CN113641806B - 对话方法、系统、电子设备及存储介质 - Google Patents

Abstract

本公开提供了一种对话方法、系统、电子设备及存储介质，涉及深度学习与自然语言处理等人工智能技术领域。具体实现方案为：基于接收到的用户的对话信息，改写对应的对话状态；基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；基于所述用户的对话信息和所述对话动作信息，生成回复语句。本公开能够基于用户的对话信息和对应的对话状态，决策需要采用的对话动作信息；进而基于对话动作信息，生成回复语句，提供了一种高效的对话方案。

Description

对话方法、系统、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及深度学习与自然语言处理等人工智能技术领域，具体涉及一种对话方法、系统、电子设备及存储介质。

背景技术

随着人工智能(Artificial Intelligence；AI)技术的发展，越来越多的基于AI实现的对话系统。

例如，现有的基于AI的对话系统中，可以预定义对话过程中可能涉及到的对话意图、意图下的可能的槽位以及对应的响应方式。在与用户进行对话的过程中，对话系统可以基于预定义的信息，检测用户的对话命中的槽位，识别用户的对话意图，并采用该对话意图对应的响应方式对用户进行响应。

发明内容

本公开提供了一种对话方法、系统、电子设备及存储介质。

根据本公开的一方面，提供了一种对话方法，其中，所述方法包括：

基于接收到的用户的对话信息，改写对应的对话状态；

基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；

基于所述用户的对话信息和所述对话动作信息，生成回复语句。

根据本公开的另一方面，提供了一种智能对话系统，其中，所述系统包括：

改写模块，用于基于接收到的用户的对话信息，改写对应的对话状态；

决策模块，用于基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；

回复生成模块，用于基于所述用户的对话信息和所述对话动作信息，生成回复语句。

根据本公开的再一方面，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如上所述的方面和任一可能的实现方式的方法。

根据本公开的又一方面，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如上所述的方面和任一可能的实现方式的方法。

根据本公开的再另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。

根据本公开的技术，提供了一种更加高效的对话方案。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是本实施例的对话方法的应用架构图。

图4是本实施例的智能对话系统的工作状态示意图。

图5是本实施例的智能对话系统的一个工作原理示意图。

图6是根据本公开第三实施例的示意图；

图7是用来实现本公开实施例的对话方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1是根据本公开第一实施例的示意图；如图1所示，本实施例的对话方法，具体可以包括如下步骤：

S101、基于接收到的用户的对话信息，改写对应的对话状态；

S102、基于用户的对话信息和对应的对话状态，决策需要采用的对话动作信息；

S103、基于用户的对话信息和对话动作信息，生成回复语句。

本实施例的对话方法的执行主体可以为一智能对话系统。本实施例中，是以用户与智能对话系统的一轮对话为例，具体地对话场景中，智能对话系统先接收用户的对话信息，基于用户的对话信息，改写对应的对话状态。本实施例中的对话状态用于记录当前对话的信息。本实施例中的改写包括增加、删除或者修改等操作。改写的目的是将本次对话信息中更新到对应的对话状态内。该步骤也可以认为是将对话信息进行规范化处理，以便于后续基于对话状态进行对话处理。本实施例的对话状态用于基于意图存储当前对话信息，如意图对应的实体或者任务名称，以及当前的对话信息内该意图对应的特征等相关的信息。

接下来，智能对话系统还可以基于所述用户的对话信息和对应的对话状态，决策需要采用的对话动作信息，该对话动作信息可以用于标识当前对话需要采用的回复策略。进一步地，本实施例的智能对话系统还可以基于用户的对话信息和该对话动作信息，生成回复语句，并反馈给用户，实现对话。

实际应用中，智能对话系统可以按照上述方式，与用户完成多轮对话，在多轮对话中，该智能对话系统需要主动采取多个对话动作构成的对话策略，实现与用户进行对话。在对话初始，用户的对话信息可以仅为一个不太明确的泛需求。多轮对话中，通过与该智能对话系统对话，可以完善自己对于需求相关的背景知识的了解，并在了解过程中明确并细化自己的确切需求。基于此，本实施例的智能对话系统能够提供决策层面和执行层面的建议。因此，本实施例的智能对话系统还可以称之为智能顾问系统(Intelligent ConsultantSystem；ICS)。

