CN116910201A - 一种对话数据生成方法及其相关设备 - Google Patents

Abstract

本申请公开了一种对话数据生成方法及其相关设备，可有效提升对话数据的生成效率，减小对话数据的生成成本。本申请的方法包括：当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。

Description

一种对话数据生成方法及其相关设备

技术领域

本申请实施例涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种对话数据生成方法及其相关设备。

背景技术

在人工智能生成内容(AI-generated content,AIGC)中，具备物品推荐功能的对话模型(语言大模型)表现出了强大的自然语言理解能力以及沟通能力，该模型可通过与用户进行对话的方式来为用户推荐物品(item)，从而满足用户的物品推荐需求。

为了训练出具备物品推荐功能的对话模型，可先通过众包工程来获取用于模型训练的对话数据。具体地，众包工程中的工作人员可分别扮演用户以及对话模型，按照预置的知识图谱提供的信息来生成用户以及对话模型之间的对话数据，对话数据中的相关内容以及对话模型推荐给用户的物品均由工作人员从知识图谱中提取。那么，可利用对话数据来训练推荐模型，所得到训练后的推荐模型可学习用户的兴趣和偏好，从而为用户推荐物品。

上述过程中，对话数据的整个生成过程均需要由众包工程的工作人员负责，需要耗费大量的时间，即人力成本过高。

发明内容

本申请实施例提供了一种对话数据生成方法及其相关设备，可有效提升对话数据的生成效率，减小对话数据的生成成本。

本申请实施例的第一方面提供了一种对话数据生成方法，该方法包括：

当需要获取对话数据时，可先采集用户数据，用户数据通常可包含用户的属性以及用户感兴趣的物品，其中，用户的属性可包含用户的姓名、用户的性别以及用户的年龄等等，用户感兴趣的物品可包含用户曾经点击过的物品、用户浏览过的物品以及用户评论过的物品等等。

得到用户数据后，可对用户数据进行一系列的处理，从而得到可推荐给用户的物品。需要说明的是，可推荐给用户的物品不仅包含用户数据中的用户感兴趣的物品，还包含与用户感兴趣的物品相关联的其余物品。

得到可推荐给用户的物品后，可利用用户数据以及可推荐给用户的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。需要说明的是，新的数据生成规则不仅约束了用户与对话模型之间的对话数据的格式，还约束了用户与对话模型之间的对话数据的内容。

得到新的数据生成规则后，可按照新的数据生成规则，生成用户与对话模型之间的对话数据。需要说明的是，用户与对话模型之间的对话数据通常包含多轮交互，多轮交互包含多轮普通对话以及多轮问答，每一轮普通对话包含用户的一句非提问的话以及对话模型的一个答复(或者，每一轮普通对话包含对话模型的一句非提问的话以及用户的一个答复)，每一轮问答包含用户的一个提问以及对话模型的一个回答(或者，每一轮问答包含对话模型的一个提问以及用户的一个回答)。

从上述方法可以看出：当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。前述过程提供了一种对话数据生成框架，该框架可利用采集得到的用户数据集合预置的数据生成规则来获取新的数据生成规则，并利用新的数据生成规来得到用户与对话模型之间的对话数据，由此可见，该框架可自动生成对话数据，对话数据的整个生成过程不需人工干预，可有效提升对话数据的生成效率，减小对话数据的生成成本。

在一种可能实现的方式中，该方法还包括：基于用户数据确定不可推荐的物品；基于用户数据和可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则包括：基于用户数据、可推荐的物品和不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。前述实现方式中，在对用户数据进行一系列的处理后，不仅可以得到可推荐的物品，还可得到不可推荐给用户的物品(也就是用户不感兴趣的物品)。那么，可利用用户数据、可推荐给用户的物品以及不可推荐给用户的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。如此一来，新的数据生成规则可令用户以及对话模型之间的对话数据包含以下多项内容：用户接受对话模型所推荐的物品以及用户拒绝对话模型所推荐的物品，故可以使得最后生成的对话数据更加贴合实际。

在一种可能实现的方式中，基于用户数据确定可推荐的物品包括：对用户数据以及多个候选物品进行特征提取，得到用户数据的特征以及多个候选物品的特征；对用户数据的特征以及多个候选物品的特征进行计算，得到用户数据与多个候选物品之间的匹配度；将匹配度大于或等于第一阈值的候选物品确定为可推荐的物品。前述实现方式中，在得到用户数据后，可先获取多个候选物品，故可对用户数据以及多个候选物品分别进行特征提取，从而相应得到用户数据的特征以及多个候选物品的特征。得到用户数据的特征以及多个候选物品的特征后，可对用户数据的特征以及多个候选物品的特征进行一系列的计算，从而得到用户数据与多个候选物品之间的匹配度，也就是用户数据与第一个候选物品之间的匹配度，用户数据与第二个候选物品之间的匹配度，...，用户数据与最后一个候选物品之间的匹配度。得到用户数据与多个候选物品之间的匹配度后，可在多个候选物品中，将匹配度大于或等于第一阈值的候选物品确定为可推荐给用户的物品。如此一来，可以准确地得到用户感兴趣的物品以及与用户感兴趣的物品相关联的物品，以此作为可推荐给用户的物品。

在一种可能实现的方式中，基于用户数据确定不可推荐的物品包括：将匹配度小于或等于第二阈值的候选物品确定为不可推荐的物品，第二阈值小于第一阈值。前述实现方式中，得到用户数据与多个候选物品之间的匹配度后，可在多个候选物品中，将匹配度小于或等于第二阈值的候选物品确定为不可推荐给用户的物品。如此一来，可以准确地得到用户不感兴趣的物品，以此作为不可推荐给用户的物品。

