一种答复推荐方法、答复推荐装置及电子设备制造方法及图纸

本申请公开了一种答复推荐方法、答复推荐装置、电子设备及计算机可读存储介质，其中，该答复推荐方法包括：获取输入的待回答问题；提取所述待回答问题的关键词；基于所述关键词，通过预设的深度学习网络生成与所述待回答问题相关联的目标答复；向用户推荐所述目标答复。一方面，由于向用户推荐的目标答复是基于待回答问题的关键词而生成的，因而可以保障最终生成的目标答复是与待回答问题所密切关联的，减少安全答复出现的可能性；另一方面，在通过深度学习网络生成目标回答时，通过设置零时刻的深度学习网络的输出，减少深度学习网络针对同样的关键词生成雷同答复的可能性。

【技术实现步骤摘要】
一种答复推荐方法、答复推荐装置及电子设备
本申请属于人机交互
，尤其涉及一种答复推荐方法、答复推荐装置、电子设备及计算机可读存储介质。
技术介绍
在人机对话的过程中，机器端如何应对用户所提出的各种问题显得尤为重要，将直接影响到人机对话过程中用户的操作流畅性。现有的自动聊天系统中，往往采用端到端的深度学习模型生成相关答复。然而，这样的答复生成方式也存在一定问题，例如，其所生成的绝大多数答复均趋于雷同，且经常会生成安全回复。所谓安全答复，也即机器端所生成的“我也觉得”或“我也是这么认为的”等类似答复，这种答复对于用户所输入的任何句子都能够勉强作为答复，因而被称之为安全答复。由于上述问题的存在，采用端到端的深度学习模型来为用户推荐答复的方案往往会使得人机对话难以继续下去。
技术实现思路
有鉴于此，本申请提供了一种答复推荐方法、答复推荐装置、电子设备及计算机可读存储介质，可减少人机对话过程中出现大量相同答复的可能性，同时可一定程度上减少机器端以安全回复作为应答的可能性，提升人机对话过程中的趣味。本申请的第一方面提供了一种答复推荐方法，包括：获取输入的待回答问题；提取上述待回答问题的关键词；基于上述关键词，通过预设的深度学习网络生成与上述待回答问题相关联的目标答复；向用户推荐上述目标答复。本申请的第二方面提供了一种答复推荐装置，包括：获取单元，用于获取输入的待回答问题；提取单元，用于提取上述待回答问题的关键词；生成单元，用于基于上述关键词，通过预设的深度学习网络生成与上述待回答问题相关联的目标答复；推荐单元，用于向用户推荐上述目标答复。本申请的第三方面提供了一种电子设备，上述电子设备包括存储器、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述第一方面的方法的步骤。本申请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述第一方面的方法的步骤。本申请的第五方面提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。由上可见，在本申请方案中，首先获取输入的待回答问题，然后提取上述待回答问题的关键词，并基于上述关键词，通过预设的深度学习网络生成与上述待回答问题相关联的目标答复，最后向用户推荐上述目标答复。一方面，由于向用户推荐的目标答复是基于待回答问题的关键词而生成的，因而可以保障最终生成的目标答复是与待回答问题所密切关联的，减少安全答复出现的可能性；另一方面，在通过深度学习网络生成目标回答时，通过设置零时刻的深度学习网络的输出，减少深度学习网络针对同样的关键词生成雷同答复的可能性。附图说明为了更清楚地说明本申请实施例中的技术方案，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性的前提下，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答复推荐方法的实现流程示意图；图2是本申请实施例提供的答复推荐方法中，串联式深度学习网络的结构示意图；图3是本申请实施例提供的答复推荐方法中，并联式深度学习网络的结构示意图；图4是本申请实施例提供的答复推荐装置的结构框图；图5是本申请实施例提供的电子设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。实施例一下面对本申请实施例提供的一种答复推荐方法进行描述，请参阅图1，本申请实施例中的答复推荐方法包括：在步骤101中，获取输入的待回答问题；在本申请实施例中，首先获取用户输入的待回答问题。具体地，用户可以通过文字输入的方式输入上述待回答问题；或者，用户也可以通过语音输入的方式输入上述待回答问题，此处不对上述待回答问题的输入方式作出限定。在步骤102中，提取上述待回答问题的关键词；在本申请实施例中，当获取到用户输入的待回答问题后，从上述待回答问题中提取出关键词，其中，上述关键词的数量为一个以上。具体地，上述步骤102包括：A1、对上述待回答问题进行分词处理，得到组成上述待回答问题的各个词语；A2、分别计算各个词语为关键词的概率；A3、基于各个词语为关键词的概率，确定并提取上述待回答问题的关键词。其中，上述计算各个词语为关键词的概率所采用的公式如下所示：其中，上述P(y/X1-N)代表上述待回答问题X1-N中，主题词是y的概率；P(xi,y)代表在预设的问答库中，问题xi与答复y的共现概率，上述共现概率即为在问答库的一对问答中，问题xi与回复y同时出现的概率；P(xi)为xi在问答库的问题中出现的概率，P(y)为y在问答库的答复中出现的概率。上述各概率值均通过上述预设的问答库统计而得。通过上式，可以计算得出组成待回答问题的各个词语为关键词的概率。随后，将通过上式计算得到的概率最高的词语作为关键词。需要注意的是，此处不对关键词的数量作出限制，因而，若出现了两个以上词语的概率一样且均为最高的情况，则将该两个以上词语均确定为上述待回答问题的关键词。在步骤103中，基于上述关键词，通过预设的深度学习网络生成与上述待回答问题相关联的目标答复；在本申请实施例中，上述深度学习网络可以是串联式，也可以是并联式，此处不作限定。在一种应用场景下，上述深度学习网络具体为串联式深度学习网络；请参阅图2，图2示出了串联式深度学习网络的结构示意图；则步骤103包括：B1、将循环神经网络RNN上一时刻的输出及上述关键词作为门函数当前时刻的输入，得到上述门函数当前时刻的输出，其中，上述RNN的零时刻的输出为一随机值；其中，上述门函数的输出具体为：f＝dense(hi-1,keyword)c＝sigmod(f)*keywordc为门函数的输出，f为门函数计算过程中的中间参数，dense为一个多层感知机，计算中间参数f时，其输入为上一时刻RNN的输出hi-1与关键词keyword的连接，在得到f后，在该f后接一层sigmode函数，使得最终得到的门函数的输出在(0,1)范围内。B2、将上述RNN上一时刻的输出及上述门函数当前时刻的输出作为上述RNN当前时刻的输入，得到上述RNN当前时刻的输出；B3、检测上述RNN各个非零时刻的输出中，是否存在本文档来自技高网...

