响应于意识识别分值大于预设阈值,也响应于本轮对话为首次进入任务型对话。
需要说明的是,在本申请实施例中,图4中的步骤401~408与图3中的步骤301~308的实现方式一致,此处不再赘述。
根据本申请实施例提出的任务型对话的方法,通过增加判断本轮对话是否为首次进入任务型对话的步骤,针对非首次进入的情况继续执行后续步骤来判断本轮对话的真实意图,而针对首次进入的情况直接将第一意识分类作为真实意图,从而使该方法也可以适用于首次进入任务型对话的情况,提高了该方法的适用性。
为了实现上述实施例,本申请提出了一种任务型对话的装置。
图5为本申请实施例提出的一种任务型对话装置的结构框图。如图5所示,该装置包括:
第一确定模块510,用于获取任务型对话中本轮对话输入语句,并对所述本轮对话输入语句进行意图分类,确定所述本轮对话输入语句的第一意图分类;
第一获取模块520,用于获取上一轮对话输入语句的第二意图分类;
第二获取模块530,用于响应于第一意图分类与第二意图分类不一致,获取第二意图分类的填槽进度;
第二确定模块540,用于对本轮对话输入语句进行实体识别,并根据实体识别结果与填槽进度,确定本轮对话的真实意图;
生成模块550,用于根据真实意图生成本轮对话输入语句的响应语句。
其中,第二确定模块540具体用于:
对本轮对话输入语句进行实体识别,得到至少一个实体信息;
根据填槽进度确定第二意图分类的空槽位,并根据至少一个实体信息,对空槽位进行填槽操作;
响应于填槽操作成功,确定本轮对话的真实意图为第二意图分类;
响应于填槽操作失败,确定本轮对话的真实意图为第一意图分类。
在本申请的一些实施例中,生成模块550具体用于:
针对本轮对话的真实意图为第二意图分类,根据填槽成功得到的第一槽位信息,生成本轮对话输入语句的响应语句;
针对本轮对话的真实意图为第一意图分类,获取第一意图分类的空槽位;
根据至少一个实体信息,对第一意图分类的空槽位进行填槽操作,得到第一意图分类的第二槽位信息;
根据填第二槽位信息生成本轮对话输入语句的响应语句。
根据本申请实施例的任务型对话装置,针对任务型对话中本轮对话的意图分类与上一轮对话的意图分类不一致的情况,根据本轮对话的输入语句的实体识别结果与上一轮意图分类的填槽进度,来确定本轮对话的真实意图,相当于结合填槽情况来更准确地确定用户的真实意图,从而可以针对用户的真实意图响应对应的语句,进而可以提高任务型对话中反馈语句的准确率,也可以提高人机交互过程的用户体验。
为了进一步提高真实意图判断的准确性,本申请提出了另一个实施例。
图6为本申请实施例提出的另一种任务性对话装置的结构框图。如图3所示,该装置中的第二获取模块630具体用于:
获取第一意图分类的意图识别分值;
响应于意图识别分值小于或等于预设阈值,获取第二意图分类的填槽进度。
在本申请的实施例中,该装置还包括:
第三确定模块660,用于在意图识别分值大于阈值时,将第一意图分类作为真实意图。
需要说明的是,在本申请实施例中,图6中的610~650与图5中的510~550具有相同的功能结构,此处不再赘述。
根据本申请实施例的任务型对话装置,增加了意图识别分值的判断,针对本轮对话输入语句的意图识别分值大于预设阈值的情况,直接将第一意图分类作为真实意图,从而可以提高真实意图确定的效率,也可以减少计算消耗,进而可以提高任务型对话的响应速度,同时也保证了响应语句的准确性。
为了提高本申请任务型对话装置的适用性,本申请提出了又一个实施例。
图7为本申请实施例提出的又一种任务型对话装置的结构框图。如图7所示,该装置还包括:
判断模块770,用于判断本轮对话是否为首次进入任务型对话;
第四确定模块780,用于在本轮对话为首次进入任务型对话时,将第一意图分类作为真实意图;
其中,第一获取模块720,还用于在本轮对话为非首次进入任务型对话时,执行获取上一轮对话输入语句的第二意图分类的步骤。
需要说明的是,图7中的710~760与图6中的610~660具有相同的功能结构,此处不再赘述。
根据本申请实施例提出的任务型对话的装置,通过增加判断本轮对话是否为首次进入任务型对话的步骤,针对非首次进入的情况继续执行后续步骤来判断本轮对话的真实意图,而针对首次进入的情况直接将第一意识分类作为真实意图,从而使该方法也可以适用于首次进入任务型对话的情况,提高了该方法的适用性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于本申请的实施例,本申请还提供了一种电子设备,至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述任一项任务型对话方法。
基于本申请的实施例,本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本申请实施例提供的前述任一项任务型对话方法。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如任务型对话方法。例如,在一些实施例中,任务型对话方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的任务型对话方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行任务型对话方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种任务型对话的方法,其特征在于,包括:
