CN114281972A - 基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 - Google Patents
基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 Download PDFInfo
- Publication number
- CN114281972A CN114281972A CN202111627992.7A CN202111627992A CN114281972A CN 114281972 A CN114281972 A CN 114281972A CN 202111627992 A CN202111627992 A CN 202111627992A CN 114281972 A CN114281972 A CN 114281972A
- Authority
- CN
- China
- Prior art keywords
- event object
- event
- database
- tracking
- processor
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器,其中方法包括如下步骤:构建事件对象数据库;构建与事件对象对应的事理图谱;对比对话文本数据和事件对象以识别事件对象;对事件对象进行实时跟踪;构建事件对象数据库,构建事件对象对应的事理图谱;当用户输入对话文本时,处理器控制识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,处理器通过控制跟踪模块对事件对象进行实时跟踪,并调用事件对象对应的事理图谱,通过文本分析进行回复内容生成。本发明通过上述设置,赋予***对主题对象的跟踪和认知推理的能力,提高了机器人对会话主题识别的准确性和逻辑判断能力。
Description
技术领域
本发明涉及客服中心领域,特别是涉及一种基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器。
背景技术
人工智能技术在当今的客服领域发挥着重要的作用,基于人工智能技术产生的对话机器人是构建企业和客户的一种新型交互方式。在对话机器人的服务过程中,机器人需要理解客户话语中的意图,匹配到对应的业务对话流程或者知识点上,完成对用户的回复。
在对话交互过程中,因为客户口语化的表达,经常多轮对话过程中出现主语的缺失,利用深度学习的文本相似度计算模型或者分类模型很难在主语缺失的情况下正确匹配到知识点。另外,由于业务对话流程是由人工构建的时序节点结构,当客户跳出预设的对话流程顺序或者需要机器人进行逻辑判断时,经常性会发生逻辑缺失的死循环,这种传统的对话流程很难有效进行下去。
例如在税务咨询场景中,不同于简单业务的固定问答模式,机器人回答税务相关问题时,会遇到如下难题:纳税者类别、税务类型、涉税的商品等任何一个对象发生数值的变化,就应该匹配出适用于咨询者本身情况的的答案。而该场景下的知识点限制条件多,而且有些知识点还同时有多层包含关系,而且用户咨询时往往表述不完整,比如纳税人咨询:“我手续费的进项税额可以抵扣吗?”,机器人将其识别为“进项税额抵扣”的咨询意图,但诸如纳税人、***类型、项目/服务等必要条件项缺失,传统机器人无法获取完整信息。
即使拥有了完整信息,传统机器人采用知识图谱的方法,只能找到“进项税额”和“税额抵扣”这两个上下位实体的关系,但因为推理能力的缺失,机器人也无法判断这项具体的税额能否抵扣,咨询人往往无功而返。利用业务对话流程倒是挺匹配的,一步步跟用户去澄清,理清楚限制条件,但是也有不足:因为这些业务做成对话流程需要预设出各种流程和条件,最后就是一个过于庞大的流程体系,很臃肿,同样面临后期高昂的运营成本问题。
为了提高机器人对会话主题识别的准确性和逻辑判断能力,本申请提供一种基于主体对象跟踪和认知推理的对话控制***。
发明内容
本发明要解决的技术问题是提供一种基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器。
第一方面,一种基于主体对象跟踪和认知推理的对话控制方法,包括如下步骤:
通过业务规则词库、产品词库构建事件对象数据库;
通过第一方法构建与事件对象对应的事理图谱;
用户输入对话文本数据;
对比对话文本数据和事件对象以识别事件对象;
对事件对象进行实时跟踪;
通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
第二方面,一种基于主体对象跟踪和认知推理的对话控制***,包括
第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库;
第二构建模块,其通过第一方法构建与事件对象对应的事理图谱;
输入模块,其用于用户输入对话文本数据;
识别模块,其通过对比对话文本数据和事件对象以识别事件对象;
跟踪模块,其用于对事件对象进行实时跟踪;
处理器,其通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
