CN116402057A - 一种基于自然语言的人机交互*** - Google Patents
一种基于自然语言的人机交互*** Download PDFInfo
- Publication number
- CN116402057A CN116402057A CN202310359736.7A CN202310359736A CN116402057A CN 116402057 A CN116402057 A CN 116402057A CN 202310359736 A CN202310359736 A CN 202310359736A CN 116402057 A CN116402057 A CN 116402057A
- Authority
- CN
- China
- Prior art keywords
- natural language
- information
- model
- feedback information
- reply
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 89
- 230000004044 response Effects 0.000 claims abstract description 70
- 238000003058 natural language processing Methods 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 46
- 230000002452 interceptive effect Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 210000005155 neural progenitor cell Anatomy 0.000 description 26
- 230000008569 process Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static 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
-
- 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
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
一种基于自然语言的人机交互***,包括:自然语言理解模型、任务响应模型以及自然语言转换模型;获取输入信息,将输入信息输入自然语言理解模型;若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;自然语言转换模型将反馈信息转换为回复信息,发送至用户。通过上述方式,使回复信息与交互单元环境更契合,获得个性化的回复信息,增加人机交互***的智能性。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于自然语言的人机交互***。
背景技术
现今,部分原有的基于自然语言的人机交互***,存在交互范围具有局限性、交互开放性差、交互不够智能等问题。
发明内容
为解决上述技术问题,本申请提供了一种基于自然语言的人机交互***,包括:自然语言理解模型、任务响应模型以及自然语言转换模型;获取输入信息,将输入信息输入自然语言理解模型;若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;自然语言转换模型将反馈信息转换为回复信息,发送至用户。
一种基于自然语言的人机交互***,还包括:获取当前交互单元参数;自然语言处理模型根据反馈信息转换回复信息时,根据反馈信息并结合当前交互单元参数,将反馈信息转换为回复信息。
一种基于自然语言的人机交互***,还包括:自然语言转换模型根据反馈信息中的有效语义,将反馈信息转换为回复信息,发送至用户;反馈信息中的有效语义为反馈信息中与主谓宾结构对应的三元组及三元组词语或反馈信息所对应的树状图中的主干部分。
一种基于自然语言的人机交互***,交互单元参数存在与其关联的词语、三元组、三元组集合、句子以及文本;自然语言转换模型将反馈信息转换为回复信息包括自然语言转换模型根据交互单元参数,确定与交互单元参数关联的词语、三元组、三元组集合、句子以及文本;根据反馈信息的有效语义所确定基础信息或基础结构,结合与交互单元参数关联的词语、三元组、三元组集合、句子以及文本,以及文本生成技术,拓展生成与交互单元参数和反馈信息有效语义均适配的个性化回复信息。
一种基于自然语言的人机交互***,自然语言转换模型中存在若干预存储的句子,预存储句子存在与其关联的标签;自然语言转换模型将反馈信息转换为回复信息包括将有效语义和交互单元参数作为条件,对自然语言转换模型中若干预存储的句子进行匹配、筛选,若筛选后仍存在预存储句子,将预存储句子作为转换表达的回复信息。
一种基于自然语言的人机交互***,包括:自然语言理解模型、任务响应模型以及自然语言处理模型;获取输入信息,将输入信息输入自然语言理解模型;若自然语言处理模型无法识别输入信息,自然语言理解模型将输入信息传输至自然语言处理模型,自然语言处理模型根据输入信息输出回复信息;若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;自然语言处理模型将反馈信息转换为回复信息,发送至用户。