在一种可能实现的方式中，预置的数据生成规则包含不需补充的规则以及待补充的规则，基于用户数据、可推荐的物品和不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则包括：将用户数据、可推荐的物品和不可推荐的物品填充至待补充的规则，得到补充后的规则，不需补充的规则以及补充后的规则构成新的数据生成规则，不需补充的规则用于设置对话数据的格式，补充后的规则用于设置对话数据的内容。前述实现方式中，预置的数据生成规则可包含两部分，一部分为不需补充的规则，另一部分为待补充的规则，待补充的规则具有可填充内容的槽位。那么，可将用户数据、可推荐的物品和不可推荐的物品填充至待补充的规则的槽位中，从而得到补充后的规则。如此一来，不需补充的规则以及补充后的规则构成了新的数据生成规则，其中，不需补充的规则用于设置用户与对话模型之间的对话数据的格式，补充后的规则用于设置用户与对话模型之间的对话数据的内容。那么，基于新的数据生成规则所得到的对话数据，具备一定的格式，且其包含的内容，不仅有用户与对话模型之间进行闲聊的内容，还有用户接受对话模型所推荐的物品的内容，更可以有用户拒绝对话模型所推荐的物品的内容，从而使得最终生成得到的对话数据更贴近于实际。

在一种可能实现的方式中，该方法还包括：从对话数据中获取目标对话数据，目标对话数据满足以下至少一项：目标对话数据包含的所有文字均位于预置的文字集合中；目标对话数据包含的针对物品的描述符合真实的描述；目标对话数据包含的物品为真实的物品；目标对话数据包含的内容的丰富度大于或等于第三阈值。前述实现方式中，得到用户与对话模型之间的对话数据后，可从对话数据所包含的多轮交互中，将不满足条件的若干轮交互剔除，并筛选出满足条件的若干轮交互，这若干轮交互即目标对话数据，至此，可完整数据清洗以及评测，所得到的目标对话数据可作为训练数据。

在一种可能实现的方式中，该方法还包括：基于目标对话数据，对对话模型进行训练，得到训练后的对话模型。前述实现方式中，由于目标对话数据可作为训练数据，故可利用目标对话数据对对话模型进行训练，从而得到训练后的对话模型，也就是具备物品推荐功能的对话模型。

本申请实施例的第二方面提供了一种数据处理方法，该方法通过第一方面中所涉及的训练后的对话模型实现，该方法包括：获取用户的提问，用户的提问用于描述用户的物品推荐需求；将用户的提问输入至训练后的对话模型，得到与提问对应的回答，回答用于描述针对用户的物品推荐结果。

本申请实施例的第三方面提供了一种对话数据生成装置，该装置包括：获取模块，用于获取用户数据，用户数据包含用户的属性和用户感兴趣的物品；确定模块，用于基于用户数据确定可推荐的物品，可推荐的物品包含用户感兴趣的物品，以及与用户感兴趣的物品相关联的物品；更新模块，用于基于用户数据和可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则；生成模块，用于基于新的数据生成规则，生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。

从上述装置可以看出：当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。前述过程提供了一种对话数据生成框架，该框架可利用采集得到的用户数据集合预置的数据生成规则来获取新的数据生成规则，并利用新的数据生成规来得到用户与对话模型之间的对话数据，由此可见，该框架可自动生成对话数据，对话数据的整个生成过程不需人工干预，可有效提升对话数据的生成效率，减小对话数据的生成成本。

在一种可能实现的方式中，确定模块，还用于基于用户数据确定不可推荐的物品；更新模块，用于基于用户数据、可推荐的物品和不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。

在一种可能实现的方式中，确定模块，用于：对用户数据以及多个候选物品进行特征提取，得到用户数据的特征以及多个候选物品的特征；对用户数据的特征以及多个候选物品的特征进行计算，得到用户数据与多个候选物品之间的匹配度；将匹配度大于或等于第一阈值的候选物品确定为可推荐的物品。

在一种可能实现的方式中，确定模块，用于：将匹配度小于或等于第二阈值的候选物品确定为不可推荐的物品，第二阈值小于第一阈值。

在一种可能实现的方式中，预置的数据生成规则包含不需补充的规则以及待补充的规则，更新模块，用于：将用户数据、可推荐的物品和不可推荐的物品填充至待补充的规则，得到补充后的规则，不需补充的规则以及补充后的规则构成新的数据生成规则，不需补充的规则用于设置对话数据的格式，补充后的规则用于设置对话数据的内容。

在一种可能实现的方式中，该装置还包括：筛选模块，用于从对话数据中获取目标对话数据，目标对话数据满足以下至少一项：目标对话数据包含的所有文字均位于预置的文字集合中；目标对话数据包含的针对物品的描述符合真实的描述；目标对话数据包含的物品为真实的物品；目标对话数据包含的内容的丰富度大于或等于第三阈值。

在一种可能实现的方式中，该装置还包括：训练模块，用于基于目标对话数据，对对话模型进行训练，得到训练后的对话模型。

本申请实施例的第四方面提供了一种数据处理装置，该装置包含第三方面中所涉及的训练后的对话模型，该装置包括：获取模块，用于获取用户的提问，用户的提问用于描述用户的物品推荐需求；处理模块，用于将用户的提问输入至训练后的对话模型，得到与提问对应的回答，回答用于描述针对用户的物品推荐结果。

本申请实施例的第五方面提供了一种对话数据生成装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，对话数据生成装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例的第六方面提供了一种数据处理装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，数据处理装置执行如第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第七方面提供了一种电路***，该电路***包括处理电路，该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第八方面提供了一种芯片***，该芯片***包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

在一种可能的实现方式中，该处理器通过接口与存储器耦合。

在一种可能的实现方式中，该芯片***还包括存储器，该存储器中存储有计算机程序或计算机指令。

本申请实施例的第九方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例的第十方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。

本申请实施例中，当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。前述过程提供了一种对话数据生成框架，该框架可利用采集得到的用户数据集合预置的数据生成规则来获取新的数据生成规则，并利用新的数据生成规来得到用户与对话模型之间的对话数据，由此可见，该框架可自动生成对话数据，对话数据的整个生成过程不需人工干预，可有效提升对话数据的生成效率，减小对话数据的生成成本。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a为本申请实施例提供的数据处理***的一个结构示意图；