进一步的:还包括
第一数据库,其预存有知识库文本数据;
业务规则词库,其用于存储第一关键词语、第二关键词语;
第二数据库,其预存有关系型数据库信息;
产品词库,其用于存储主键对应的名称信息;
所述“第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库”的步骤为:所述处理器利用文本处理工具的新词发现算法,计算第一数据库中的知识库文本数据的信息熵和互信息挖掘未登录词,并加入第一数据库;
在第一数据库中的知识库文本数据的顶级节点,所述处理器采用第一提取方法以提取第一关键词语,并加入业务规则词库;
在第一数据库中的知识库文本数据的末尾节点,所述处理器采用第二提取方法以提取第二关键词语,并加入业务规则词库;
所述处理器利用信息抽取方法提取第二数据库中的关系型数据库信息,抽取主键对应的名称信息,并加入产品词库;
所述处理器控制第一构建模块将业务规则词库、产品词库合并为事件对象数据库。
进一步的:所述第一数据库还预存有知识图谱;
所述第一方法为:所述处理器能够引用所述知识图谱中的实体数据的上下位关系,构建上下位推理关系的事理图谱。
进一步的:所述第二数据库中还预存有非结构化文本;
所述第一方法为:所述处理器能够通过关系学习模型,对第二数据库中的关系型数据库信息和非结构化文本进行识别,构建组成推理、反转推理、并发推理关系的事理图谱。
进一步的:所述“识别模块,其通过对比对话文本数据和事件对象以识别事件对象”的步骤为:
基于事件对象数据库,所述处理器通过向量计算模型计算事件对象数据库中每个的事件对象数据的第一词向量数值;
所述处理器能够将对话文本数据转化为输入事件对象,并通过向量计算模型计算输入事件对象对应的第二词向量数值,所述处理器利用向量间相似度计算方法判断所述第一词向量数值与第二词向量数值的相似度是否大于第一预设阈值,若是,则判定所述输入事件对象为与其相似度大于第一预设阈值的所述事件对象,并存入事件对象数据库,若否,则通过正则规则方法进行事件对象缓存。
进一步的:所述“跟踪模块,其用于对事件对象进行实时跟踪”的步骤为:所述处理器通过识别模块实时对比对话文本数据和事件对象以识别事件对象;
所述处理器能够获取用户通过输入模块输入对话文本数据的第一时间数据,并将第一时间数据对应的对话文本数据对应的事件对象转换为优先事件对象。
进一步的:还包括
接收模块,其用于用户接收回复内容数据;
所述“调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成”的步骤为:调用所述优先事件对象对应的事理图谱,结合逻辑运算方法,输出回复内容数据并发送至接收模块。
第三方面,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的方法的步骤。
第四方面,一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
本发明一种基于主体对象跟踪和认知推理的对话控制***与现有技术不同之处在于本发明一种基于主体对象跟踪和认知推理的对话控制***赋予***对主题对象的跟踪和认知推理的能力,提高了机器人对会话主题识别的准确性和逻辑判断能力,主体对象跟踪是完全构建于行业数据上的识别能力,能够准确的识别对话的事件对象,高度可控,更适用于专业行业的封闭领域
下面结合附图对本发明的一种基于主体对象跟踪和认知推理的对话控制***作进一步说明。
附图说明
图1是一种基于主体对象跟踪和认知推理的对话控制***的流程图
图2是构建事件对象数据库的流程图;
图3是事件对象识别的流程图;
图4是事件对象跟踪的流程图;
图5是构建事理图谱的流程图。
具体实施方式
一种基于主体对象跟踪和认知推理的对话控制方法,包括如下步骤:
通过业务规则词库、产品词库构建事件对象数据库;
通过第一方法构建与事件对象对应的事理图谱;
用户输入对话文本数据;
对比对话文本数据和事件对象以识别事件对象;
对事件对象进行实时跟踪;
通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
如图1~5所示,参见图1,本发明一种基于主体对象跟踪和认知推理的对话控制***包括
第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库;
第二构建模块,其通过第一方法构建与事件对象对应的事理图谱;
输入模块,其用于用户输入对话文本数据;
识别模块,其通过对比对话文本数据和事件对象以识别事件对象;
跟踪模块,其用于对事件对象进行实时跟踪;
处理器,其通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
本发明预先通过第一构建模块利用业务规则词库、产品词库构建事件对象数据库,利用第二构建模块构建与事件对象对应的事理图谱以备用,通过识别模块、跟踪模块对用户输入的对话文本数据进行实时识别和跟踪,再电泳对应的已构建的事理图谱,赋予***认知推理的能力,最后通过对对话文本数据的分析回复用户。
