CN114661864A - 一种基于受控文本生成的心理咨询方法、装置及终端设备 - Google Patents

一种基于受控文本生成的心理咨询方法、装置及终端设备 Download PDF

Info

Publication number
CN114661864A
CN114661864A CN202210303626.4A CN202210303626A CN114661864A CN 114661864 A CN114661864 A CN 114661864A CN 202210303626 A CN202210303626 A CN 202210303626A CN 114661864 A CN114661864 A CN 114661864A
Authority
CN
China
Prior art keywords
psychological
knowledge
text
sentence
controlled
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
Application number
CN202210303626.4A
Other languages
English (en)
Inventor
徐涛
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210303626.4A priority Critical patent/CN114661864A/zh
Publication of CN114661864A publication Critical patent/CN114661864A/zh
Pending legal-status Critical Current

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • 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 Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Machine Translation (AREA)

Abstract

本发明适用于人工智能技术领域，提供了一种基于受控文本生成的心理咨询方法、装置及终端设备，方法包括将样本数据输入情感检测模型、场景主题类型识别模型；将样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使知识检测模型输出知识关键词；将上述数据拼接后，生成控制信息，并与样本数据一起训练受控文本生成算法模型；通过训练后的受控文本生成算法模型，输出机器侧的心理咨询问答数据的心理咨询回复。将受控文本生成算法模型应用于人机交互的心理咨询场景中，提高心理咨询对话时所生成的内容相关性和流畅性，使其语义连贯且逻辑自洽，达到改进智能咨询对话的效果。