本实施例的对话方法，能够在与用户的对话过程中，基于用户的对话信息和改写后对应的对话状态，决策对话动作信息，并基于用户的对话信息和决策的对话动作信息，生成回复语句，实现与用户进行对话，有效地提高对话效率。而且对于用户的泛需求，也能够得到很好的满足，能够有效地提高用户的体验度。

图2是根据本公开第二实施例的示意图；如图2所示，本实施例的对话方法，具体可以包括如下步骤：

S201、基于接收到的用户的对话信息，提取对应的意图；

该步骤中提取对应的意图，可以是从用户的对话信息中直接提取的，也可以是基于该用户的对话信息总结得到的。

在使用时，具体可以采用预先训练的改写模型基于接收到的用户的对话信息，提取对应的意图。例如，可以将用户的对话信息采用预先训练的表达模型，将用户的对话信息采用向量的形式来表达，并将得到的向量化的用户的对话信息输入至改写模型中。改写模型可以基于输入的信息，提取用户的对话信息对应的意图。

S202、基于该意图，获取对应的对话状态；

具体实现时，该步骤可以包括如下步骤：

(a1)、检测意图是否为新增意图；若是，执行步骤(b1)；否则执行步骤(d1)；

(b1)、从意图知识图谱中调取相应的意图单元；

(c1)基于调取的意图单元，创建对应的对话状态。

(d1)、从用户的历史状态库中调取意图对应的对话状态。

用户在与智能对话系统的一次对话过程中，可以包括多轮对话，而且多轮对话中可能仅涉及一个意图，也可能涉及多个意图。例如，用户在心情不好的时候，与智能对话系统聊天的意图可能最初仅仅是聊天，以排解心情，通过与智能对话系统不断地聊天，被引导，可能改变意图，准备去旅游或者购买东西等等。本实施例中，为了高效地管理对话，通过采用对话状态对对话信息进行管理，需要随时检测用户的每句对话信息的意图是否为新增意图。若是，需要基于从意图知识图谱中调取相应的意图单元创建对应的对话状态。若不是，则从用户的历史状态库中调取相应的对话状态即可。

本实施例中的意图单元为一个三层的框架(Frame)单元结构。其中第一层可以为实体或者任务的名称，其中的实体客体为人名，任务名称可以为去旅游、买水果、订机票等等具有明确任务的名称。第二层可以为第一层的实体或者任务的相关的分类信息，如实体为某个明星时候，第二层的分类可以包括歌曲、电影、代表作等之类的特征名称。若第一层为买水果，第二层的分类可以包括水果名称、单价、数量等等之类的特征名称。若第一层为订机票，第二层的分类可以包括机场名称、出发时间等等之类的特征名称。第三层中可以包括围绕第二层的特征的常用表述语句，例如，可以存储一些具有模板功能的句子，例如当前意图对应的实体或者任务的一些开场句，再例如还可以存储一些该意图对应的实体相关的热门评价语句。

本实施例的对话状态基于意图单元来建立，例如可以基于框的形式采用key-Value对的形式存储信息，其中可以存储意图单元的第一层、第二层和第三层的信息。其中意图单元的第一层的任务或者实体存储在key里，具体的任务或者实体名称存储在对应的Value里。意图单元的第二层里的特征均存储在key里，对应的特征的具体内容均存储在对应的Value里。在对话状态基于意图单元初创建时，该对话状态框内仅有key的值，对应的Vlaue值均为空。

另外，可选地，在意图单元内的第二层还可以将引导项作为特征存储，具体地在第三层中存储引导项的具体信息，该引导项用于指示当前意图单元对应的意图做完之后，所有可能继续聊到的下一个目标意图单元的集合。如可以采用各目标意图单元的第一层的实体或者任务的名称来标识。对应地，基于意图单元创建对应的对话状态时，引导项作为特征存储在Key里，对应的下一个目标意图单元的集合作为Value存储在对话状态里。