本发明通过上述设置,赋予***对主题对象的跟踪和认知推理的能力,提高了机器人对会话主题识别的准确性和逻辑判断能力。
其中,所述事件对象数据库内存储有多个事件对象数据,事件对象数据可以理解为用户进行问题咨询时,输入的对话文本数据中含有的用户的咨询意图。
其中,所述第一方法可为:行业专家构建、引用知识图谱、利用关系型数据库等。
其中,所述事理图谱为事件推理图谱,其能够不依靠传统的知识图谱而让机器人拥有认知推理能力。事理图谱不同于知识图谱只能描述和存储静态知识数据,对于“为什么”、“怎么办”、“是否可以”等问题上,知识图谱无法解决。这些词表示出了人类思考的过程,我们将思考的过程,定义为运用“事件推理”的过程,所谓“事理”,就是“事情”的道理,是思考的路径,这个“事情”就是我们所需要的事件。
其中,事理图谱包含的逻辑关系有因果关系、条件关系、排斥关系、顺承关系、上下位关系、组成关系和并发关系。这些关系一起事件主体之间的逻辑知识进行了描述,因此,事理图谱具有七种推理能力,包括因果推理、条件推理、排斥推理、顺承推理、上下位推理、组成推理和并发推理。
其中,所述输入模块可为:手机、电脑或其他文字输入设备。
例如,用户输入的对话文本数据为:“西藏是个美丽的地方,我想去看看”,则其咨询意图可以为,去西藏旅行的时间、出行方式等,通过调用西藏旅行这个事理图谱,通过文本分析推出以下回复内容:机票预定、酒店预定、火车票预订等。
作为本发明的进一步解释,参见图1、2,第一数据库,其预存有知识库文本数据;
业务规则词库,其用于存储第一关键词语、第二关键词语;
第二数据库,其预存有关系型数据库信息;
产品词库,其用于存储主键对应的名称信息;
所述“第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库”的步骤为:所述处理器利用文本处理工具的新词发现算法,计算第一数据库中的知识库文本数据的信息熵和互信息挖掘未登录词,并加入第一数据库;
在第一数据库中的知识库文本数据的顶级节点,所述处理器采用第一提取方法以提取第一关键词语,并加入业务规则词库;
在第一数据库中的知识库文本数据的末尾节点,所述处理器采用第二提取方法以提取第二关键词语,并加入业务规则词库;
所述处理器利用信息抽取方法提取第二数据库中的关系型数据库信息,抽取主键对应的名称信息,并加入产品词库;
所述处理器控制第一构建模块将业务规则词库、产品词库合并为事件对象数据库。
本发明通过上述设置,实现对事件对象数据库的构建,方便后续步骤中对事件对象的识别和跟踪。
其中,顶级节点就是第一个元素的结点,它是头结点后面的第一个结点。
其中,末尾节点是在数据结构中,链表中最后一个节点,即存储最后一个元素的节点,与之对应的是头结点,在链表的第一个结点之前附设一个结点。
其中,所述新词发现算法的算法逻辑主要分为三个步骤:1、将语料文本转换成一个字符串,然后一个生成n_gram的词典,并统计个词的词频。2、利用点间互信息从之前的n_gram词典中筛选出备选的新词。3、在通过左右熵从备选新词中筛选出最终输出的新词,其为现有技术,此处不赘述。
其中,未登录词(OOV,out of vocabulary)为:训练时未出现,测试时出现了的单词。在自然语言处理或者文本处理的时候,通常会有一个字词库(vocabulary),这个vocabulary要么是提前加载的,或者是自己定义的,或者是从当前数据集提取的。假设之后有了另一个的数据集,这个数据集中有一些词并不在现有的vocabulary里,就说这些词汇是out of vocabulary,简称OOV。
其中,所述第一提取方法可采用Text Rank文本等级算法。Text Rank文本等级算法为:一种用于文本的基于图的排序算法,通过把文本分割成若干组成单元(句子),构建节点连接图,用句子之间的相似度作为边的权重,通过循环迭代计算句子的Text Rank值,最后抽取排名高的句子组合成文本摘要。
其中,所述第二提取方法可采用TF-IDF(term frequency–inverse documentfrequency)词频及逆文本频率指数算法。TF-IDF算法是一种统计方法,用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。
作为本发明的进一步解释,参见图1、5,所述第一数据库还预存有知识图谱;
所述第一方法为:所述处理器能够引用所述知识图谱中的实体数据的上下位关系,构建上下位推理关系的事理图谱。
本发明通过所述第一方法,构建出上下位推理的事理图谱,方便调用以及对对话文本数据进行分析。
其中,所述知识图谱是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系,通过将数据粒度从document级别降到data级别,聚合大量知识,从而实现知识的快速响应和推理。如果认为“知识图谱”表示广义上的知识库,是一种用以存储知识的本体,那么“事理图谱”则是一种存储事理逻辑关系的“知识图谱”;如果认为“知识图谱”特指狭义上现阶段以谷歌、百度等为代表所构建的以实体为中心、用于提升用户搜索体验的知识库,那么“事理图谱”便是与“知识图谱”相并列的一种新型常识知识库。