图2b为本申请实施例提供的数据处理***的另一结构示意图；

图2c为本申请实施例提供的数据处理的相关设备的一个示意图；

图3为本申请实施例提供的***100架构的一个示意图；

图4为本申请实施例提供的对话数据生成架构的一个结构示意图；

图5为本申请实施例提供的对话数据生成方法的一个流程示意图；

图6为本申请实施例提供的用户数据的转换过程的一个示意图；

图7为本申请实施例提供的可推荐的物品的获取过程的一个示意图；

图8为本申请实施例提供的数据生成规则的获取过程的一个示意图；

图9为本申请实施例提供的对话数据的获取过程的一个示意图；

图10为本申请实施例提供的对话数据的获取过程的一个示意图；

图11为本申请实施例提供的评分结果的一个示意图；

图12为本申请实施例提供的评分结果的另一示意图；

图13为本申请实施例提供的评分结果的另一示意图；

图14为本申请实施例提供的评分结果的另一示意图；

图15为本申请实施例提供的数据处理方法的一个流程示意图；

图16为本申请实施例提供的对话数据生成装置的一个结构示意图；

图17为本申请实施例提供的数据处理装置的一个结构示意图；

图18为本申请实施例提供的执行设备的一个结构示意图；

图19为本申请实施例提供的训练设备的一个结构示意图；

图20为本申请实施例提供的芯片的一个结构示意图。

具体实施方式

本申请实施例提供了一种对话数据生成方法及其相关设备，可有效提升对话数据的生成效率，减小对话数据的生成成本。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

在AIGC中，具备物品推荐功能的对话模型(也可以称为具备物品推荐功能的语言大模型)表现出了强大的自然语言理解能力以及沟通能力，该模型可通过与用户进行对话的方式来为用户推荐物品，从而满足用户的物品推荐需求。

为了训练出具备物品推荐功能的对话模型，可先通过众包工程来获取用于模型训练的对话数据。具体地，众包工程中的工作人员可分别扮演用户以及对话模型，按照预置的知识图谱提供的信息来生成用户以及对话模型之间的对话数据，对话数据中的相关内容以及对话模型推荐给用户的物品均由工作人员从知识图谱中提取。那么，可利用对话数据来训练推荐模型，所得到训练后的推荐模型可学习用户的兴趣和偏好，从而为用户推荐物品。

上述过程中，对话数据的整个生成过程均需要由众包工程的工作人员负责，人员培训的时间较长，且提取信息也需耗费工作人员大量的时间，由此可见，以这种方式来生成对话数据所需的人力成本过高。

进一步地，由于众包工程的工作人员的教育背景存在差异，不同的工作人员针对知识图谱的理解不同，这样会导致生成的对话数据的质量存在偏差，不仅导致后续的数据清洗以及评测存在困难，还会导致后续训练得到的对话模型的性能较差。

为了解决上述问题，本申请实施例提供了一种对话数据生成方法，该方法可结合人工智能(artificial intelligence，AI)技术实现。AI技术是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能的技术学科，AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。

首先对人工智能***总体工作流程进行描述，请参见图1，图1为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能***提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能***中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用***，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能***在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

接下来介绍几种本申请的应用场景。

图2a为本申请实施例提供的数据处理***的一个结构示意图，该数据处理***包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为数据处理的发起端，作为数据处理请求的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的数据处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的数据处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图2a所示的数据处理***中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的提问，然后向数据处理设备发起请求，使得数据处理设备针对来自用户设备的提问执行一系列的处理，从而得到该提问的处理结果。示例性的，用户设备可以获取用户输入的提问(例如，该提问可描述用户的物品推荐需求)，然后用户设备可向数据处理设备发起数据处理请求，使得数据处理设备基于数据处理请求，对该提问以进行一系列的处理，从而得到该提问的处理结果，即相应的回答(例如，该回答可描述针对用户的物品推荐结果，也就是推荐给用户的物品)。

在图2a中，数据处理设备可以执行本申请实施例的数据处理方法。

图2b为本申请实施例提供的数据处理***的另一结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。

在图2b所示的数据处理***中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入的提问(例如，该提问可描述用户的物品推荐需求)，然后用户设备可对该提问以进行一系列的处理，从而得到该提问的处理结果，即相应的回答(例如，该回答可描述针对用户的物品推荐结果，也就是推荐给用户的物品)。

在图2b中，用户设备自身就可以执行本申请实施例的数据处理方法。

图2c为本申请实施例提供的数据处理的相关设备的一个示意图。

上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302，图2a中的数据处理设备具体可以是图2c中的执行设备210，其中，数据存储***250可以存储执行设备210的待处理数据，数据存储***250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。

图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对图像执行数据处理应用，从而得到相应的处理结果。

图3为本申请实施例提供的***100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络模型的功能实现)过程中，执行设备110可以调用数据存储***150中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储***150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型(例如，本申请实施例提供的训练后的对话模型)/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样。

在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140自动发送输入数据需要获得用户的授权，则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

值得注意的是，图3仅是本申请实施例提供的一种***架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储***150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储***150置于执行设备110中。如图3所示，可以根据训练设备120训练得到神经网络。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

神经网络处理器NPU，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)中。

向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。

在一些实现种，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器用于存放输入数据以及输出数据。

权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，DDRSDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

神经网络中的每一层的工作可以用数学表达式y＝a(Wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由Wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)反向传播算法

神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。

下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。

本申请实施例提供的对话数据生成方法，可生成用户和对话模型之间的对话数据，并以对话数据作为训练数据，针对对话模型进行训练，从而得到训练后的对话模型。在模型训练的过程中，涉及数据序列的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，本申请实施例提供的对话数据生成方法中的对话数据)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(例如，本申请实施例提供的对话数据生成方法中的训练后的对话模型)；并且，本申请实施例提供的数据处理方法可以运用上述训练好的神经网络，将输入数据(例如，本申请实施例提供的数据处理方法中的提问)输入到所述训练好的神经网络中，得到输出数据(例如，本申请实施例提供的数据处理方法中的回答)。需要说明的是，本申请实施例提供的对话数据生成方法和数据处理方法是基于同一个构思产生的发明，也可以理解为一个***中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

本申请实施例提供的对话数据生成方法可应用于图4所示的对话数据生成架构中，图4为本申请实施例提供的对话数据生成架构的一个结构示意图，如图4所示，该架构包括：获取非文本形式的用户数据，将其转换为文本形式的用户数据。接着，可基于文本形式的用户数据结合预置的数据生成规则生成新的数据生成规则。然后，可利用新的数据生成规得到对话数据。最后，从对话数据中筛选出目标对话数据，目标对话数据可作为训练数据，从而训练得到最终的模型。为了进一步了解该对话数据生成架构的工作流程，下文结合图5对该工作流程作进一步的介绍。图5为本申请实施例提供的对话数据生成方法的一个流程示意图，如图5所示，该方法包括：