本实施例的意图知识图谱中可以包括多个意图单元，具体可以通过挖掘与所有用户的历史对话信息得到。其中每个意图单元中的引导项可以作为不同意图单元之间连接的边。

本实施例的用户的历史状态库中可以存储有该用户与智能对话系统的所有对话中涉及到的所有意图对应的对话状态。且在各对话状态中可以记录有该用户在相应意图的对话中涉及到的最终的信息。例如，对于任务名称为买水果的意图单元中，可以记录有该用户每次买水果的名称、单价、数量以及购买平台以及相应的日期等等特征信息。

无论用户的对话信息对应的意图是否为新增意图，按照上述方式，均可以准确地获取到用户的对话信息对应的对话状态。进而可以基于对话状态准确、高效地进行后续的对话。

S203、基于该对话信息，改写获取的该对话状态；执行步骤S204；

例如，具体地，若对话信息中涉及到对话状态内的Key记录的特征名称，可以将对话信息中key对应的特征信息写入对话状态内对应的Value位置。若基于对该对话信息的理解，该对话信息涉及删除上一句对话信息，此时可以删除对话状态内记录的上一句对话内的特征信息。若对话信息涉及修改上一句对话信息，此时可以修改对话状态内记录的上一句对话中的特征信息。

具体地，步骤S202和步骤S203也可以放在改写模型内来实现。

S204、基于用户的对话信息和对应的对话状态，决策需要采用的对话动作信息；执行步骤S205；

例如，该步骤具体可以包括如下几种方式：

(1)基于用户的对话信息和对话状态中记录的对话信息对应的意图，决策需要采用的对话动作信息；

(2)基于用户的对话信息、对话状态中记录的对话信息对应的意图以及对话状态中记录的对话引导项，决策需要采用的对话动作信息；或者

(3)基于用户的对话信息和对话状态，并参考用户本次对话的历史对话信息、用户的历史记忆信息和/或用户的属性信息，决策需要采用的对话动作信息。

本实施例的对话可以为多轮对话，本次对话的历史信息指的本次对话中、当前的用户对话信息之前的对话上文信息。用户的历史记忆信息可以指的是用户的、本次对话之前的所有历史对话信息，其中可以包括该用户的对话信息对应的意图的对话，也可以包括其他意图的对话。用户的属性信息可以是根据与该用户的所有历史对话信息，存储的该用户的一些相关属性信息，如该用户的兴趣、年龄、毕业学校等基本信息。本实施例中，用户的本次对话信息、历史对话信息以及用户的属性信息均可以存储在记忆模块中。无论是用户的历史对话信息、用户的历史记忆信息，还是用户的属性信息，这些用户的个人信息的获取，均获得用户的授权，以为用户提供更加高效的服务。这些个人信息的获取、存储和应用等符合相关法律法规的规定，且不违背公序良俗。

需要说明的是，第(4)种方式中，决策时采用的对话状态中的信息可以为上述方式(1)-(2)中任意一种。

本实施例中，可以采用预先训练的决策模型基于用户的对话信息和对应的对话状态，决策需要采用的对话动作信息。

若用户的对话信息意图很明确，如“我要听歌星X的歌曲Y”，此时基于用户的该对话信息和对话状态中记录的意图，便可以决策出需要采用的对话动作信息，如此时对应的对话动作信息可以为：播放歌星X的歌曲Y。

另外，若用户的对话信息标明当前意图的任务已完成，如用户的对话信息是“好的，我知道了”，此时，根据用户的对话信息可以确定当前意图已完成，可以基于对话状态中记录的对话信息对应的意图以及对话状态中记录的对话引导项，决策需要采用的对话动作信息。此时的对话动作信息可以是基于对话状态中记录的对话引导项发起的策略信息，可以主动引导用户开启另一种类型的对话。通过该方式，用户在完成一件事情之后，智能对话系统还可以主动引导用户去做另一件事，进一步丰富了智能对话系统的功能，提高与用户的对话效果。

而且，进一步地，智能对话系统在决策需要采用的对话动作信息时，还可以同时参考对话状态中记录的用户的历史对话信息，此时可以做到更有效地引导用户。例如，用户的对话信息是“我想买些苹果”。智能对话系统提取到用户的本次对话的意图是买苹果，还根据用户的历史对话信息，可以查询到用户在之前购买的都是富士苹果，此时决策采用的对话动作信息可以为“询问用户是否还买富士苹果”。