Description

一种基于受控文本生成的心理咨询方法、装置及终端设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于受控文本生成的心理咨询方法、装置及终端设备。
背景技术
自动文本生成是自然语言处理领域的重要应用方向，如机器翻译，智能语音交互技术等。其中，智能语音交互技术对智能服务行业提供了劳动力，例如，执业心理咨询师人员数量与心理咨询市场需求存在很大缺口，同时受限于心理咨询师专业素养参差不齐以及时间和空间等因素，人们不能很好方便地得到有效的心理咨询，而借助智能语音交互技术，可以提高心理咨询工作的效率，在一定程度上弥补市场需求缺口。
但是，在需要生成篇幅较长的文本时，现在常用的自动文本生成方法无法保证机器侧生成的心理咨询问答数据是语义连贯且逻辑自洽的。
发明内容
本发明的主要目的在于提出一种基于受控文本生成的心理咨询方法、装置及终端设备，以解决现有的自动文本生成方法无法保证机器侧生成的心理咨询问答数据是语义连贯且逻辑自洽的问题。
为实现上述目的，本发明实施例第一方面提供一种基于受控文本生成的心理咨询方法，包括：
将样本数据输入情感检测模型、场景主题类型识别模型；所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题；
将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词；
将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型；
通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
结合本发明第一方面，本发明第一实施方式中，所述知识检测模型输出知识关键词之前，包括：
根据所述知识检测模型提取的内容关键词，匹配输出三元词组；
将所述三元词组转化为语句，获得三元语句组。
结合本发明第一方面第一实施方式，本发明第二实施方式中，获取与下一句信息最相关的句子，包括：
从目标特性句子集合中检索一个内容与所述三元词组最接近的句子，作为与下一句信息最相关的句子。
结合本发明第一方面第二实施方式，本发明第三实施方式中，所述知识检测模型输出知识关键词，包括：
根据所述与下一句信息最相关的句子将所述三元语句组的句子排序，通过排序结果输出具有排列顺序的内容关键词，所述具有排列顺序的内容关键词的为所述知识关键词。
结合本发明第一方面，本发明第四实施方式中，将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型，包括：
将所述用户侧的心理咨询问答数据与所述控制信息拼接，作为训练所述受控文本生成算法模型的训练集；
将下一句信息作为训练所述受控文本生成算法模型的验证集。
结合本发明第一方面，本发明第五实施方式中，通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复之前，包括：
通过人机交互获取用户侧的心理咨询问答数据；
处理所述用户侧的心理咨询问答数据。
结合本发明第一方面第五实施方式，本发明第六实施方式中，处理用户侧的心理咨询问答数据，包括：
将所述用户侧的心理咨询问答数据转换为所述控制信息；
所述用户侧的心理咨询问答数据与所述控制信息拼接，生成处理后的用户侧的心理咨询问答数据。
本发明实施例第二方面提供一种基于受控文本生成的心理咨询装置，包括：
样本数据处理模块，用于将样本数据输入情感检测模型、场景主题类型识别模型；所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题；
知识关键词输出模块，用于将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词；
受控文本生成算法模型训练模块，将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型；
心理咨询回复输出模块，用于通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例提出一种基于受控文本生成的心理咨询方法，将机器侧的心理咨询问答数据的输出，转换为受控文本生成算法模型的输出，从而将受控文本生成算法模型应用于人机交互的心理咨询场景中，提高心理咨询对话时所生成的内容相关性和流畅性，使其语义连贯且逻辑自洽，达到改进智能咨询对话的效果。
附图说明
图1为本发明实施例提供的基于受控文本生成的心理咨询方法的实现流程示意图；
图2为本发明实施例提供的基于受控文本生成的心理咨询装置的组成结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
如图1所示，一种基于受控文本生成的心理咨询方法，首先通过心理咨询问答数据的样本数据训练受控文本生成算法模型，然后，使用处理后的用户侧的心理咨询问答数据，使其符合受控文本生成算法模型的输入，从而将受控文本生成算法模型应用于人机交互的心理咨询场景中，方法包括但不限于如下步骤：
S101、将样本数据输入情感检测模型、场景主题类型识别模型；
所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题。
在上述步骤S101中，样本数据为实际心理咨询过程中所采集的历史心理咨询问答数据，并将其整理划分为用户侧的历史心理咨询问答数据、与用户侧的历史心理咨询问答数据对应的机器侧的历史心理咨询问答数据，其中，机器侧的历史心理咨询问答数据包括下一句信息。
在本发明实施例中，情感检测模型、场景主题类型识别模型为训练后的神经网络模型，如循环神经网络(Recurrent Neural Network，RNN)，卷积神经网络(ConvolutionalNeuralNetworks，CNN)，Transformer等神经网络结构。示例性地，情感检测模型的训练方式为：
1、处理样本数据，将其转换为带有情感标签的文本，记为第一样本文本，情感标签包括但不限于“喜”、“怒”、“哀”、“乐”、“惊”、“悲”和“恐”等基本情感类型；
2、将第一样本文本作为情感检测模型的输入，获取情感检测模型基于第一参数和情感标签的输出结果，根据输出结果和第一样本文本，调整情感检测模型的第一参数，直至情感检测模型的输出结果和情感标签相一致。其输出为从第一样本文本得到其对应的情感标签的条件概率值，通过损失函数迭代情感检测模型的参数直至达到收敛条件，收敛条件可以损失函数的值小于预设的阈值或者迭代次数达到预设的迭代次数阈值。