501、获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。

本实施例中，当需要获取对话数据时，可先采集用户数据，用户数据通常可包含用户的属性(例如，用户的姓名、用户的性别以及用户的年龄等等)以及用户感兴趣(偏好)的物品(例如，用户曾经点击过的物品、用户浏览过的物品以及用户评论过的物品等等)。

具体地，可通过以下方式获取用户数据：

在采集用户数据时，通常可直接采集得到的是非文本形式的用户数据，故可将采集得到的非文本形式的用户数据转换为文本形式的用户数据，以方便后续处理。

对于用户的属性而言，用户的属性一般位于用户的个人信息中。因此，可先采集用户的个人信息(用户的个人信息通常是一张图像或一张表格等等)，此时，用户的属性是以图像形式或表格形式等非文本形式呈现的。那么，可从用户的个人信息中，将以非文本形式呈现的用户的属性转换为以文本形式呈现的用户的属性。

对于用户感兴趣的物品而言，用户感兴趣的物品一般位于用户的评论、浏览记录或点击记录中。因此，可先采集用户的评论、用户的浏览记录或用户的点击记录(用户的评论、用户的浏览记录或用户的点击记录通常是一张表格等等)，此时，用户感兴趣的物品是以表格形式等非文本形式呈现的。那么，可从用户的评论、用户的浏览记录或用户的点击记录中，将以非文本形式呈现的用户感兴趣的物品转换为以文本形式呈现的用户感兴趣的物品。

例如，如图6所示(图6为本申请实施例提供的用户数据的转换过程的一个示意图)，以电影推荐场景为例，可先采集用户的轮廓(profile)图像，用户的评论、用户的浏览记录以及用户的点击记录。

用户的轮廓图像呈现有以下用户的用户属性信息：(1)用户：李XX；(2)年龄：22；(3)位置：深圳；(4)兴趣：电影和音乐等等。那么，可从用户的轮廓图像中，识别出以下文本形式的用户属性信息：李XX，一位生活在深圳的22岁的男性用户，其兴趣爱好是看电影和听音乐等等。

用户的评论包含以下用户的电影评论信息：(1)电影1是我看过的最有趣的电影；(2)电影2和电影3很无聊，其剧情和表演都不出彩等等。用户的浏览/点击记录包含以下用户的电影浏览信息/电影点击信息：(1)观看过的电影：电影1以及电影4等等；(2)想观看的电影：电影5、电影6以及电影7等等；(3)浏览过的电影：电影8、以及电影9等等。那么，可从用户的评论、用户的观看/点击记录中，提取出以下文本形式的用户电影偏好信息：用户张XX喜欢以下电影：电影5、电影6、电影7、电影8以及电影9等等，且用户张XX曾经观看过以下电影：电影1以及电影4。

502、基于用户数据确定可推荐的物品，可推荐的物品包含用户感兴趣的物品，以及与用户感兴趣的物品相关联的物品。

得到用户数据后，可将用户数据输入至物品采样模型(为已训练的神经网络模型)，以通过物品采样模型对用户数据进行一系列的处理，从而得到可推荐给用户的物品。需要说明的是，可推荐给用户的物品可以物品列表的形式呈现，该物品列表不仅包含用户数据中的用户感兴趣的物品，还包含与用户感兴趣的物品相关联的其余物品。

进一步地，在通过物品采样模型对用户数据进行一系列的处理后，不仅可以得到可推荐的物品，还可得到不可推荐给用户的物品(也就是用户不感兴趣的物品)。需要说明的是，不可推荐给用户的物品也可以物品列表的形式呈现。

具体地，物品采样模型可通过以下方式获取可推荐给用户的物品以及不可推荐给用户的物品：

(1)在得到用户数据后，可先获取预置的候选物品池，候选物品池包含多个候选物品，故可将用户数据以及多个候选物品输入至物品采样模型，以使得物品采样模型对用户数据以及多个候选物品分别进行特征提取(例如，卷积操作等等)，从而相应得到用户数据的特征以及多个候选物品的特征。

(2)得到用户数据的特征以及多个候选物品的特征后，物品采样模型可对用户数据的特征以及多个候选物品的特征进行计算，从而得到用户数据与多个候选物品之间的匹配度，包括用户数据与第一个候选物品之间的匹配度，用户数据与第二个候选物品之间的匹配度，...，用户数据与最后一个候选物品之间的匹配度。

(3)得到用户数据与多个候选物品之间的匹配度后，物品采样模型可在多个候选物品中，将匹配度大于或等于第一阈值(第一阈值的大小可根据实际需求进行设置，此处不做限制)的候选物品确定为可推荐给用户的物品。需要说明的是，在多个候选物品中，有一部分候选物品与用户数据包含的用户感兴趣的物品是相同的，故这一部分候选物品与用户数据之间的匹配度是最大的(明显大于第一阈值)，可确定为可推荐给用户的物品。而且，在多个候选物品中，还有一部分候选物品与用户数据包含的用户感兴趣的物品是相关联的，故这一部分候选物品与用户数据之间的匹配度是较大的(大于或等于第一阈值)，可确定为可推荐给用户的物品。由此可见，可推荐给用户的物品不仅包含用户数据中的用户感兴趣的物品，还包含与用户感兴趣的物品相关联的物品。

(4)得到用户数据与多个候选物品之间的匹配度后，物品采样模型可在多个候选物品中，将匹配度小于或等于第二阈值(第二阈值小于第一阈值，第二阈值的大小可根据实际需求进行设置，此处不做限制)的候选物品确定为不可推荐给用户的物品。需要说明的是，在多个候选物品中，有一部分候选物品与用户数据包含的用户感兴趣的物品是完全不相关的，故这一部分候选物品与用户数据之间的匹配度是较小的(小于或等于第二阈值)，可确定为不可推荐给用户的物品，也就是用户不感兴趣的物品。

依旧如上述例子，如图7所示(图7为本申请实施例提供的可推荐的物品的获取过程的一个示意图，图7是在图6的基础上绘制得到的)，在得到用户属性信息以及用户偏好信息后，可将获取候选电影池，候选电影池包含电影1、电影2、电影3、...、电影50这50部候选电影。将用户属性信息、用户偏好信息以及候选电影池输入至物品采样模型后，可得到推荐电影列表以及非推荐电影列表，推荐电影列表包含：电影1、电影4、电影5、...、电影20，非推荐电影列表包含：电影2、电影3、电影21、...电影50。