一种基于自然语言的人机交互***,其特征在于,自然语言处理模型根据输入信息和反馈信息的信息类型,选择不同的处理方式,输出回复信息;输入信息为自然语言理解模型未能处理的初始信息;反馈信息为自然语言理解模型和任务响应模型处理后的结果信息;在输入自然语言处理模型的为输入信息时,自然语言处理模型理解输入信息,并确定与输入信息关联的回复信息;在输入自然语言处理模型的为反馈信息时,自然语言处理模型对反馈信息进行转换,转换为回复信息。
一种基于自然语言的人机交互***,获取输入自然语言处理模型中的反馈信息、交互单元参数以及回复信息;提取反馈信息中的有效语义;将反馈信息中的有效语义、交互单元参数以及回复信息,或反馈信息、交互单元参数以及回复信息,作为训练数据,对自然语言转换模型进行训练,提升原有自然语言转换模型的性能。
一种电子设备,包括处理器、存储器,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行所述***中的步骤的指令。
一种计算机可读存储介质,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行所述***。
通过上述方式,使回复信息与交互单元环境更契合,获得个性化的回复信息,增加人机交互***的智能性。
说明书附图
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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他的附图。
图1是本申请实施例提供的一种基于自然语言的人机交互***的处理流程示意图。
具体实施方式
本申请的说明书以及附图中所提到的术语“包括”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是,本申请实施例中,“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方法不应被解释为比其他实施例或设计方案更优地或更具优势。确切而言,使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。在本申请实施例中,“A和/或B”表示A和B,A或B两个含义。“A,和/或B,和/或C”表示A、B、C中的任一个,或者,表示A、B、C中的任两个,或者,表示A和B和C。
一种基于自然语言的人机交互***,可以应用于现实世界、虚拟世界、元宇宙以及语音互动类娱乐方式等各种基于自然语言进行人机交互的环境,包括:自然语言理解模型、任务响应模型以及自然语言转换模型。
自然语言理解模型用于对输入的文本信息进行识别、理解,输出语义理解结果,并将语义理解结果传输至任务响应模型。
任务响应模型用于根据输入的语义理解结果确定反馈信息,并将反馈信息发送至自然语言转换模型。
自然语言转换模型用于对反馈信息进行转换,转换为回复信息,并发送至用户。
在一种实施例中,自然语言理解模型为语义提取模型,对输入的文本信息进行语义理解,输出三元组集合。即语义理解结果为三元组集合。
语义提取模型为基于规则的自然语言处理模型,可包括基于符号规则,基于图匹配规则,基于语义知识网络,以及基于联合使用概率或其它附加评估算法(比如基于深度学习的模糊匹配或相似性算法)的自然语言处理模型。
三元组集合为表征输入信息的一种方式。三元组集合包括若干三元组。三元组包括两个实体和实体之间的关联关系。每个实体中包括至少一个词语,实体为词或词组的上位概念或总结概念。关联关系用于表征所述两个实体的语义和/或语法关系。三元组集合中的若干个三元组可以基于相同的实体、词或词组,相互连接形成树或图。即三元组集合包含相互连接形成的树或图,三元组集合整体可由相互连接形成的树或图表示。
语义提取模型关联语义知识网络。语义知识网络可认为是知识图谱,语义知识网络包括若干三元组集合,语义知识网络的连接架构由三元组组成。
请参阅图1,一种基于自然语言的人机交互方法,基于一种基于自然语言的人机交互***,包括:
S10获取输入信息,将输入信息输入自然语言理解模型;
若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;
S20任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;
S30自然语言转换模型将反馈信息转换为回复信息,发送至用户。
在一种实施例中,S10为:获取输入信息,将输入信息输入语义提取模型;若语义提取模型能识别输入信息,语义提取模型根据输入信息输出三元组集合。
具体的,语义提取模型对于输入信息的理解过程为:分词、词性分析、句法分析以及在语义知识网络中的子图匹配,若经过上述过程,输入信息可在语义知识网络中匹配出三元组集合,则认为输入信息能被识别。
在一种实施例中,S20为:任务响应模型根据输入的三元组集合确定响应操作,任务响应模型执行响应操作,返回反馈信息,将反馈信息传输至自然语言转换模型。
具体的,任务响应模型基于输入的三元组集合,结合预设任务,确定响应操作。预设任务包括若干预设的预测三元组集合和若干预设的与预测三元组集合对应的响应操作。将输入的三元组集合与预测三元组集合进行匹配,根据匹配结果确定响应操作。
响应操作包括响应行为和响应信息。
