一种人机对话中教授意图答案生成方法技术

本发明专利技术公开了一种人机对话中教授意图答案生成方法，所述方法包括：对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图则进入下一步骤；在所述历史记录中寻找当前对话对应的问句；结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；对于相关答案集合进行过滤；基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果及当前对话的回答返回。本发明专利技术能够对人机对话中教授意图下对用户的教授内容进行良好的反馈，提高人机对话的满意度。

【技术实现步骤摘要】

本专利技术涉及人机对话
，具体来说涉及一种人机对话中的教授意图答案生成方法。
技术介绍
人机对话作为人工智能领域一个重要的研究课题，在对话过程中，用户的体验度十分重要。随着语音识别技术的发展，人机对话在聊天机器人、语音助手、虚拟人场景对话、儿童陪聊机器人等各个领域均具有重要作用。然而，在人机对话过程中，对于一些问题，机器人的回答并不正确，或者用户对机器人返回的答案持有不同的意见，此时，用户往往会表达自己的意见，来纠正或者教授机器人，这种情况下，用户更希望的是机器人能够针对他的观点进行回答，但目前的人机对话系统往往是直接返回知识库的答案或者给以模棱两可的回复，虽然这样的回复可以减少计算机的正面回答及回答的错误率，但带给用户的感觉是计算机并没有领会用户交流或者教授的意图，这样的对话体验并不友好。
技术实现思路
为解决上述的一个或多个问题，本专利技术提供了一种人机对话中教授意图答案生成方法，本专利技术能够对人机对话教授意图下对用户的教授内容进行良好的反馈，从而提高人机对话的满意度。本专利技术提供的一种人机对话中教授意图答案生成方法包括以下步骤：步骤1，对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图，则进入步骤3进行自我对话；步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句；步骤4，根据所述步骤3找到的问句，结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。可选地，所述步骤1进一步包括以下步骤：步骤11，对于当前对话所包含的句子进行分词操作，得到每个句子的词向量序列，所述词向量序列由每个句子分词后得到的词向量组成；步骤12，基于每个句子的词向量序列，计算句间相似度；步骤13，基于所述句间相似度，采用词向量模型对于当前对话进行对话意图识别，获得当前对话的对话意图。可选地，所述步骤12中，采用如下公式计算句间相似度： S ( x , y ) = x · y || x || · || y || ]]>其中，S(x，y)表示句间相似度，x，y分别表示句子x和句子y的词向量序列。可选地，所述对话意图至少包括闲聊意图和教授意图，其中，所述教授意图是指用户对计算机返回答案的纠正，或者用户对计算机答案表达自己的观点。可选地，所述询问意图值是指用户对话是问句的概率。可选地，所述步骤3中，采用下式在历史记录中寻找当前对话对应的问句： ρ i = α · 1 D ( x i , x t ) + β · S ( x i , x t ) + γAsk ( x i ) , 0 < i ≤ len ]]>其中，ρi表示第i条历史对话是当前对话语句对应问句的概率值，D(xi，xt)表示第i条历史对话与当前对话之间的距离，xt表示当前对话，xi表示第i条历史对话，Ask(xi)表示第i条历史对话询问意图值的大小，len表示对话历史记录的长度，α，β，γ分别表示权重；S(xi，xt)表示第i条历史对话与当前对话之间的句间相似度。可选地，所述步骤4中，采用下式来进行多轮自我对话以获取相关答案集合：ai+1＝F(q，ai)，0≤i≤n其中，q表示步骤3找到的当前对话对应的问句，ai表示第i轮自我对话得到的答案，a0表示当前对话，F(q，ai)表示通过问句q和当前答案ai，得到的自我对话下一轮的答案，n为对话的最多轮数。可选地，所述步骤5中，采用下式来迭代计算每条答案的权重： W ( v j ) = ( 1 - d ) + d * Σ V j ∈ I n ( v i ) S ( i , j ) Σ V k ∈ O u t ( V j ) S ( j , k ) W ( 本文档来自技高网...

【技术保护点】
一种人机对话中教授意图答案生成方法，其特征在于，所述方法包括以下步骤：步骤1，对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图，则进入步骤3进行自我对话；步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句；步骤4，根据所述步骤3找到的问句，结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。

【技术特征摘要】
1.一种人机对话中教授意图答案生成方法，其特征在于，所述方法包括以下步骤：步骤1，对于收到的对话，计算其句间相似度，然后对当前对话语句进行对话意图识别；步骤2，如果当前对话的意图是闲聊意图，则将当前对话及其对应的询问意图值添加至历史记录中，并直接通过搜索知识库或者网络返回答案；如果当前对话的意图是教授意图，则进入步骤3进行自我对话；步骤3，在确认当前对话的意图是教授意图后，在所述历史记录中寻找当前对话对应的问句；步骤4，根据所述步骤3找到的问句，结合当前对话及网络信息，进行多轮模拟自我对话获取相关答案集合；步骤5，对于所述步骤4获得的相关答案集合进行过滤，去除不相关的答案；步骤6，对于过滤后的答案集合，基于每条答案的权重进行摘要抽取，权重值最高的答案作为摘要抽取的结果，并作为当前对话的回答进行返回。2.根据权利要求1所述的方法，其特征在于，所述步骤1进一步包括以下步骤：步骤11，对于当前对话所包含的句子进行分词操作，得到每个句子的词向量序列，所述词向量序列由每个句子分词后得到的词向量组成；步骤12，基于每个句子的词向量序列，计算句间相似度；步骤13，基于所述句间相似度，采用词向量模型对于当前对话进行对话意图识别，获得当前对话的对话意图。3.根据权利要求2所述的方法，其特征在于，所述步骤12中，采用如下公式计算句间相似度： S ( x , y ) = x · y | | x | | · | | y | | ]]>其中，S(x，y)表示句间相似度，x，y分别表示句子x和句子y的词向量序列。4.根据权利要求2所述的方法，其特征在于，所述对话意图至少包括闲聊意图和教授意图，其中，所述教授意图是指用户对计算机返回答案的纠正，或者用户对计算机答案表达自己的观点。5.根据权利要求1所述的方法，其特征在于，所述询问意图值是指用户对话是问句的概率。6.根据权利要求1所述的方法，其特征在于，所述步骤3中，采用下式在历史记录中寻找当前对话对应的问句： ρ i = α · 1 D ( x i , x t ) + β · S ( x i , x t ) + γ A s k ( x i ) , ...

【专利技术属性】
技术研发人员：陶建华，杨明浩，张珂，那燊若阳，张大伟，高廷丽，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11