场景主题类型识别模型的训练方式为：
1、处理样本数据，获取其中带有文本场景主题类型的文本数据，作为第二样本文本。文本场景主题类型包括但不限于“夫妻不和”、“孩子游戏成瘾”、“职场如何拒绝”、“高考压力大”以及“恋情分手”等200余个场景主题类型。
在具体应用中，不同的场景主题类型能够影响文本生成的结果，不同的场景主题、相同的情感标签将表达不同的意思，比如“高考”场景主题与“工作”场景主题是不同的主题类型，当情感标签都为“压力大”，在生成对话时，应当分别根据强调高考学习带来的紧张感作出回应，根据人在踏入社会为生活奋斗的工作状态做出回应。
2、将第二样本文本作为场景主题类型识别模型的输入。获取场景主题类型识别模型基于第二参数和文本场景主题类型的输出结果，根据输出结果和第二样本文本，调整场景主题类型识别模型的第二参数，直至场景主题类型识别模型的输出结果和第二样本文本标签相一致。其输出为从第二文本样本得到其对应的文本场景主题类型的条件概率值，通过损失函数迭代场景主题类型识别模型的参数直至达到收敛条件，收敛条件可以损失函数的值小于预设的阈值或者迭代次数达到预设的迭代次数阈值。
S102、将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词。
在上述步骤S102中，将样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，以及将与下一句信息最相关的句子输入知识检测模型时，将上述内容用<s>连接符拼接后输入，示例性的，样本数据为：“大学快毕业了，女朋友提出要和我分手”时，文本情感类型为“悲”，文本场景主题类型为“恋情分手”，与下一句信息最相关的句子为“你能具体和我谈谈和她认识的经历吗”，则输入知识检测模型时，其形式为“大学快毕业了，女朋友提出要和我分手<s>情感：悲<s>主题：恋情分手<s>你能具体和我谈谈和她认识的经历吗”。
在本发明实施例中，心理知识图谱为心理专业领域三元组，至少包括属性分别为<病症，诱因，表现>的三个词，比如<抑郁症，触发诱因，情绪低沉>。
在本发明实施例中，知识检测模型所输出的知识关键词为具有排列顺序的三元词组，三元词组至少包括属性分别为<subject，relation，object>的三个词，比如，<A，喜欢，B>。因此，上述步骤S102中的所述知识检测模型输出知识关键词之前，知识关键词的生成方式包括：
S1021、根据所述知识检测模型提取的内容关键词，匹配输出三元词组；
S1022、将所述三元词组转化为语句，获得三元语句组。
在本发明实施例中，与下一句信息最相关的句子的获取通过常识生成任务实现，使用概念集合，以及自动生成的能够描述这个概念集合的句子，构成目标特性句子集合，作为与下一句信息最相关的句子的备选集合，并且，最终生成的句子不能违背常识。因此，上述步骤S102中的获取与下一句信息最相关的句子，包括：
从目标特性句子集合中检索一个内容与所述三元词组最接近的句子，作为与下一句信息最相关的句子。
基于此，上述步骤S102中的所述知识检测模型输出知识关键词的实现方式可以为：
根据所述与下一句信息最相关的句子将所述三元语句组的句子排序，通过排序结果输出具有排列顺序的内容关键词，所述具有排列顺序的内容关键词的为所述知识关键词。
在实际应用中，通过上述步骤S1022将三元词组转化为语句时，可以获得多个结果，如基于<A，喜欢，B>，可以得到语句A喜欢B，B喜欢A，喜欢A B，假设目标特性句子集合中检索一个内容与所述三元词组最接近的句子为B也喜欢A，那么，语句A喜欢B的排序>语句B喜欢A>喜欢AB，最终输出的知识关键词为[A，喜欢，B]。同理，则基于样本数据“大学快毕业了，女朋友提出要和我分手”，可以得到的知识关键词为[分手，让人感到，沮丧]。
S103、将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型。
在本发明实施例中，受控文本生成算法模型的输入为拼接后的知识关键词、文本情感类型、文本场景主题、与下一句信息最相关的句子及样本数据。基于上文中示例，示例性地，步骤S103中所输入的内容为“大学快毕业了，女朋友提出要和我分手<s>分手总让人感到沮丧<s>情感：悲<s>主题：恋情分手<s>你能具体和我谈谈和她认识的经历吗”。
其中，样本数据和控制信息为输入受控文本生成算法模型中额外输入模块的初始信号，且知识关键词作为输入受控文本生成算法模型中序列输入模块的序列信号，其训练方式为：
将所述用户侧的心理咨询问答数据与所述控制信息拼接，作为训练所述受控文本生成算法模型的训练集；
将下一句信息作为训练所述受控文本生成算法模型的验证集。
需要说明的是，本发明实施例中，受控文本生成算法模型其中的生成操作模块，采用预训练文本生成算法(Generative Pre-Training，GPT模型)，该模型是自回归的语言模型，即利用已经出现的词预测未来的词，并对预测词的概率计算多层感知机(MLP，Multilayer Perceptron)损失优化模型参数。
本发明实施例中，受控文本生成算法模型其中的训练目标模块，使用梯度下降法来更新模型的参数，具体的：设置η为学习率，其表示参数每次更新的幅度，通过上述样本数据、控制信息及下一句信息，以迭代方式不断的迭代计算参数直至到达收敛条件，其中所述收敛条件为损失函数小于预设的阈值或者训练迭代的次数大于预设的迭代次数阈值。
S104、通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
在上述步骤S104中，输出心理咨询回复即生成输出文本，在此过程中，也即输出模块的输出，通过Top-p Sampling采样完成，以避免由于上述受控文本生成算法模型在每个阶段预测输出文本中的一个词，通过集束搜索算法输出的多个文本的相似度比较高，输出文本的多样性不够的问题。
在具体应用中，Top p Sampling采用的是累计概率的方式，即从累计概率超过某一个阈值p的词汇中进行采样。本发明实施例根据参数p的大小调节(0<=p<=1), Top-PSampling增大了出现概率较小的词汇的生成的概率，从而可以增加输出文本的多样性。
在本发明实施例中，用户侧的心理咨询问答数据通过人机交互的心理咨询过程获得，即上述步骤S104之前，包括：
通过人机交互获取用户侧的心理咨询问答数据；
处理所述用户侧的心理咨询问答数据。