在响应操作为响应行为时,任务响应模型执行响应行为,根据响应结果生成反馈信息。响应行为为执行任务的业务流程。
在响应操作为响应信息时,响应信息为反馈信息。
反馈信息可以为句子,也可以为三元组集合。在本实施例中,反馈信息为句子。
在一种实施例中,S30为:自然语言转换模型对反馈信息进行转换,转换为回复信息。
可选的,自然语言转换模型根据反馈信息中的有效语义,将反馈信息转换为回复信息,发送至用户。
反馈信息中的有效语义可用于简洁表征反馈信息含义。反馈信息的有效语义出现在反馈信息中满足预设条件的结构上。在一种实施例中,反馈信息的有效语义为反馈信息的主谓宾结构,反馈信息的定状补结构为反馈信息的无效语义。在一种实施例中,反馈信息中的有效语义的表现形式为反馈信息中与主谓宾结构对应的三元组及三元组词语。如:表示拒绝的反馈信息包括“我十分确定我不要”“我真的不要”等,反馈信息的有效语义为“我不要”,表征反馈信息中的有效语义的三元组集合为:陈述否定动作{不,要}+陈述否定主谓关系{我,要}。在其他实施例中,反馈信息的有效语义还可以为反馈信息所对应的树状图中的主干部分。
可选的,在任务响应模型中,若反馈信息由三元组集合进行表征时,可使三元组集合仅表征响应信息中的有效语义。
可选的,S10还包括获取当前交互单元参数,在S30中,自然语言处理模型根据反馈信息转换回复信息时,根据反馈信息并结合当前交互单元参数,将反馈信息转换为回复信息。
交互单元参数包括交互场景参数、交互对象参数以及其他若干交互环境的属性参数。
交互场景参数包括时间、地点、天气、氛围等场景属性。交互对象参数包括交互对象的身份、性格、行为、状态等。
在一种实施例中,交互单元参数存在与其关联的词语、三元组、三元组集合、句子以及文本。交互单元参数与词语、三元组、三元组集合、句子以及文本的关联关系,可通过文本分类模型或者标签***完成。自然语言转换模型将反馈信息转换为回复信息的过程可以是:自然语言转换模型根据交互单元参数,确定与交互单元参数关联的词语、三元组、三元组集合、句子以及文本;根据反馈信息的有效语义所确定基础信息或基础结构,结合与交互单元参数关联的词语、三元组、三元组集合、句子以及文本,以及文本生成技术,拓展生成与交互单元参数和反馈信息有效语义均适配的个性化回复信息。
在另一种实施例中,自然语言转换模型中存在若干预存储的句子或自然语言转换模型关联预存储若干句子的数据库,预存储句子存在与其关联的标签,数据库标签包括交互单元参数。自然语言转换模型将反馈信息转换为回复信息的过程可以是:将有效语义和交互单元参数作为条件,对自然语言转换模型中若干预存储的句子进行匹配、筛选,若筛选后仍存在预存储句子,将预存储句子作为转换表达的回复信息。
通过上述方式,使回复信息与交互单元环境更契合,获得个性化的回复信息,增加人机交互***的智能性。
本申请还提供另一种基于自然语言的人机交互***,包括:自然语言理解模型、任务响应模型以及自然语言处理模型。
获取输入信息,将输入信息输入自然语言理解模型;
若自然语言处理模型无法识别输入信息,自然语言理解模型将输入信息传输至自然语言处理模型,自然语言处理模型根据输入信息输出回复信息。
若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;
任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;
自然语言处理模型将反馈信息转换为回复信息,发送至用户。
在一种实施例中,自然语言理解模型为语义提取模型,任务响应模型基于输入的三元组集合,结合预设任务,确定响应操作。
预设任务为预先设定并存储于任务响应模型的任务,包括查询、过滤、匹配、数据更新等各种任务。
在响应操作为响应行为时,任务响应模型执行响应行为,生成反馈信息。响应行为为执行任务的业务流程。反馈信息包括文本,表格,指令等类型。
在一种实施例中,自然语言处理模型为一个可支持对话的自然语言模型,自然语言处理模型包括自然语言转换模型,即可用自然语言处理模型代替第一种基于自然语言的人机交互***中的自然语言转换模型。自然语言处理模型相对于自然语言转换模型,可实现对输入信息的处理以及可处理更多不同类型的反馈信息。
自然语言处理模型可根据输入信息和反馈信息的信息类型,选择不同的处理方式,输出回复信息。
其中,输入信息为自然语言理解模型未能处理的初始信息;反馈信息为自然语言理解模型和任务响应模型处理后的结果信息。
在输入自然语言处理模型的为输入信息时,自然语言处理模型理解输入信息,并确定与输入信息关联的回复信息。即对初始信息进行处理。
在输入自然语言处理模型的为反馈信息时,自然语言处理模型对反馈信息进行转换,转换为回复信息。即对结果信息进行转换。
自然语言处理模型可以为基于人工神经网络的生成式预训练自然语言处理模型,如:GPT模型(GenerativePre-Training)、BERT模型(Bidirectional EncoderRepresentationsfromTransformers)等,具体可以是chatgpt、文心一言等;也可以为依靠基于人工神经网络的生成式预训练自然语言处理模型训练而获得的基于规则的自然语言处理模型。
通过上述方法,可通过使用第三方的自然语言处理模型,提升原有人机交互***的智能性,并通过原有***的优先使用和对于自然语言的处理,减少对于第三方自然语言处理模型的依赖,降低使用成本。