获取任务型对话中本轮对话输入语句,并对所述本轮对话输入语句进行意图分类,确定所述本轮对话输入语句的第一意图分类;
获取所述上一轮对话输入语句的第二意图分类;
响应于所述第一意图分类与所述第二意图分类不一致,获取所述第二意图分类的填槽进度;
对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图;
根据所述真实意图生成所述本轮对话输入语句的响应语句。
2.根据权利要求1所述的方法,其特征在于,所述对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图,包括:
对所述本轮对话输入语句进行实体识别,得到至少一个实体信息;
根据所述填槽进度确定所述第二意图分类的空槽位,并根据所述至少一个实体信息,对所述空槽位进行填槽操作;
响应于所述填槽操作成功,确定所述本轮对话的真实意图为所述第二意图分类;
响应于所述填槽操作失败,确定所述本轮对话的真实意图为所述第一意图分类。
3.根据权利要求2所述的方法,其特征在于,所述根据所述真实意图生成所述本轮对话输入语句的响应语句,包括:
针对所述本轮对话的真实意图为所述第二意图分类,根据所述填槽成功得到的第一槽位信息,生成所述本轮对话输入语句的响应语句;
针对所述本轮对话的真实意图为所述第一意图分类,获取所述第一意图分类的空槽位;
根据所述至少一个实体信息,对所述第一意图分类的空槽位进行填槽操作,得到所述第一意图分类的第二槽位信息;
根据所述第二槽位信息生成所述本轮对话输入语句的响应语句。
4.根据权利要1所述的方法,其特征在于,所述获取所述第二意图分类的填槽进度,包括:
获取所述第一意图分类的意图识别分值;
响应于所述意图识别分值小于或等于预设阈值,获取所述第二意图分类的填槽进度。
5.根据权利要求4所述的方法,其特征在于,还包括:
响应于所述意图识别分值大于所述阈值,将所述第一意图分类作为所述真实意图。
6.根据权利要求1所述的方法,其特征在于,还包括:
判断所述本轮对话是否为首次进入任务型对话;
响应于所述本轮对话为首次进入任务型对话,将所述第一意图分类作为所述真实意图;
响应于所述本轮对话为非首次进入任务型对话,执行所述获取所述上一轮对话输入语句的第二意图分类的步骤。
7.一种任务型对话的装置,其特征在于,包括:
第一确定模块,用于获取任务型对话中本轮对话输入语句,并对所述本轮对话输入语句进行意图分类,确定所述本轮对话输入语句的第一意图分类;
第一获取模块,用于获取所述上一轮对话输入语句的第二意图分类;
第二获取模块,用于响应于所述第一意图分类与所述第二意图分类不一致,获取所述第二意图分类的填槽进度;
第二确定模块,用于对所述本轮对话输入语句进行实体识别,并根据所述实体识别结果与所述填槽进度,确定所述本轮对话的真实意图;
生成模块,用于根据所述真实意图生成所述本轮对话输入语句的响应语句。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块具体用于:
对所述本轮对话输入语句进行实体识别,得到至少一个实体信息;
根据所述填槽进度确定所述第二意图分类的空槽位,并根据所述至少一个实体信息,对所述空槽位进行填槽操作;
响应于所述填槽操作成功,确定所述本轮对话的真实意图为所述第二意图分类;
响应于所述填槽操作失败,确定所述本轮对话的真实意图为所述第一意图分类。
9.根据权利要求8所述的装置,其特征在于,所述生成模块具体用于:
针对所述本轮对话的真实意图为所述第二意图分类,根据所述填槽成功得到的第一槽位信息,生成本所述轮对话输入语句的响应语句;
针对所述本轮对话的真实意图为所述第一意图分类,获取所述第一意图分类的空槽位;
根据所述至少一个实体信息,对所述第一意图分类的空槽位进行填槽操作,得到所述第一意图分类的第二槽位信息;
根据所述填第二槽位信息生成所述本轮对话输入语句的响应语句。
10.根据权利要求7所述的装置,其特征在于,所述第二获取模块具体用于:
获取所述第一意图分类的意图识别分值;
响应于所述意图识别分值小于或等于预设阈值,获取所述第二意图分类的填槽进度。
11.根据权利要求10所述的装置,其特征在于,还包括:
第三确定模块,用于在所述意图识别分值大于所述阈值时,将所述第一意图分类作为所述真实意图。
12.根据权利要求7所述的装置,其特征在于,还包括:
判断模块,用于判断所述本轮对话是否为首次进入任务型对话;
第四确定模块,用于在所述本轮对话为首次进入任务型对话时,将所述第一意图分类作为所述真实意图;
所述第一获取模块,还用于在所述本轮对话为非首次进入任务型对话时,执行所述获取所述上一轮对话输入语句的第二意图分类的步骤。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059898.6A CN113743127B (zh) | 2021-09-10 | 2021-09-10 | 任务型对话的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059898.6A CN113743127B (zh) | 2021-09-10 | 2021-09-10 | 任务型对话的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743127A true CN113743127A (zh) | 2021-12-03 |