503、基于用户数据和可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。

得到可推荐给用户的物品后，可利用用户数据以及可推荐给用户的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。

进一步地，若不仅得到可推荐给用户的物品，还得到不可推荐给用户的物品，则可利用用户数据、可推荐给用户的物品以及不可推荐给用户的物品，对预置的数据生成规则(也可以称为预置的数据生成指令)进行更新，从而得到新的数据生成规则(也可以称为新的数据生成指令)。

具体地，可通过以下方式获取新的数据生成规则：

值得注意的是，预置的数据生成规则可包含两部分，一部分为不需补充的规则(即完整的规则)，另一部分为待补充的规则(即不完整的规则)，待补充的规则具有可填充内容的槽位。那么，可将用户数据、可推荐的物品和不可推荐的物品填充至待补充的规则的槽位中，从而得到补充后的规则。如此一来，不需补充的规则以及补充后的规则构成了新的数据生成规则，其中，不需补充的规则用于设置用户与对话模型之间的对话数据的格式(例如，对话数据的问答轮数、对话数据的启动方式(即对话数据以闲聊的方式启动)、对话数据的语言风格、对话数据中用户与对话模型的行为准则、对话数据需包含针对物品的描述等等)，补充后的规则用于设置用户与对话模型之间的对话数据的内容(例如，对话数据需考虑用户的个人信息、对话数据需呈现用户的推荐需求、对话数据中对话模型需满足的物品推荐范围等等)。

依旧如上述例子，如图8所示(图8为本申请实施例提供的数据生成规则的获取过程的一个示意图，图8是在图7的基础上绘制得到的)，在得到推荐电影列表以及非推荐电影列表后，可获取预置的13条数据生成指令，其中，数据生成指令(5)、数据生成指令(6)、数据生成指令(7)、数据生成指令(10)均为不完整的规则，其余数据生成指令均为完整的规则。那么，可利用用户属性信息、用户偏好信息、推荐电影列表以及非推荐电影列表对预置的数据生成指令对不完整的规则进行补充，从而得到新的13条数据生成指令：

(1)对话数据必须包含10轮问答，但不得超过20轮问答。

(2)对话数据必须以用户(提问方)和对话模型(回答方)之间的闲聊启动。

(3)对话模型每轮仅能向用户推荐一部电影，且不能在推荐电影列表之外向用户推荐电影。

(4)在对话数据中，对话模型必须探索用户对电影的品味以及兴趣，并根据用户的反馈调整推荐策略。

(5)用户是一位生活在深圳的22岁的男性用户，其兴趣爱好是看电影和听音乐等等。

(6)用户喜欢的电影有:电影1、电影4、电影5、电影6、电影7、电影8以及电影9等等。

(7)用户不喜欢的电影有:电影2以及电影3。

(8)用户应逐步表达自己的兴趣，如果电影不符合自己的喜好或已经看过，应拒绝观看。

(9)用户可以询问更多的细节，例如演员，导演，剧情，或者关于电影的介绍。

(10)可推荐的电影:电影1、电影4、电影5、...、电影20，不可推荐的电影：电影2、电影3、电影21、...电影50。

(11)对话数据中提到的电影都应附上符号“<>”。

(12)对话数据中所有提到的与电影相关的实体，如导演、演员、类型、演员等，都应附上符号“[]”。

(13)所有关于一部电影的描述或解释都应该附上符号“{}”。

504、基于新的数据生成规则，生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。

得到新的数据生成规则后，可将新的数据生成规则输入至对话模型(待训练的神经网络模型)，故对话模型可按照新的数据生成规则，来生成用户与对话模型之间的对话数据。需要说明的是，用户与对话模型之间的对话数据通常包含多轮交互，多轮交互包含多轮普通对话以及多轮问答，每一轮普通对话包含用户的一句非提问的话以及对话模型的一个答复(或者，每一轮普通对话包含对话模型的一句非提问的话以及用户的一个答复)，每一轮问答包含用户的一个提问以及对话模型的一个回答(或者，每一轮问答包含对话模型的一个提问以及用户的一个回答)。

值得注意的是，在多轮问答的某一轮问答中，用户的提问可以为令对话模型为用户推荐物品，对话模型的回答可以为对话模型向用户推荐的物品，且对话模型向用户推荐的物品来源于可推荐的物品(这样可以模拟用户接受推荐)，也可以来源于不可推荐的物品(这样可以模拟用户拒绝推荐)。当然，在多轮普通对话的某一轮对话中，用户的话可以为用户向对话模型发起的闲聊，对话模型的答复为对话模型针对用户的闲聊所进行的回应等等。

如此一来，最终生成得到的对话数据所包含的内容，不仅有用户与对话模型之间进行闲聊的内容，还有用户接受对话模型所推荐的物品的内容，更可以有用户拒绝对话模型所推荐的物品的内容，从而使得最终生成得到的对话数据更贴近于真实。

依旧如上述例子，如图9所示(图9为本申请实施例提供的对话数据的获取过程的一个示意图，图9是在图8的基础上绘制得到的)，得到新的13条数据生成指令后，可将新的13条数据生成指令输入对话模型，以使得对话模型生成以下对话数据(包含10轮交互)：