其中，处理所述用户侧的心理咨询问答数据，包括：
将所述用户侧的心理咨询问答数据转换为所述控制信息；
所述用户侧的心理咨询问答数据与所述控制信息拼接，生成处理后的用户侧的心理咨询问答数据。
在本发明实施例中，用户侧的心理咨询问答数据的处理，为通过上述步骤S101至步骤S103中的处理方式，获得基于用户侧的心理咨询问答数据的控制信息，即知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子。
如图2所示，本发明实施例还提供一种基于受控文本生成的心理咨询装置20，包括：
样本数据处理模块21，用于将样本数据输入情感检测模型、场景主题类型识别模型；所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题；
知识关键词输出模块22，用于将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词；
受控文本生成算法模型训练模块23，将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型；
心理咨询回复输出模块24，用于通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例中所述的基于受控文本生成的心理咨询方法中的各个步骤。
本发明实施例还提供一种存储介质，所述存储介质为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，实现如上述实施例中所述的基于受控文本生成的心理咨询方法中的各个步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于受控文本生成的心理咨询方法，其特征在于，包括：
将样本数据输入情感检测模型、场景主题类型识别模型；所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题；
将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词；
将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型；
通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
2.如权利要求1所述的基于受控文本生成的心理咨询方法，其特征在于，所述知识检测模型输出知识关键词之前，包括：
根据所述知识检测模型提取的内容关键词，匹配输出三元词组；
将所述三元词组转化为语句，获得三元语句组。
3.如权利要求2所述的基于受控文本生成的心理咨询方法，其特征在于，获取与下一句信息最相关的句子，包括：
从目标特性句子集合中检索一个内容与所述三元词组最接近的句子，作为与下一句信息最相关的句子。
4.如权利要求3所述的基于受控文本生成的心理咨询方法，其特征在于，所述知识检测模型输出知识关键词，包括：
根据所述与下一句信息最相关的句子将所述三元语句组的句子排序，通过排序结果输出具有排列顺序的内容关键词，所述具有排列顺序的内容关键词的为所述知识关键词。
5.如权利要求1所述的基于受控文本生成的心理咨询方法，其特征在于，将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型，包括：
将所述用户侧的心理咨询问答数据与所述控制信息拼接，作为训练所述受控文本生成算法模型的训练集；
将下一句信息作为训练所述受控文本生成算法模型的验证集。
6.如权利要求1所述的基于受控文本生成的心理咨询方法，其特征在于，通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复之前，包括：
通过人机交互获取用户侧的心理咨询问答数据；
处理所述用户侧的心理咨询问答数据。
7.如权利要求6所述的基于受控文本生成的心理咨询方法，其特征在于，处理用户侧的心理咨询问答数据，包括：
将所述用户侧的心理咨询问答数据转换为所述控制信息；
所述用户侧的心理咨询问答数据与所述控制信息拼接，生成处理后的用户侧的心理咨询问答数据。
8.一种基于受控文本生成的心理咨询装置，其特征在于，包括：
样本数据处理模块，用于将样本数据输入情感检测模型、场景主题类型识别模型；所述情感检测模型输出文本情感类型、所述场景主题类型识别模型输出文本场景主题；
知识关键词输出模块，用于将所述样本数据、文本情感类型、文本场景主题，结合心理知识图谱输入知识检测模型，同时获取与下一句信息最相关的句子，以使所述知识检测模型输出知识关键词；
受控文本生成算法模型训练模块，将所述知识关键词、文本情感类型、文本场景主题和与下一句信息最相关的句子拼接后，生成控制信息，并与所述样本数据一起用于训练所述受控文本生成算法模型；
心理咨询回复输出模块，用于通过训练后的受控文本生成算法模型，对处理后的用户侧的心理咨询问答数据进行分析，输出机器侧的心理咨询问答数据的心理咨询回复。
9.一种终端设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的基于受控文本生成的心理咨询方法中的各个步骤。
10.一种存储介质，所述存储介质为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，实现如权利要求1至7任一项所述的基于受控文本生成的心理咨询方法中的各个步骤。
CN202210303626.4A 2022-03-24 2022-03-24 一种基于受控文本生成的心理咨询方法、装置及终端设备 Pending CN114661864A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210303626.4A CN114661864A (zh) 2022-03-24 2022-03-24 一种基于受控文本生成的心理咨询方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210303626.4A CN114661864A (zh) 2022-03-24 2022-03-24 一种基于受控文本生成的心理咨询方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN114661864A true CN114661864A (zh) 2022-06-24