其中,上下位关系有两种:名词性上下位关系和动词性上下位关系。例如,事件“食品价格上涨”与“蔬菜价格上涨”互为名词性上下位关系;事件“杀害”与“刺杀”互为动词性上下位关系。需要注意的是,上下位关系一般是确定性的知识,因此无须类比顺承或者因果关系,给上下位关系赋值一个0到1之间的常数来表示其置信度。
其中,上下位推理描述的是事件在分类体系中一种逻辑;某事件是另一个时间的上位或下位事件;形式化为Up A down B。
其中,所述第一方法还可为:通过行业专家依据自身积累的丰富知识,快速构建业务和产品的事理图谱,迅速形成条件推理、因果推理和顺承推理的事理图谱。
本发明通过所述第一方法,构建出条件推理、因果推理和顺承推理的事理图谱,方便调用以及对对话文本数据进行分析。
其中,条件推理描述的是认知推理体系中的一种条件结果关系,是一种预设与结果逻辑;形式化为if A then B;因果推理描述的是认知推理体系中的一种前因后果联系,前面一个事件会导致后面一事件的发生;形式化为cause A so B;顺承推理描述的认知推理体系中的一种时间上的偏序关系,是一种先后动作逻辑;形式化为first A then B。
例如,当机器人电话销售商品时,客户反馈出来的购买意愿不强,可以定位营销事理图谱的条件推理关系。如果识别到觉得贵,应该回复优惠活动,如果识别到是觉得性能不好,应该推荐高性能型号进行替代推荐;APP注册时,客户上传资料失败,可以建立因果推理,客户咨询怎么解决时,机器人调用注册的因果推理图谱,主动采集失败原因,根据失败原因,给出对应的解决方案;客户主动表达西藏是个美丽的地方,我想去看看时,可以将该意图识别为一个出行时间,通过西藏出行这个顺承推理图谱,推出很多消费行为,包括机票预定、酒店预定、火车票预订等。
作为本发明的进一步解释,参见图1、5,所述第二数据库中还预存有非结构化文本;
所述第一方法为:所述处理器能够通过关系学习模型,对第二数据库中的关系型数据库信息和非结构化文本进行识别,构建组成推理、反转推理、并发推理关系的事理图谱。
本发明通过所述第一方法,构建出组成推理、反转推理、并发推理关系的事理图谱,方便调用以及对对话文本数据进行分析。
其中,关系学习模型可采用词嵌入、谓语词典等方式。词嵌入(Word Embedding)是一种将文本中的词转换成数字向量的方法,为了使用标准机器学习算法来对它们进行分析,就需要把这些被转换成数字的向量以数字形式作为输入。谓语词典是数理逻辑最基本的形式***,其又被称为一阶逻辑。一个可以回答真假的命题,不仅可以分析到简单命题,还可以分析到其中的个体、量词和谓词。个体表示某一个物体或元素,量词表示数量,谓词表示个体的一种属性。
其中,组成推理描述的是事件之间整体与部分的逻辑;是一种包含和被包含的关系逻辑;形式化为A includes B;反转推理往往描述的是认知推理体系中的一种互斥逻辑,是一种真假值逻辑;形式化为although A but B;并发推理,描述的是事件在时间上的一种共生关系,指一个事件发生下另一个事件一定发生,形式化为A coincide B。
例如,当客户询问手续费的税额能否抵扣时,定位税额抵扣的组成推理图谱,查找抵扣的支持范围,判定手续费是否包含在组成推理关系里;银行业务中,用户同时办理了业务A和业务B,而实际上,办理业务A和办理业务B两者之间存在一种互斥关系,那么则可以通过两个业务办理的先后顺序,更新用户的业务知识信息,将办理业务B这条知识进行移除。
作为本发明的进一步解释,参见图1、3,所述“识别模块,其通过对比对话文本数据和事件对象以识别事件对象”的步骤为:
基于事件对象数据库,所述处理器通过向量计算模型计算事件对象数据库中每个的事件对象数据的第一词向量数值;
所述处理器能够将对话文本数据转化为输入事件对象,并通过向量计算模型计算输入事件对象对应的第二词向量数值,所述处理器利用向量间相似度计算方法判断所述第一词向量数值与第二词向量数值的相似度是否大于第一预设阈值,若是,则判定所述输入事件对象为与其相似度大于第一预设阈值的所述事件对象,并存入事件对象数据库,若否,则通过正则规则方法进行事件对象缓存。
本发明首先通过计算事件对象数据库中每个的事件对象数据的第一词向量数值,再计算对话文本数据对应的输入事件对象的第二词向量竖直,并判断第一词向量数值与第二词向量数值的相似度是否大于第一预设阈值,若是,则说明用户输入的对话文本数据对应的输入事件对象就是上述比较的事件对象,并更新至事件对象数据库。
本发明通过上述方式,实现将用户输入的对话文本数据与预存的事件对象进行匹配,以便于后续对此事件对象的实时跟踪以及调取与此事件对应的事理图谱。
其中,所述向量计算模型:是一种文档表示和相似性计算的工具,不仅在搜索领域,在自然语言处理、文本挖掘等领域也是普遍采用的工具。作为表示文档的工具,向量空间模型把每个文档看做是由t维特征组成的一个向量,特征的定义可以采取不同方式,最常见的是以单词作为特征,就是从一篇文档中抽取出t个关键词,其中每个特征会根据某种算法计算其权重,这t维带有权重的特征向量就用来表示这一篇文档。