用户:嗨，你有什么电影推荐给我吗？

对话模型:当然，你喜欢什么类型的电影？

用户:我喜欢科幻小说和反乌托邦电影。

对话模型:<电影4>怎么样？这是一部经典[科幻]电影。

用户:我已经看过那部了。你有其他的推荐吗？

对话模型:<电影21>怎么样？这是一部演员阵容强大的悬疑[惊悚]片

用户:我不太喜欢恐怖片。你有更多科幻或反乌托邦题材的作品吗？

对话模型:<电影15>这部电影怎么样？这是一部以宇宙飞船为背景的科幻电影。

用户:听起来很有趣！能详细介绍一下吗？

对话模型:主演是[克XX]和[珍XX]，{他们乘坐飞船前往一个新的星球。但它们提前90年从冬眠中醒来，不得不想办法共同生存}。

用户:我好像听说过，这个我还没有观看过，我后续会看它的。

对话模型:太好了！我的另一个推荐是<电影1>。这是一部[反乌托邦]电影，讲的是{青少年殊死搏斗的比赛}。

用户:我其实看过那部，我很喜欢它。你有什么其他的推荐吗？

对话模型:<电影35>怎么样？这是另一部[反乌托邦]电影，讲述的是{一个社会，人们被根据他们的个性特征来划分派系}。

用户:我不是很喜欢这类型的电影。你还有别的吗？

对话模型:<电影50>怎么样呢？它这是经典科幻电影<电影49>的续集。

用户:我没有看过原版的<电影49>，所以我不认为我能看懂续集。你还有别的吗？

对话模型:<电影30>怎么样，它是{一部关于一个冒充军阀的小偷的故事}。

用户:那不是我的菜。我想现在我还是会坚持看<电影15>。谢谢你的推荐！

505、从对话数据中获取目标对话数据，目标对话数据用于对对话模型进行训练，得到训练后的对话模型。

得到用户与对话模型之间的对话数据后，可将对话数据输入至数据筛选模型(已训练的神经网络模型)，以从对话数据所包含的多轮交互中，筛选出若干轮交互，这若干轮交互即目标对话数据。需要说明的是，目标对话数据满足以下至少一项：(1)目标对话数据包含的所有文字均位于预置的文字集合(预置的文字集合中所包含的所有文字均为非违规的文字，也可以理解为非歧视、非偏见以及非辱骂等文字)中。(2)目标对话数据包含的针对物品的描述符合真实的描述。(3)目标对话数据包含的物品均为真实的物品。(4)目标对话数据包含的内容的丰富度大于或等于第三阈值(第三阈值的大小可根据实际需求进行设置，此处不做限制)，其中，目标对话数据包含的内容的丰富度可基于目标对话数据的交互轮数、目标对话数据的长度以及目标对话数据所包含的物品数量等信息进行计算得到。

依旧如上述例子，如图10所示(图10为本申请实施例提供的对话数据的获取过程的一个示意图，图10是在图9的基础上绘制得到的)，得到对话数据后，可将对话数据输入至数据筛选模型中。数据筛选模型包含违规检测模块、实体真实性检测模块、描述真实性检测模块以及丰富度检测模块，其中，在对话数据所包含的多轮交互中，违规检测模块可将包含歧视、偏见、辱骂等违规信息的交互剔除，实体真实性检测模块可(借助记录有真实电影、真实实体、真实电影与真实实体之间的关系等各种信息的知识图或信息库等等)将包含不真实的电影以及不真实的实体(导演、演员、剧情)等不真实信息的交互剔除，描述真实性检测模块可(借助记录有各个电影的真实描述(介绍)的公共搜索平台等等)将包含不真实的电影描述等不真实信息的交互剔除，丰富度检测模块可将丰富度(基于问答的区别度、问答的长度、问答的轮数、问答包含的电影以及实体数量等各项指标计算得到)不足的交互剔除，剩余的其余交互则构成了目标对话数据。

进一步地，得到目标对话数据后，可将目标对话数据作为训练数据，以此来训练对话模型，得到训练后的对话模型(已训练的神经网络模型)，也就是具备物品推荐功能的对话模型。

应理解，步骤505是可选的，在实际应用中，可不执行步骤505，而是直接将步骤504所得到的对话数据直接作为训练数据，以此来训练对话模型，得到训练后的对话模型。

此外，可将本申请实施例生成的对话数据与众包工程的工作人员得到(人工标注)的对话数据进行比较，比较结果如表1所示：

	指标一	指标二	指标三	指标4
					人工标注	0.794	0.719	11.94	11.41
本申请实施例	0.800	0.760	22.08	14.75

基于表1可知，本申请实施例得到的对话数据的质量优于人工标注所得到的对话数据。

进一步地，还可将本申请实施例生成的对话数据与众包工程的工作人员得到(人工标注)的对话数据，由四个评论员(evaluator)在角色一致性(role consistency)，流畅性(fluency)，知识性(informativeness)以及趣味性(interestingness)这额外的四个指标上分别进行评分(这四个指标的打分均在1分至5分之间，其中，1分最差，5分最好)，评分结果如图11至图14所示(图11为本申请实施例提供的评分结果的一个示意图，图12为本申请实施例提供的评分结果的另一示意图，图13为本申请实施例提供的评分结果的另一示意图，图14为本申请实施例提供的评分结果的另一示意图)。

基于图11至图14可知，本申请实施例得到的对话数据，在角色一致性，流畅性，知识性以及趣味性这些指标上的得分均优于人工标注所得到的对话数据，即本申请实施例得到的对话数据的质量较好。

本申请实施例中，当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。前述过程提供了一种对话数据生成框架，该框架可利用采集得到的用户数据集合预置的数据生成规则来获取新的数据生成规则，并利用新的数据生成规来得到用户与对话模型之间的对话数据，由此可见，该框架可自动生成对话数据，对话数据的整个生成过程不需人工干预，可有效提升对话数据的生成效率，减小对话数据的生成成本。

进一步地，本申请实施例提供的对话数据生成框架中，由神经网络模型(物品采集模型、对话模型以及数据筛选模型)来替代人工生成对话数据，由于神经网络模型自身具备强大的学习和理解能力，可以准确按照数据生成规则生成质量较优的对话数据，有利于后续的数据清洗以及评测，且可使得后续训练得到的对话模型具备较优的性能。

以上是对本申请实施例提供的对话数据生成方法所进行的详细说明，以下将对本申请实施例提供的数据处理方法进行介绍。图15为本申请实施例提供的数据处理方法的一个流程示意图，如图15所示，该方法包括：

1501、获取用户的提问，用户的提问用于描述用户的物品推荐需求。

本实施例中，当用户存在物品推荐需求时，可获取来自用户的文本形式的提问，该提问用于描述用户的物品推荐需求。

1502、将用户的提问输入至训练后的对话模型，得到与提问对应的回答，回答用于描述针对用户的物品推荐结果。

得到用户的提问后，可将用户的提问输入至图5所示实施例中的训练后的对话模型，以通过训练后的对话模型对用户进行处理，从而得到与提问对应的回答，回答用于描述针对用户的物品推荐结果，也就是推荐给用户的物品。