可以理解,在可通过使用第三方的自然语言处理模型,并将第三方的自然语言处理模型的处理结果作为训练数据,对原有的自然语言转换模型进行训练,提升原有自然语言转换模型的性能。
具体的,获取输入自然语言处理模型中的反馈信息、交互单元参数以及回复信息;提取反馈信息中的有效语义;将反馈信息中的有效语义、交互单元参数以及回复信息,或反馈信息、交互单元参数以及回复信息,作为训练数据,对自然语言转换模型进行训练,提升原有自然语言转换模型的性能。
现以当前语音互动类娱乐方式为例,对一种基于自然语言的人机交互***可解决的技术问题进行更详细的说明。
语音互动类的娱乐方式包括语音互动小说、语音互动游戏以及其他语音互动类的娱乐方式。在语音互动类的娱乐方式中,不同的语音互动类娱乐方式运行的技术架构大致相同,外在的表现形式不同。如:在运行的技术架构上,语音互动小说与语音互动游戏的人机交互流程均可以为:将输入信息输入自然语言理解模型,自然语言理解模型对输入信息进行语义理解,输出语义理解结果;任务响应模型根据语义理解结果确定响应操作,根据响应操作的响应结果确定回复信息并输出;在表现形式上,在语音互动小说中,用户角色的数值不会改变,用户参与互动,是通过做选择改变故事线,体验小说中的剧情故事,剧情性更强;在语音互动游戏中,存在明显的用户角色的数值变化,用户参与互动,是控制角色行为及提升角色数值,交互更频繁。
具体的,通常,在语音互动类的娱乐方式中,预设交互对象(NPC)数据库,根据剧情进度,为各个NPC配置引导话术和响应话术。通过引导话术,对用户进行引导,以限缩用户输入信息的范围;再对用户输入信息进行预测,及对预测的用户输入信息预设对应的响应话术和引导话术以作为回复话术,从而在对用户输入信息进行回复的同时,进行下一轮的引导。重复上述流程若干轮,以使NPC可与用户进行多轮对话。但在此种情况下,需要为每个NPC建立数据库以配置引导话术和响应话术,及预测用户对每个NPC可能的输入信息,配置工作任务量大。若要实现交互对象的人性化和个性化,即不同的交互对象有不同的语言风格;相同的交互对象,不同的情况下,也有不同的语言风格的目标的话,配置工作任务量更大。另,由于NPC通常根据剧情的进展而出现,NPC的出现有特定顺序,因此,为减少NPC的数据库配置工作,只为NPC配置特定顺序所对应剧情中可能出现的交互信息。如此,NPC的可交互范围被严格限缩,交互内容超出配置的可交互范围后,该NPC难以给出合适的回答,交互的开放性差。
在一种基于自然语言的人机交互***中,任务响应模型将输入的三元组集合在预设的交互对象(NPC)数据库中进行匹配,找到当前交互对象关联数据库中匹配的响应操作,执行响应操作并根据响应操作的响应结果确定反馈信息。
任务响应模型中预存储有若干与NPC关联的数据库,与NPC关联的数据库包括包括与NPC关联的通用任务数据库和特定任务数据库。
通用任务数据库用于处理通用对话任务,如日常对话任务,用户对NPC打招呼“您好”。任意NPC均可关联通用任务数据库,如此,若干不同的NPC可存在若干相同的可对话范围,相同的可对话范围与通用任务数据库关联。通过建立通用任务数据库,可拓展NPC的对话范围,使NPC的对话范围不局限于特定任务数据库中。
特定任务数据库用于处理NPC的特定对话任务。特定任务数据库仅与特定NPC关联,如此,若干不同的NPC可存在若干不同的可对话范围,不同的可对话范围与特定任务数据库关联。可选的,特定任务数据库中的特定对话任务可与有限数量的NPC关联,即若干NPC均关联同一特定任务,若干不同的NPC可存在若干相同的可对话范围,此时,相同的可对话范围与特定任务数据库关联。
任务数据库中包括若干任务,任务包括若干预设的预测三元组集合和若干预设的与预测三元组集合对应的响应操作。
由于自然语言转换模型或自然语言处理模型可根据反馈信息生成回复信息,如此,在任务数据库中,可只进行任务基础内容的配置,不再进行个性化特征配置,可极大减少配置任务的工作量,且在技术上,任务数据库的迁移性和通用性更强。
另,在语音互动类的娱乐方式中,交互单元参数还可包括交互单元背景参数、与交互对象的关系属性以及其他属性参数。
交互单元背景参数可包括古风武侠,现代都市,东方玄幻等游戏的背景属性参数。与交互对象的关系属性包括亲密度、信任度等。
在虚拟世界应用交互单元参数,可使虚拟世界的特征多样化,使虚拟世界更智能、更真实。
在本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括服务器。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供一种电子设备,电子设备可以为***中的服务器或终端设备。上述电子设备可以包括处理器、存储器、通信接口以及一个或多个程序,其中,所述一个或多个程序被存储在上述存储器中,且被配置由上述处理器执行,所述一个或多个程序包括用于执行上述方法实施例中任一步骤的指令。其中,通信接口用于支持服务器与其他设备的通信。处理器例如可以是中央处理器(CPU),通用处理器,数字信号处理器(DSP),专用集成电路(ASIC),现场可编程门阵列(FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示例性的逻辑方框,单元和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。