【技术保护点】
1.一种答复推荐方法，其特征在于，包括：/n获取输入的待回答问题；/n提取所述待回答问题的关键词；/n基于所述关键词，通过预设的深度学习网络生成与所述待回答问题相关联的目标答复；/n向用户推荐所述目标答复。/n

【技术特征摘要】
1.一种答复推荐方法，其特征在于，包括：
获取输入的待回答问题；
提取所述待回答问题的关键词；
基于所述关键词，通过预设的深度学习网络生成与所述待回答问题相关联的目标答复；
向用户推荐所述目标答复。


2.如权利要求1所述的答复推荐方法，其特征在于，所述提取所述待回答问题的关键词，包括：
对所述待回答问题进行分词处理，得到组成所述待回答问题的各个词语；
分别计算各个词语为关键词的概率；
基于各个词语为关键词的概率，确定并提取所述待回答问题的关键词。


3.如权利要求1或2所述的答复推荐方法，其特征在于，所述深度学习网络为串联式深度学习网络，所述基于所述关键词，通过预设的深度学习网络生成与所述待回答问题相关联的目标答复，包括：
将循环神经网络RNN上一时刻的输出及所述关键词作为门函数当前时刻的输入，得到所述门函数当前时刻的输出，其中，所述RNN的零时刻的输出为一随机值；
将所述RNN上一时刻的输出及所述门函数当前时刻的输出作为所述RNN当前时刻的输入，得到所述RNN当前时刻的输出；
检测所述RNN各个非零时刻的输出中，是否存在结束符；
若存在结束符，则将在所述结束符之前获得的各个非零时刻的输出按照预设顺序连接为句子，作为与所述待回答问题相关联的目标答复。


4.如权利要求1或2所述的答复推荐方法，其特征在于，所述深度学习网络为并联式深度学习网络，所述基于所述关键词，通过预设的深度学习网络生成与所述待回答问题相关联的目标答复，包括：
将深度学习网络上一时刻的输出及所述关键词作为wNet函数的输入，得到所述wNet函数当前时刻的输出，其中，所述深度学习网络的零时刻的输出为一随机值；
将所述深度学习网络上一时刻的输出作为循环神经网络RNN的输入，得到所述RNN当前时刻的输出；
根据所述wNet函数当前时刻的输出及所述RNN当前时刻的输出，计算所述深度学习网络当前时刻的输出；
检测所述深度学习网络各个非零时刻的输出中，是否存在结束符；
若存在结束符，则将在所述结束符之前获得的各个非零时刻的输出按照预设顺序连接为句子，作为与所述待回答问题相关联的目标答复。


5.如权利要求4所述的答复推荐方法，其特征在于，所述根据所述wNet函数当前时刻的输出...

【专利技术属性】
技术研发人员：黄日星，廖洪涛，熊友军，
申请(专利权)人：深圳市优必选科技有限公司，
类型：发明
国别省市：广东;44