以上是对本申请实施例提供的数据处理方法所进行的详细说明，以下将对本申请实施例提供的对话数据生成装置以及数据处理装置进行介绍。图16为本申请实施例提供的对话数据生成装置的一个结构示意图，如图16所示，该装置包括：

获取模块1601，用于获取用户数据，用户数据包含用户的属性和用户感兴趣的物品；

确定模块1602，用于基于用户数据确定可推荐的物品，可推荐的物品包含用户感兴趣的物品，以及与用户感兴趣的物品相关联的物品；

更新模块1603，用于基于用户数据和可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则；

生成模块1604，用于基于新的数据生成规则，生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。

本申请实施例中，当需要生成用户和对话模型之间的对话数据时，可先获取用户数据，用户数据包含用户的属性和用户感兴趣的物品。接着，可对用户数据进行处理，从而得到可推荐的物品，可推荐的物品包含用户感兴趣的物品以及与用户感兴趣的物品相关联的物品。然后，可利用用户数据和可推荐的物品，对预置的数据生成规则进行更新，从而得到新的数据生成规则。最后，可按照新的数据生成规则，以生成用户与对话模型之间的对话数据，对话数据包含对话模型向用户推荐的物品，对话模型向用户推荐的物品来自可推荐的物品。前述过程提供了一种对话数据生成框架，该框架可利用采集得到的用户数据集合预置的数据生成规则来获取新的数据生成规则，并利用新的数据生成规来得到用户与对话模型之间的对话数据，由此可见，该框架可自动生成对话数据，对话数据的整个生成过程不需人工干预，可有效提升对话数据的生成效率，减小对话数据的生成成本。

在一种可能实现的方式中，确定模块，还用于基于用户数据确定不可推荐的物品；更新模块，用于基于用户数据、可推荐的物品和不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。

在一种可能实现的方式中，确定模块，用于：对用户数据以及多个候选物品进行特征提取，得到用户数据的特征以及多个候选物品的特征；对用户数据的特征以及多个候选物品的特征进行计算，得到用户数据与多个候选物品之间的匹配度；将匹配度大于或等于第一阈值的候选物品确定为可推荐的物品。

在一种可能实现的方式中，确定模块，用于：将匹配度小于或等于第二阈值的候选物品确定为不可推荐的物品，第二阈值小于第一阈值。

在一种可能实现的方式中，预置的数据生成规则包含不需补充的规则以及待补充的规则，更新模块，用于：将用户数据、可推荐的物品和不可推荐的物品填充至待补充的规则，得到补充后的规则，不需补充的规则以及补充后的规则构成新的数据生成规则，不需补充的规则用于设置对话数据的格式，补充后的规则用于设置对话数据的内容。

在一种可能实现的方式中，该装置还包括：筛选模块，用于从对话数据中获取目标对话数据，目标对话数据满足以下至少一项：目标对话数据包含的所有文字均位于预置的文字集合中；目标对话数据包含的针对物品的描述符合真实的描述；目标对话数据包含的物品为真实的物品；目标对话数据包含的内容的丰富度大于或等于第三阈值。

在一种可能实现的方式中，该装置还包括：训练模块，用于基于目标对话数据，对对话模型进行训练，得到训练后的对话模型。

图17为本申请实施例提供的数据处理装置的一个结构示意图，如图17所示，该装置包括：

获取模块1701，用于获取用户的提问，用户的提问用于描述用户的物品推荐需求。

处理模块1702，用于将用户的提问输入至训练后的对话模型，得到与提问对应的回答，回答用于描述针对用户的物品推荐结果。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参考本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还涉及一种执行设备，图18为本申请实施例提供的执行设备的一个结构示意图。如图18所示，执行设备1800具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1800上可部署有图17对应实施例中所描述的数据处理装置，用于实现图15对应实施例中数据处理的功能。具体的，执行设备1800包括：接收器1801、发射器1802、处理器1803和存储器1804(其中执行设备1800中的处理器1803的数量可以一个或多个，图18中以一个处理器为例)，其中，处理器1803可以包括应用处理器18031和通信处理器18032。在本申请的一些实施例中，接收器1801、发射器1802、处理器1803和存储器1804可通过总线或其它方式连接。

存储器1804可以包括只读存储器和随机存取存储器，并向处理器1803提供指令和数据。存储器1804的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1804存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1803控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线***耦合在一起，其中总线***除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线***。

上述本申请实施例揭示的方法可以应用于处理器1803中，或者由处理器1803实现。处理器1803可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1803中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1803可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1803可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1804，处理器1803读取存储器1804中的信息，结合其硬件完成上述方法的步骤。

接收器1801可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1802可用于通过第一接口输出数字或字符信息；发射器1802还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1802还可以包括显示屏等显示设备。

本申请实施例中，在一种情况下，处理器1803，用于通过图15对应实施例中的训练后的对话模型，获取与用户的提问对应的回答。

本申请实施例还涉及一种训练设备，图19为本申请实施例提供的训练设备的一个结构示意图。如图19所示，训练设备1900由一个或多个服务器实现，训练设备1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器(centralprocessing units，CPU)1919(例如，一个或一个以上处理器)和存储器1932，一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中，存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1919可以设置为与存储介质1930通信，在训练设备1900上执行存储介质1930中的一系列指令操作。

训练设备1900还可以包括一个或一个以上电源1926，一个或一个以上有线或无线网络接口1950，一个或一个以上输入输出接口1958；或，一个或一个以上操作***1941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

具体的，训练设备可以执行图5对应实施例中的对话数据生成方法，得到用户与对话模型之间的对话数据，从而基于对话数据对对话模型进行训练，从而得到训练后的对话模型。

本申请实施例还涉及一种计算机存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图20，图20为本申请实施例提供的芯片的一个结构示意图，所述芯片可以表现为神经网络处理器NPU 2000，NPU 2000作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路2003，通过控制器2004控制运算电路2003提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路2003内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路2003是二维脉动阵列。运算电路2003还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路2003是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器2002中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器2001中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)2008中。

统一存储器2006用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)2005，DMAC被搬运到权重存储器2002中。输入数据也通过DMAC被搬运到统一存储器2006中。