存储器120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(RAM)可用,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DRRAM)。
所述处理器用于执行下述方法实施例中由服务器或者终端设备执行的任一步骤,且在执行诸如发送等数据传输时,可选择的调用所述通信接口来完成相应操作。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-OnlyMemory,简称:ROM)、随机存取器(英文:RandomAccessMemory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于自然语言的人机交互***,其特征在于,包括:自然语言理解模型、任务响应模型以及自然语言转换模型;
获取输入信息,将输入信息输入自然语言理解模型;
若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;
任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;
自然语言转换模型将反馈信息转换为回复信息,发送至用户。
2.如权利要求1所述的一种基于自然语言的人机交互***,其特征在于,还包括:
获取当前交互单元参数;
自然语言处理模型根据反馈信息转换回复信息时,根据反馈信息并结合当前交互单元参数,将反馈信息转换为回复信息。
3.如权利要求2所述的一种基于自然语言的人机交互***,其特征在于,还包括:
自然语言转换模型根据反馈信息中的有效语义,将反馈信息转换为回复信息,发送至用户;
反馈信息中的有效语义为反馈信息中与主谓宾结构对应的三元组及三元组词语或反馈信息所对应的树状图中的主干部分。
4.如权利要求3所述的一种基于自然语言的人机交互***,其特征在于,
交互单元参数存在与其关联的词语、三元组、三元组集合、句子以及文本;
自然语言转换模型将反馈信息转换为回复信息包括自然语言转换模型根据交互单元参数,确定与交互单元参数关联的词语、三元组、三元组集合、句子以及文本;
根据反馈信息的有效语义所确定基础信息或基础结构,结合与交互单元参数关联的词语、三元组、三元组集合、句子以及文本,以及文本生成技术,拓展生成与交互单元参数和反馈信息有效语义均适配的个性化回复信息。
5.如权利要求3所述的一种基于自然语言的人机交互***,其特征在于,
自然语言转换模型中存在若干预存储的句子,预存储句子存在与其关联的标签;
自然语言转换模型将反馈信息转换为回复信息包括将有效语义和交互单元参数作为条件,对自然语言转换模型中若干预存储的句子进行匹配、筛选,若筛选后仍存在预存储句子,将预存储句子作为转换表达的回复信息。
6.如权利要求1-5任一所述的一种基于自然语言的人机交互***,其特征在于,包括:自然语言理解模型、任务响应模型以及自然语言处理模型;
获取输入信息,将输入信息输入自然语言理解模型;
若自然语言处理模型无法识别输入信息,自然语言理解模型将输入信息传输至自然语言处理模型,自然语言处理模型根据输入信息输出回复信息;
若自然语言理解模型能识别输入信息,自然语言理解模型根据输入信息输出语义理解结果,将语义理解结果传输至任务响应模型;
任务响应模型根据语义理解结果确定反馈信息,将反馈信息传输至自然语言处理模型;
自然语言处理模型将反馈信息转换为回复信息,发送至用户。
7.如权利要求6所述的一种基于自然语言的人机交互***,其特征在于,
自然语言处理模型根据输入信息和反馈信息的信息类型,选择不同的处理方式,输出回复信息;
输入信息为自然语言理解模型未能处理的初始信息;反馈信息为自然语言理解模型和任务响应模型处理后的结果信息;
在输入自然语言处理模型的为输入信息时,自然语言处理模型理解输入信息,并确定与输入信息关联的回复信息;
在输入自然语言处理模型的为反馈信息时,自然语言处理模型对反馈信息进行转换,转换为回复信息。
8.如权利要求6所述的一种基于自然语言的人机交互***,其特征在于,
获取输入自然语言处理模型中的反馈信息、交互单元参数以及回复信息;
提取反馈信息中的有效语义;
将反馈信息中的有效语义、交互单元参数以及回复信息,或反馈信息、交互单元参数以及回复信息,作为训练数据,对自然语言转换模型进行训练,提升原有自然语言转换模型的性能。
9.一种电子设备,其特征在于,包括处理器、存储器,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-8任一项所述的***中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-8任一项所述的***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359736.7A CN116402057A (zh) | 2023-03-28 | 2023-03-28 | 一种基于自然语言的人机交互*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359736.7A CN116402057A (zh) | 2023-03-28 | 2023-03-28 | 一种基于自然语言的人机交互*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402057A true CN116402057A (zh) | 2023-07-07 |