进一步地，上述任一种决策采用的对话动作信息时，还可以参考用户本次对话的历史对话信息、用户的历史记忆信息和/或用户的属性信息，以更加智能、更加合理、更加有效地决策对话动作信息。

另外，可选地，还可以在与用户进行对话过程中，实时检测用户的话动作信息中是否包括有用户的属性信息，若包括，将用户的属性信息存储在记忆模块内。其中属性信息的检测可以设置一些检测规则，如可以设置属性信息的字段名称或者属性信息所符合的规则，以对属性信息进行有效地检测。

S205、基于用户的对话信息和对话动作信息，生成回复语句。

本实施例中，为了使得生成的回复语句更自然，与上下文更连贯，可以参考用户的对话信息和对话动作信息一起生成回复语句。进一步地，为了丰富生成回复语句所需的语料，本实施例中，在参考用户的对话信息、对话动作信息的基础上，还可以进一步参考用户的对话信息的意图对应的意图单元来生成回复语句。例如可以参考用户的对话信息的意图对应的意图单元内的第三层存储的常用表述语句，生成回复语句，使得生成的回复语句更自然、内容更丰富。

具体地，可以采用预先训练的回复生成模型，基于用户的对话信息和对话动作信息，生成回复语句。

本实施例中，可以通过采用改写模型、决策模型以及回复生成模型，可以进一步增强智能对话系统的对话能力，提升与用户的对话效果。

需要说明的是，本公开实施例中，智能对话系统可以通过各种公开、合法合规的方式获取用户的对话信息，例如可以是从公开数据集处获取的，或者是经过了用户的授权从用户处获取的。通过本公开实施例的对话过程是在经用户授权后执行的，其生成过程符合相关法律法规。本公开实施例中的对话并不是针对某一特定用户。

例如，图3是本实施例的对话方法的应用架构图。结合图3以及上述步骤S201-S205，可以将智能对话系统实现上述步骤S201-S205功能的主体结构放在智能对话系统的中控部分内实现与用户的对话功能，即将预先训练的改写模型、决策模型以及回复生成模型都集成在智能对话系统的中控。意图知识图谱模块和记忆模块可以放在智能对话系统内，或者也可以置于智能对话系统外，能够被智能对话系统随时访问到，并获取到相关信息即可。如图3所示，智能对话系统的中控接收到用户的对话信息即Utterance时，先进行自然语言理解(Natural Language Understanding；NLU)，理解用户的对话信息。然后可以按照上述步骤S201-S204做出决策Policy，可以决策出需要采用的对话动作信息。然后再按照步骤S205基于自然语言生成(Natural Language Generation；NLG)技术生成回复语句Response。其中，做出决策Policy的过程中，可以参考对话状态以及记忆模块中存储的包括用户画像、历史偏好在内的用户的属性信息。其中对话状态是基于从意图知识图谱模块中调取的意图单元创建的。在与用户的对话过程中，所有的对话信息都实时存储在记忆模块内。所以该记忆模块中可以存储有用户每次与智能对话系统的所有对话信息，若用户当前正在与智能对话系统进行对话，还存储有本次对话中、当前对话信息之前的所有对话信息，还可以存储有基于该用户的所有历史对话信息提取的用户的属性信息。

例如，图4是本实施例的智能对话系统的工作状态示意图。如图4所示，为了便于对对话状态进行有效管理，每个领域下的不同类型对话均对应着一个对话状态框，各对话状态可以采用Key-Value存储方式的多层框架结构，因此也可以称之为Frame框。如图4的左侧部分所示，电影领域下的主题聊天、旅游领域下的问答等等各对应一个Frame框。结合上述实施例的记载，每个Frame框对应一个实体或者任务，且每个Frame框都包括有引导项如图4中所示的引导目标，用于指示当前Frame做完之后，所可能继续聊到的下一个Frame的集合，对应了不同Frame之间的边。如图4的右侧部分所示，是本实施例的智能对话系统的中控的运转示意图，可以看到，随着与用户之间对话的进行，中控也维护了一个由Frame状态图组成的对话状态流转示意图。每个Frame状态对应一个对话状态。例如，若用户的对话信息对应的意图属于新增意图时，此时对应图4中的状态迁移步骤1，新增Frame框，此时从意图知识图谱中调取一个该意图对应的意图单元，然后基于该意图单元创建一个Frame框。接下来，在图4中的状态迁移步骤2，涉及对当前Frame框的动态状态管理，本实施例的动态状态管理涉及对Frame框内的内容的增加、删除和修改操作。在图4中的状态迁移步骤3，若在与用户的一个类型的对话中涉及到另一个类型的对话。若另一个类型的对话完成，返回到上一类型的对话。对应在智能对话系统的中控内，由于每一个类型对话对应一个Frame框，则Frame框的状态也返回到上一个Frame框。在图4中的状态迁移步骤4，当问答完成时，智能对话系统能够基于当前Frame框中的引导目标，主动引导到下一个Frame框。