BIU为Bus Interface Unit即，总线接口单元2013，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)2009的交互。

总线接口单元2013(Bus Interface Unit，简称BIU)，用于取指存储器2009从外部存储器获取指令，还用于存储单元访问控制器2005从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器2006或将权重数据搬运到权重存储器2002中或将输入数据数据搬运到输入存储器2001中。

向量计算单元2007包括多个运算处理单元，在需要的情况下，对运算电路2003的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对预测标签平面进行上采样等。

在一些实现中，向量计算单元2007能将经处理的输出的向量存储到统一存储器2006。例如，向量计算单元2007可以将线性函数；或，非线性函数应用到运算电路2003的输出，例如对卷积层提取的预测标签平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元2007生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路2003的激活输入，例如用于在神经网络中的后续层中的使用。

控制器2004连接的取指存储器(instruction fetch buffer)2009，用于存储控制器2004使用的指令；

统一存储器2006，输入存储器2001，权重存储器2002以及取指存储器2009均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所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模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (17)

1.一种对话数据生成方法，其特征在于，所述方法包括：

获取用户数据，所述用户数据包含用户的属性和所述用户感兴趣的物品；

基于所述用户数据确定可推荐的物品，所述可推荐的物品包含所述用户感兴趣的物品，以及与所述用户感兴趣的物品相关联的物品；

基于所述用户数据和所述可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则；

基于所述新的数据生成规则，生成所述用户与对话模型之间的对话数据，所述对话数据包含所述对话模型向所述用户推荐的物品，所述对话模型向所述用户推荐的物品来自所述可推荐的物品。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述用户数据确定不可推荐的物品；

所述基于所述用户数据和所述可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则包括：

基于所述用户数据、所述可推荐的物品和所述不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。

3.根据权利要求2所述的方法，其特征在于，所述基于所述用户数据确定可推荐的物品包括：

对所述用户数据以及多个候选物品进行特征提取，得到所述用户数据的特征以及所述多个候选物品的特征；

对所述用户数据的特征以及所述多个候选物品的特征进行计算，得到所述用户数据与所述多个候选物品之间的匹配度；

将匹配度大于或等于第一阈值的候选物品确定为可推荐的物品。

4.根据权利要求3所述的方法，其特征在于，所述基于所述用户数据确定不可推荐的物品包括：

将匹配度小于或等于第二阈值的候选物品确定为不可推荐的物品，所述第二阈值小于所述第一阈值。

5.根据权利要求2至4任意一项所述的方法，其特征在于，所述预置的数据生成规则包含不需补充的规则以及待补充的规则，所述基于所述用户数据、所述可推荐的物品和所述不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则包括：

将所述用户数据、所述可推荐的物品和所述不可推荐的物品填充至所述待补充的规则，得到补充后的规则，所述不需补充的规则以及所述补充后的规则构成新的数据生成规则，所述不需补充的规则用于设置所述对话数据的格式，所述补充后的规则用于设置所述对话数据的内容。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述方法还包括：

从所述对话数据中获取目标对话数据，所述目标对话数据满足以下至少一项：

所述目标对话数据包含的所有文字均位于预置的文字集合中；

所述目标对话数据包含的针对物品的描述符合真实的描述；

所述目标对话数据包含的物品为真实的物品；

所述目标对话数据包含的内容的丰富度大于或等于第三阈值。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

基于所述目标对话数据，对所述对话模型进行训练，得到训练后的对话模型。

8.一种对话数据生成装置，其特征在于，所述装置包括：

获取模块，用于获取用户数据，所述用户数据包含用户的属性和所述用户感兴趣的物品；

确定模块，用于基于所述用户数据确定可推荐的物品，所述可推荐的物品包含所述用户感兴趣的物品，以及与所述用户感兴趣的物品相关联的物品；

更新模块，用于基于所述用户数据和所述可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则；

生成模块，用于基于所述新的数据生成规则，生成所述用户与对话模型之间的对话数据，所述对话数据包含所述对话模型向所述用户推荐的物品，所述对话模型向所述用户推荐的物品来自所述可推荐的物品。

9.根据权利要求8所述的装置，其特征在于，所述确定模块，还用于基于所述用户数据确定不可推荐的物品；

所述更新模块，用于基于所述用户数据、所述可推荐的物品和所述不可推荐的物品，更新预置的数据生成规则，得到新的数据生成规则。

10.根据权利要求9所述的装置，其特征在于，所述确定模块，用于：

对所述用户数据以及多个候选物品进行特征提取，得到所述用户数据的特征以及所述多个候选物品的特征；

对所述用户数据的特征以及所述多个候选物品的特征进行计算，得到所述用户数据与所述多个候选物品之间的匹配度；

将匹配度大于或等于第一阈值的候选物品确定为可推荐的物品。

11.根据权利要求10所述的装置，其特征在于，所述确定模块，用于：

将匹配度小于或等于第二阈值的候选物品确定为不可推荐的物品，所述第二阈值小于所述第一阈值。

12.根据权利要求9至11任意一项所述的装置，其特征在于，所述预置的数据生成规则包含不需补充的规则以及待补充的规则，所述更新模块，用于：

将所述用户数据、所述可推荐的物品和所述不可推荐的物品填充至所述待补充的规则，得到补充后的规则，所述不需补充的规则以及所述补充后的规则构成新的数据生成规则，所述不需补充的规则用于设置所述对话数据的格式，所述补充后的规则用于设置所述对话数据的内容。

13.根据权利要求8至12任意一项所述的装置，其特征在于，所述装置还包括：

筛选模块，用于从所述对话数据中获取目标对话数据，所述目标对话数据满足以下至少一项：

所述目标对话数据包含的所有文字均位于预置的文字集合中；

所述目标对话数据包含的针对物品的描述符合真实的描述；

所述目标对话数据包含的物品为真实的物品；

所述目标对话数据包含的内容的丰富度大于或等于第三阈值。

14.根据权利要求13所述的装置，其特征在于，所述装置还包括：

训练模块，用于基于所述目标对话数据，对所述对话模型进行训练，得到训练后的对话模型。

15.一种对话数据生成装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述对话数据生成装置执行如权利要求1至7任意一项所述的方法。

16.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机实施权利要求1至7任一所述的方法。

17.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至7任意一项所述的方法。