CN113743127B CN113743127B (zh) | 2024-06-18 |
Family
ID=78737929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059898.6A Active CN113743127B (zh) | 2021-09-10 | 2021-09-10 | 任务型对话的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743127B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115617972A (zh) * | 2022-12-14 | 2023-01-17 | 成都明途科技有限公司 | 一种机器人对话方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213545A1 (en) * | 2016-01-22 | 2017-07-27 | Electronics And Telecommunications Research Institute | Self-learning based dialogue apparatus and method for incremental dialogue knowledge |
WO2018000278A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种基于状态机上下文敏感多轮对话管理***及方法 |
US20190147866A1 (en) * | 2017-11-15 | 2019-05-16 | Kabushiki Kaisha Toshiba | Support system, support method, and memory medium |
CN110400564A (zh) * | 2019-08-21 | 2019-11-01 | 科大国创软件股份有限公司 | 一种基于栈的聊天机器人对话管理方法 |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
CN111737411A (zh) * | 2020-05-20 | 2020-10-02 | 华为技术有限公司 | 人机对话中的响应方法、对话***及存储介质 |
CN112084313A (zh) * | 2020-07-30 | 2020-12-15 | 联想(北京)有限公司 | 一种信息处理方法、装置及设备 |
CN112100349A (zh) * | 2020-09-03 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 一种多轮对话方法、装置、电子设备及存储介质 |
CN112417107A (zh) * | 2020-10-22 | 2021-02-26 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN112597288A (zh) * | 2020-12-23 | 2021-04-02 | 北京百度网讯科技有限公司 | 人机交互方法、装置、设备及存储介质 |
US20210216594A1 (en) * | 2020-05-22 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for backtracking common scenario dialog in multi-round dialog |
CN113132214A (zh) * | 2019-12-31 | 2021-07-16 | 深圳市优必选科技股份有限公司 | 一种对话方法、装置、服务器及存储介质 |
-
2021
- 2021-09-10 CN CN202111059898.6A patent/CN113743127B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213545A1 (en) * | 2016-01-22 | 2017-07-27 | Electronics And Telecommunications Research Institute | Self-learning based dialogue apparatus and method for incremental dialogue knowledge |
WO2018000278A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳狗尾草智能科技有限公司 | 一种基于状态机上下文敏感多轮对话管理***及方法 |
US20190147866A1 (en) * | 2017-11-15 | 2019-05-16 | Kabushiki Kaisha Toshiba | Support system, support method, and memory medium |