本实施例中，通过采用改写模型、决策模型以及回复生成模型等机器学习模型来实现智能对话系统的强中控。

图5是本实施例的智能对话系统的一个工作原理示意图。如图5所示，在其左上角以4个对话状态0、1、2、3为例描述上述图4所述的状态迁移。状态0可以认为是准备状态，用户与智能对话系统先进行状态为1的对话，在进行状态1的对话的过程中，迁移到状态2的对话，在状态2的对话完成之后，又返回状态1的对话，在状态为1的对话完成后，继续进行状态3的对话。每个状态内对应一个意图，即对应一个Frame，所以每个状态也可以称为Frame状态。本实施例每个状态对应一个任务，采用该状态迁移方式，可以保证同一任务的多次调用，且同一任务在一个Frame框架内进行管理，能够更加有效地与用户进行对话。

结合上述实施例的步骤S201-S205的记载，每个Frame状态下，可以实现改写模型、决策模型以及回复生成模型的操作。例如图5所示的左下角。在每个Frame状态，可以训练其相应的改写模型、决策模型以及回复生成模型。其中改写模型也可以称之为记录器Writer，决策模型也可以称之为动作选择策略器Policy，回复生成模型也可以称之为生成器Generator。如图5中的左下角所示，状态1中对应的改写模型、决策模型以及回复生成模型可以分别为W1、P1和G1，状态2中对应的改写模型、决策模型以及回复生成模型可以分别为W2、P2和G2，状态3中对应的改写模型、决策模型以及回复生成模型可以分别为W3、P3和G3。如图5所示的右侧所示，接收到用户的对话信息Utterance后，先采用表达模型对Utterance进行向量化表示，输入至改写模型W3，改写模型W3先提取用户对话信息的意图，并基于该意图获取对应的对话状态Frame，并基于对话信息，改写对话状态Frame。并将向量化的对话信息以及改写后的对话状态Frame都输入至决策模型P3，决策模型P3可以基于输入的信息，选择动作即对该对话信息需要采用的对话动作信息。最后将向量化的对话信息以及选择的动作输入至回复生成模型G3，供回复生成模型G3生成回复语句Response。

需要说明的是，本实施例的智能对话系统可以设计为一个端到端的模型。不同意图的对话状态Frame可以共用改写模型、决策模型和回复生成模型。或者不同意图的对话状态Frame的改写模型、决策模型和回复生成模型结构相同，但具体参数可以独立，即单独训练每种意图的对话状态Frame对应的改写模型、决策模型和回复生成模型。

本实施例的决策模型和回复生成模型可以均采用离散变分自编码器(DiscreteVariational Auto-Encoder；DVAE)来实现。

基于以上所述，可以得知，本公开的对话方法，可以基于主动、多类型的对话来辅助用户泛需求的决策和执行。例如，用户有初始的需求之后，通过与智能对话系统交流，可以完善自己对于需求相关的背景知识的了解，并在了解过程中明确并细化自己的确切需求。在这个过程中不可避免的会涉及到多种类型的对话，包括一般意义上的闲聊、问答、围绕主题的深入聊天、完成任务型对话。此外，为了让整个过程更为高效，本公开的智能对话系统还具备主动引导对话的能力，一站式的满足用户需求。