其中,所述向量间相似度计算方法可采用:欧式距离(Euclidean Distance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、闵可夫斯基距离(Minkowski Distance)等。其通过计算两个向量之间的距离,两个向量间距离越近,则两个向量越相似。当然也可采用夹角余弦、相反关系等方式。
其中,正则规则方法为:正则表达式(regular expression),描述了一种字符串匹配的模式,可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。构造正则表达式的方法和创建数学表达式的方法一样。也就是用多种元字符与运算符可以将小的表达式结合在一起来创建更大的表达式。正则表达式的组件可以是单个的字符、字符集合、字符范围、字符间的选择或者所有这些组件的任意组合。
作为本发明的进一步解释,参见图1、4,所述“跟踪模块,其用于对事件对象进行实时跟踪”的步骤为:所述处理器通过识别模块实时对比对话文本数据和事件对象以识别事件对象;
所述处理器能够获取用户通过输入模块输入对话文本数据的第一时间数据,并将第一时间数据对应的对话文本数据对应的事件对象转换为优先事件对象。
本发明通过实时对输入的对话文本数据对应的事件对象进行识别,并提高最近一次时间的所述事件对象的优先级,而其他事件对象的优先级相对下降,实现后续的步骤中先调用上述事件对象对应的事理图谱,从而实现对输入的对话文本数据对应的事件对象进行实时跟踪。
其中,所述第一时间数据为离现在最近的一次用户通过输入模块输入对话文本数据的时间。
其中,在整个对话过程中,根据不断输入的对话文本,实时进行事件对象识别,若发现新的事件对象,就将新的数据替换到事件对象缓存中,原事件对象数值优先级调低。机器人根据当前的最高优先级(事件对象缓存中最新的事件对象),调用该事件对象的事理图谱,进行文本分析和回复内容生成。
作为本发明的进一步解释,参见图1、2、3、4、5,接收模块,其用于用户接收回复内容数据;
所述“调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成”的步骤为:调用所述优先事件对象对应的事理图谱,结合逻辑运算方法,输出回复内容数据并发送至接收模块。
本发明通过上述方式,实现结合事理图谱和逻辑运算方法,快速形成回复数据将该数据作为话术生成并返回给前端的用户进行展示。
其中,逻辑运算方法可采用布尔运算,布尔运算是数字符号化的逻辑推演法,包括联合、相交、相减。在图形处理操作中引用了这种逻辑运算方法以使简单的基本图形组合产生新的形体,并由二维布尔运算发展到三维图形的布尔运算。
其中,当机器人具备事件对象跟踪和事理图谱推理能力后,整个对话交互过程就可以根据客户的对话文本进行主题的定位,并能够通过逻辑推理,将该主题中存在的待解决问题进行推理关系计算和布尔计算,形成回复数据,将该数据作为话术生成并返回给前端的用户进行展示。
作为本发明的进一步解释,参见图1、2、3、4、5,所述输入模块为:手机、电脑。
作为本发明的进一步解释,参见图1、2、3、4、5,所述处理器与第一构建模块、第二构建模块电连接。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于主体对象跟踪和认知推理的对话控制方法,其特征在于,包括如下步骤:
通过业务规则词库、产品词库构建事件对象数据库;
通过第一方法构建与事件对象对应的事理图谱;
用户输入对话文本数据;
对比对话文本数据和事件对象以识别事件对象;
对事件对象进行实时跟踪;
通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
2.一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:包括
第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库;
第二构建模块,其通过第一方法构建与事件对象对应的事理图谱;
输入模块,其用于用户输入对话文本数据;
识别模块,其通过对比对话文本数据和事件对象以识别事件对象;
跟踪模块,其用于对事件对象进行实时跟踪;
处理器,其通过第一构建模块构建事件对象数据库,并通过第二构建模块构建事件对象对应的事理图谱;
当用户输入对话文本时,所述处理器控制所述识别模块对比对话文本数据的词向量数值和事件对象的词向量数值以识别事件对象,所述处理器通过控制所述跟踪模块对事件对象进行实时跟踪,并调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成。
3.根据权利要求2所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:还包括
第一数据库,其预存有知识库文本数据;
业务规则词库,其用于存储第一关键词语、第二关键词语;
第二数据库,其预存有关系型数据库信息;
产品词库,其用于存储主键对应的名称信息;