Family
ID=87019459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310359736.7A Pending CN116402057A (zh) | 2023-03-28 | 2023-03-28 | 一种基于自然语言的人机交互*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402057A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700839A (zh) * | 2023-07-31 | 2023-09-05 | 腾讯科技(深圳)有限公司 | 一种任务处理方法、装置、设备、存储介质及程序产品 |
-
2023
- 2023-03-28 CN CN202310359736.7A patent/CN116402057A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700839A (zh) * | 2023-07-31 | 2023-09-05 | 腾讯科技(深圳)有限公司 | 一种任务处理方法、装置、设备、存储介质及程序产品 |
CN116700839B (zh) * | 2023-07-31 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 一种任务处理方法、装置、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101925440B1 (ko) | 가상현실 기반 대화형 인공지능을 이용한 화상 대화 서비스 제공 방법 | |
US11816435B1 (en) | Applied artificial intelligence technology for contextualizing words to a knowledge base using natural language processing | |
CN110704641B (zh) | 一种万级意图分类方法、装置、存储介质及电子设备 | |
JP7346609B2 (ja) | 自然言語理解(nlu)フレームワークを使用して意味探索を実行するシステムおよび方法 | |
CN107967261B (zh) | 智能客服中交互式问句语义理解方法 | |
US11720756B2 (en) | Deriving multiple meaning representations for an utterance in a natural language understanding (NLU) framework | |
US11113335B2 (en) | Dialogue system and computer program therefor | |
CN111191450B (zh) | 语料清洗方法、语料录入设备及计算机可读存储介质 | |
EP4002156A1 (en) | System and method for product searching based on natural language processing | |
CN112632242A (zh) | 智能对话方法及装置、电子设备 | |
CN110597968A (zh) | 一种回复选择方法及装置 | |
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 | |
CN112287085A (zh) | 语义匹配方法、***、设备及存储介质 | |
CN111709223A (zh) | 基于bert的句子向量生成方法、装置及电子设备 | |
CN116402057A (zh) | 一种基于自然语言的人机交互*** | |
US11875128B2 (en) | Method and system for generating an intent classifier | |
Adewale et al. | Pixie: a social chatbot | |
CN110931002B (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
CN112667791A (zh) | 潜在事件预测方法、装置、设备及存储介质 | |
CN117271745A (zh) | 一种信息处理方法、装置及计算设备、存储介质 | |
CN116913278A (zh) | 语音处理方法、装置、设备和存储介质 | |
CN109002498B (zh) | 人机对话方法、装置、设备及存储介质 | |
CN117725163A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN111506701A (zh) | 一种智能查询方法及相关装置 | |
CN114942980B (zh) | 一种确定文本匹配方法及装置 |
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 |