例如，如下表1为一个用户与智能对话系统采用如上图2所示实施例的技术方案所实现的多轮对话，其中user为用户的对话信息，bot为智能对话系统的回复语句。

表1

user学校马上放假了，想出去爬爬山

bot我也喜欢爬山呢，名山大川我知道的不少哦

user那你知道黄山么

bot当然知道，黄山有四绝，奇松怪石云海温泉，爬完山泡个温泉多舒服啊user哈哈，被你说的有点心动了，帮我买个票吧。

bot好的，你要什么时候去

user后天吧，学校放假了

bot请问你的身份证号是多少

user****

bot好的我记下了，需要看看黄山的天气吗？

user对了，后面几天黄山的天气怎么样

bot后天黄山阵雨，大后天开始晴转多云

user那我还是大后天去吧

bot好的，那我帮你把景区门票修改一下可以吗？

user好的bot已经修改，请确认下单

基于上述表所示的对话，可以得知用户最初的需要为一个泛需求，随着与智能对话系统的聊天的深入，可以主动引导用户，帮助用户明确其更加准确地的需求，真正帮助用户解决其问题，有效地提高用户的使用体验。

本实施例的改写模型、决策模型和回复生成模型的训练可以采用有监督训练，也可以采用无监督的训练。也可以两种训练方式相结合，先采用无监督的训练方式，整体对三种模型同时进行训练，然后再采用有监督的训练方式单独对每种模型进行单独训练。例如，可以采用如上表1所述的训练数据进行无监督的训练。该训练过程中，仅采用一个损失函数，对三种模型整体进行参数调整。另外，在有监督的训练中，可以增加标注数据，单独对每种模型进行训练。例如，若要对改写模型进行有监督的训练，可以标注用户的对话信息对应的意图，训练改写模型的意图提取能力。若要对决策模型进行有监督的训练，可以标注用户的对话信息对应所需要采用的对话动作信息，训练决策模型的决策能力。此时三种模型对应三个损失函数，可以分别单独训练，也可以联合一起训练。详细可以参考相关模型训练的知识，在此不再赘述。

本实施例的对话方法，通过采用上述方案，不仅可以决策对话动作信息，还可以主动引导用户进行对话，进一步丰富对话功能，提高对话效率，对于用户的泛需求，也能够得到很好的满足，能够有效地提高用户的体验度。而且，本实施例的对话方法可以采用改写模型、决策模型和回复生成模型来实现，能够进一步提高对话的智能性。

图6是根据本公开第三实施例的示意图；如图6所示，本实施例提供一种智能对话系统600，包括：

改写模块601，用于基于接收到的用户的对话信息，改写对应的对话状态；

决策模块602，用于基于用户的对话信息和对话状态，决策需要采用的对话动作信息；

回复生成模块603，用于基于用户的对话信息和对话动作信息，生成回复语句。

本实施例的智能对话系统600，通过采用上述模块实现对话的实现原理以及技术效果，与上述相关方法实施例相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

进一步可选地，本实施例的智能对话系统中，改写模块601，还用于：

基于用户的对话信息，提取对应的意图；

基于意图，获取对应的对话状态。

进一步可选地，本实施例的智能对话系统中，改写模块601，用于：

检测意图是否为新增意图；

若是，从意图知识图谱中调取相应的意图单元；

基于所述意图单元，创建对应的所述对话状态。

进一步可选地，本实施例的智能对话系统中，改写模块601，用于：

若意图不是新增意图，从用户的历史状态库中调取意图对应的对话状态。

进一步可选地，本实施例的智能对话系统中，决策模块602，用于：

基于用户的对话信息和对话状态中记录的对话信息对应的意图，决策需要采用的对话动作信息；或者

基于用户的对话信息、对话状态中记录的对话信息对应的意图以及对话状态中记录的对话引导项，决策需要采用的对话动作信息。

进一步可选地，本实施例的智能对话系统中，决策模块602，用于：

基于用户的对话信息和对话状态，并参考用户本次对话的历史对话信息、用户的历史记忆信息和/或用户的属性信息，决策需要采用的对话动作信息。

进一步可选地，本实施例的智能对话系统中，改写模块601，用于：

采用预先训练的改写模型基于接收到的用户的对话信息，改写对应的对话状态；

决策模块602，用于：

采用预先训练的策略模型基于用户的对话信息和对话状态，决策需要采用的对话动作信息；和/或

回复生成模块603，用于：

采用预先训练的回复生成模型基于用户的对话信息和对话动作信息，生成回复语句。

本公开的技术方案中，所涉及的用户个人信息如用户的对话信息、的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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，例如对话方法。例如，在一些实施例中，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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的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701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对话方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(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系统上执行和/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，可以从存储系统、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系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开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。