所述“第一构建模块,其通过业务规则词库、产品词库构建事件对象数据库”的步骤为:所述处理器利用文本处理工具的新词发现算法,计算第一数据库中的知识库文本数据的信息熵和互信息挖掘未登录词,并加入第一数据库;
在第一数据库中的知识库文本数据的顶级节点,所述处理器采用第一提取方法以提取第一关键词语,并加入业务规则词库;
在第一数据库中的知识库文本数据的末尾节点,所述处理器采用第二提取方法以提取第二关键词语,并加入业务规则词库;
所述处理器利用信息抽取方法提取第二数据库中的关系型数据库信息,抽取主键对应的名称信息,并加入产品词库;
所述处理器控制第一构建模块将业务规则词库、产品词库合并为事件对象数据库。
4.根据权利要求3所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:
所述第一数据库还预存有知识图谱;
所述第一方法为:所述处理器能够引用所述知识图谱中的实体数据的上下位关系,构建上下位推理关系的事理图谱。
5.根据权利要求3所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:
所述第二数据库中还预存有非结构化文本;
所述第一方法为:所述处理器能够通过关系学习模型,对第二数据库中的关系型数据库信息和非结构化文本进行识别,构建组成推理、反转推理、并发推理关系的事理图谱。
6.根据权利要求4所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:
所述“识别模块,其通过对比对话文本数据和事件对象以识别事件对象”的步骤为:
基于事件对象数据库,所述处理器通过向量计算模型计算事件对象数据库中每个的事件对象数据的第一词向量数值;
所述处理器能够将对话文本数据转化为输入事件对象,并通过向量计算模型计算输入事件对象对应的第二词向量数值,所述处理器利用向量间相似度计算方法判断所述第一词向量数值与第二词向量数值的相似度是否大于第一预设阈值,若是,则判定所述输入事件对象为与其相似度大于第一预设阈值的所述事件对象,并存入事件对象数据库,若否,则通过正则规则方法进行事件对象缓存。
7.根据权利要求6所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:
所述“跟踪模块,其用于对事件对象进行实时跟踪”的步骤为:所述处理器通过识别模块实时对比对话文本数据和事件对象以识别事件对象;
所述处理器能够获取用户通过输入模块输入对话文本数据的第一时间数据,并将第一时间数据对应的对话文本数据对应的事件对象转换为优先事件对象。
8.根据权利要求7所述的一种基于主体对象跟踪和认知推理的对话控制***,其特征在于:还包括
接收模块,其用于用户接收回复内容数据;
所述“调用所述事件对象对应的事理图谱,通过文本分析进行回复内容生成”的步骤为:调用所述优先事件对象对应的事理图谱,结合逻辑运算方法,输出回复内容数据并发送至接收模块。
9.一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所述的方法的步骤。
10.一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627992.7A CN114281972A (zh) | 2021-12-28 | 2021-12-28 | 基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627992.7A CN114281972A (zh) | 2021-12-28 | 2021-12-28 | 基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114281972A true CN114281972A (zh) | 2022-04-05 |
Family
ID=80877127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627992.7A Pending CN114281972A (zh) | 2021-12-28 | 2021-12-28 | 基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114281972A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707004A (zh) * | 2022-05-24 | 2022-07-05 | 国网浙江省电力有限公司信息通信分公司 | 基于图像模型和语言模型的事理关系抽取处理方法及*** |
CN114969382A (zh) * | 2022-07-19 | 2022-08-30 | 国网浙江省电力有限公司信息通信分公司 | 基于事理图谱事件链推理的实体生成方法 |
-
2021