CN110400564A (zh) * | 2019-08-21 | 2019-11-01 | 科大国创软件股份有限公司 | 一种基于栈的聊天机器人对话管理方法 |
CN110704641A (zh) * | 2019-10-11 | 2020-01-17 | 零犀(北京)科技有限公司 | 一种万级意图分类方法、装置、存储介质及电子设备 |
CN113132214A (zh) * | 2019-12-31 | 2021-07-16 | 深圳市优必选科技股份有限公司 | 一种对话方法、装置、服务器及存储介质 |
CN111737411A (zh) * | 2020-05-20 | 2020-10-02 | 华为技术有限公司 | 人机对话中的响应方法、对话***及存储介质 |
US20210216594A1 (en) * | 2020-05-22 | 2021-07-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for backtracking common scenario dialog in multi-round dialog |
CN112084313A (zh) * | 2020-07-30 | 2020-12-15 | 联想(北京)有限公司 | 一种信息处理方法、装置及设备 |
CN112100349A (zh) * | 2020-09-03 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 一种多轮对话方法、装置、电子设备及存储介质 |
CN112417107A (zh) * | 2020-10-22 | 2021-02-26 | 联想(北京)有限公司 | 一种信息处理方法及装置 |
CN112597288A (zh) * | 2020-12-23 | 2021-04-02 | 北京百度网讯科技有限公司 | 人机交互方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115617972A (zh) * | 2022-12-14 | 2023-01-17 | 成都明途科技有限公司 | 一种机器人对话方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113743127B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487173B (zh) | 人机对话方法、设备和存储介质 | |
US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN111177355A (zh) | 基于搜索数据的人机对话交互方法、装置和电子设备 | |
CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN113282736B (zh) | 对话理解及模型训练方法、装置、设备和存储介质 | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN115481229A (zh) | 一种应答话术推送方法、装置、电子设备及存储介质 | |
CN113128209A (zh) | 用于生成词库的方法及装置 | |
CN112632987A (zh) | 词槽的识别方法、装置及电子设备 | |
CN114244795B (zh) | 一种信息的推送方法、装置、设备及介质 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN113743127B (zh) | 任务型对话的方法、装置、电子设备及存储介质 | |
CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
CN114758649B (zh) | 一种语音识别方法、装置、设备和介质 | |
CN113408269B (zh) | 文本情感分析方法和装置 | |
CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
CN113223522B (zh) | 语音识别方法、装置、设备和存储介质 | |
CN115510212A (zh) | 一种文本事件抽取方法、装置、设备及存储介质 | |
CN114969195A (zh) | 对话内容挖掘方法和对话内容评估模型的生成方法 | |
CN114549695A (zh) | 图像生成方法、装置、电子设备及可读存储介质 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN114201953A (zh) | 一种关键词提取、模型训练方法、装置、设备及存储介质 | |
CN113407699A (zh) | 对话方法、装置、设备和存储介质 | |
CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN113204667A (zh) | 音频标注模型的训练与音频标注的方法、装置 |
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 |