在本公开的上下文中，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系统、装置或设备使用或与指令执行系统、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、或半导体系统、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系统和技术，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。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统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，也可以为分布式系统的服务器，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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种对话方法，其中，所述方法包括：

基于接收到的用户的对话信息，改写对应的对话状态；

基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；

基于所述用户的对话信息和所述对话动作信息，生成回复语句；

其中，基于接收到的用户的对话信息，改写对应的对话状态之前，所述方法还包括：

基于所述用户的对话信息，提取对应的意图；

基于所述意图，获取对应的所述对话状态；

其中，基于所述意图，获取对应的所述对话状态，包括：

检测所述意图是否为新增意图；

若是，从意图知识图谱中调取相应的所述意图单元；基于所述意图单元，创建对应的所述对话状态；

若所述意图不是新增意图，从所述用户的历史状态库中调取所述意图对应的所述对话状态。

2.根据权利要求1所述的方法，其中，基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息，包括：

基于所述用户的对话信息和所述对话状态中记录的所述对话信息对应的所述意图，决策需要采用的对话动作信息；或者

基于所述用户的对话信息、所述对话状态中记录的所述对话信息对应的所述意图以及所述对话状态中记录的对话引导项，决策需要采用的对话动作信息。

3.根据权利要求2所述的方法，其中，基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息，包括：

基于所述用户的对话信息和所述对话状态，并参考所述用户本次对话的历史对话信息、所述用户的历史记忆信息和/或所述用户的属性信息，决策需要采用的对话动作信息。

4.根据权利要求1-3任一所述的方法，其中，基于接收到的用户的对话信息，改写对应的对话状态，包括：采用预先训练的改写模型基于接收到的所述用户的对话信息，改写对应的对话状态；

基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息，包括：采用预先训练的策略模型基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；和/或

基于所述用户的对话信息和所述对话动作信息，生成回复语句，包括：采用预先训练的回复生成模型基于所述用户的对话信息和所述对话动作信息，生成所述回复语句。

5.一种智能对话系统，其中，所述系统包括：

改写模块，用于基于接收到的用户的对话信息，改写对应的对话状态；

决策模块，用于基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；

回复生成模块，用于基于所述用户的对话信息和所述对话动作信息，生成回复语句；

其中，所述改写模块，还用于：

基于所述用户的对话信息，提取对应的意图；

基于所述意图，获取对应的所述对话状态；

其中，所述改写模块，用于：

检测所述意图是否为新增意图；

若是，从意图知识图谱中调取相应的所述意图单元；基于所述意图单元，创建对应的所述对话状态；

若所述意图不是新增意图，从所述用户的历史状态库中调取所述意图对应的所述对话状态。

6.根据权利要求5所述的系统，其中，所述决策模块，用于：

基于所述用户的对话信息和所述对话状态中记录的所述对话信息对应的所述意图，决策需要采用的对话动作信息；或者

基于所述用户的对话信息、所述对话状态中记录的所述对话信息对应的所述意图以及所述对话状态中记录的对话引导项，决策需要采用的对话动作信息。

7.根据权利要求6所述的系统，其中，所述决策模块，用于：

基于所述用户的对话信息和所述对话状态，并参考所述用户本次对话的历史对话信息、所述用户的历史记忆信息和/或所述用户的属性信息，决策需要采用的对话动作信息。

8.根据权利要求5-7任一所述的系统，其中，所述改写模块，用于：

采用预先训练的改写模型基于接收到的所述用户的对话信息，改写对应的对话状态；

所述决策模块，用于：

采用预先训练的策略模型基于所述用户的对话信息和所述对话状态，决策需要采用的对话动作信息；和/或

所述回复生成模块，用于：

采用预先训练的回复生成模型基于所述用户的对话信息和所述对话动作信息，生成所述回复语句。

9.一种电子设备，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权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。

Images