- 2021-12-28 CN CN202111627992.7A patent/CN114281972A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707004A (zh) * | 2022-05-24 | 2022-07-05 | 国网浙江省电力有限公司信息通信分公司 | 基于图像模型和语言模型的事理关系抽取处理方法及*** |
CN114707004B (zh) * | 2022-05-24 | 2022-08-16 | 国网浙江省电力有限公司信息通信分公司 | 基于图像模型和语言模型的事理关系抽取处理方法及*** |
CN114969382A (zh) * | 2022-07-19 | 2022-08-30 | 国网浙江省电力有限公司信息通信分公司 | 基于事理图谱事件链推理的实体生成方法 |
CN114969382B (zh) * | 2022-07-19 | 2022-10-21 | 国网浙江省电力有限公司信息通信分公司 | 基于事理图谱事件链推理的实体生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102288249B1 (ko) | 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체 | |
CN111105209B (zh) | 适用于人岗匹配推荐***的职位简历匹配方法及装置 | |
CN112632226B (zh) | 基于法律知识图谱的语义搜索方法、装置和电子设备 | |
KR102244938B1 (ko) | 인공지능 채용 시스템 및 상기 시스템의 채용 방법 | |
CN114281972A (zh) | 基于主体对象跟踪和认知推理的对话控制方法、***存储介质和服务器 | |
US11599666B2 (en) | Smart document migration and entity detection | |
US20230072171A1 (en) | System and method for training and refining machine learning models | |
CN112287090A (zh) | 一种基于知识图谱的金融问题反问方法及*** | |
Varshney et al. | Recognising personality traits using social media | |
CN113190702A (zh) | 用于生成信息的方法和装置 | |
CN115599899A (zh) | 基于飞行器知识图谱的智能问答方法、***、设备及介质 | |
CN115577080A (zh) | 一种问题回复匹配方法、***、服务器及存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN117312372B (zh) | 基于背景知识增强的sql生成方法、装置、设备及介质 | |
Korade et al. | Strengthening Sentence Similarity Identification Through OpenAI Embeddings and Deep Learning. | |
Karpagam et al. | Deep learning approaches for answer selection in question answering system for conversation agents | |
CN113468311B (zh) | 一种基于知识图谱的复杂问句问答方法、装置及存储介质 | |
CN111274382A (zh) | 文本分类方法、装置、设备及存储介质 | |
Long et al. | Joint learning for legal text retrieval and textual entailment: leveraging the relationship between relevancy and affirmation | |
Lokman et al. | A conceptual IR chatbot framework with automated keywords-based vector representation generation | |
CN113157892A (zh) | 用户意图处理方法、装置、计算机设备及存储介质 | |
CN110727798A (zh) | 一种基于朴素贝叶斯分类的节日情感分析方法 | |
Tülümen et al. | Hybrid Job and Resume Matcher | |
CN115618968B (zh) | 新意图发现方法、装置、电子设备及存储介质 | |
Sghaier et al. | Relevance and importance in deep learning for open source data processing to enhance context |
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 |