Family

ID=82031470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210303626.4A Pending CN114661864A (zh) 2022-03-24 2022-03-24 一种基于受控文本生成的心理咨询方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN114661864A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821287A (zh) * 2023-08-28 2023-09-29 湖南创星科技股份有限公司 基于知识图谱和大语言模型的用户心理画像***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821287A (zh) * 2023-08-28 2023-09-29 湖南创星科技股份有限公司 基于知识图谱和大语言模型的用户心理画像***及方法
CN116821287B (zh) * 2023-08-28 2023-11-17 湖南创星科技股份有限公司 基于知识图谱和大语言模型的用户心理画像***及方法

Similar Documents

Publication Publication Date Title
JP6819990B2 (ja) 対話システム及びそのためのコンピュータプログラム
CN107798140B (zh) 一种对话***构建方法、语义受控应答方法及装置
US7630981B2 (en) Method and system for learning ontological relations from documents
CN109460459B (zh) 一种基于日志学习的对话***自动优化方法
CN113127624B (zh) 问答模型的训练方法及装置
Zhao et al. ZYJ123@ DravidianLangTech-EACL2021: Offensive language identification based on XLM-RoBERTa with DPCNN
Shen et al. Kwickchat: A multi-turn dialogue system for aac using context-aware sentence generation by bag-of-keywords
US20230103313A1 (en) User assistance system
CN117056479A (zh) 基于语义解析引擎的智能问答交互***
CN114297399A (zh) 知识图谱生成方法、***、存储介质及电子设备
CN114676259B (zh) 一种基于因果感知交互网络的对话情绪识别方法
CN116821290A (zh) 面向多任务对话的大语言模型训练方法和交互方法
CN116431806A (zh) 自然语言理解方法及冰箱
CN112183106A (zh) 一种基于音素联想及深度学习的语义理解方法及装置
TWI734085B (zh) 使用意圖偵測集成學習之對話系統及其方法
Varaprasad et al. Applications and Techniques of Natural Language Processing: An Overview.
CN114661864A (zh) 一种基于受控文本生成的心理咨询方法、装置及终端设备
CN117438047A (zh) 心理咨询模型训练和心理咨询处理方法、装置及电子设备
CN107153685B (zh) 人机对话***中基于时间线记忆的认知方法及装置
Al-Abri et al. A scheme for extracting information from collaborative social interaction tools for personalized educational environments
CN114330285A (zh) 语料处理方法、装置、电子设备及计算机可读存储介质
CN113971212A (zh) 多语种问答方法、装置、电子设备及存储介质
Ali et al. AI-Natural Language Processing (NLP)
CN111460106A (zh) 一种信息交互方法、装置及设备
CN117453895B (zh) 一种智能客服应答方法、装置、设备及可读存储介质

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