人机智能交互方法、电子设备及存储介质技术

本申请提供一种人机智能交互方法、电子设备及存储介质。方法包括：利用中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，以及利用中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型；再利用经过训练后的第一混合深度学习模型和第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；最后，从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机交互的返回结果。其中，MacBERT模型有利于进行迁移学习，混合深度学习模型有利于提高机器对人类语言理解的准确性。类语言理解的准确性。类语言理解的准确性。

【技术实现步骤摘要】
人机智能交互方法、电子设备及存储介质


[0001]本专利技术涉及人工智能
，具体而言，涉及一种人机智能交互方法、电子设备及存储介质。

技术介绍

[0002]准确理解人类的语言是人机交互中关键的一步。语言携带的关键信息(比如实体文字、个人意图、情感状态)是机器人执行动作的重要依据。目前主流的智能机器人基本能通过理解用户语言来进行服务，特定专业领域的服务机器人通常需要通过理解用户语言，来满足用户需要。可见对语言进行解析而获得有用信息是智能机器人的必备功能。
[0003]目前实现自然语言理解模型主要有两种，一种是基于递归神经网络，一种是基于Transformer的双向编码器表示(BERT)。其中，基于递归神经网络的方式是通过递归神经网络(RNN)以及其变体网络长短期记忆模型(LSTM)、门控循环单元(GRU)等进行语言建模，但是这些模型针对不同的任务时都需要设计新的架构并从开始训练，不能实现迁移学习。另外，采用单一的模型对语言进行语义识别时，识别的准确性有待提高。

技术实现思路

[0004]有鉴于此，本申请实施例的目的在于提供一种人机智能交互方法、电子设备及存储介质，能够提升人机交互中机器人对人类语言理解的准确性，并改善无法迁移学习的问题。
[0005]为实现上述技术目的，本申请采用的技术方案如下：
[0006]第一方面，本申请实施例提供了一种人机智能交互方法，所述方法包括：
[0007]基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，在所述第一混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述MLP用于输出任务结果；
[0008]基于中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型，在所述第二混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述BILSTM用于根据所述MacBERT输出的词向量得到具有前后语义关系的词向量，所述MLP用于输出任务结果；
[0009]利用经过训练后的所述第一混合深度学习模型和所述第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；
[0010]从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机交互的返回结果。
[0011]结合第一方面，在一些可选的实施方式中，基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，包括：
[0012]将MacBERT的输出数据，作为所述MLP的输入数据，以构建第一混合深度学习模型；
[0013]利用第一训练数据集，对所述第一混合深度学习模型进行训练，得到经过训练的
第一混合深度学习模型，其中，所述第一训练数据集中包括按语料意图被划分为M种意图特征类别的多条语料，所述第一训练数据集中的每条语料设置有与意图特征类别对应的语料标注，M为大于1的整数。
[0014]结合第一方面，在一些可选的实施方式中，所述M种意图特征类别包括以下的至少两种类别：
[0015]表征病情诊断的第一意图类别；
[0016]表征病因分析的第二意图类别；
[0017]表征治疗方案的第三意图类别；
[0018]表征就医建议的第四意图类别；
[0019]表征指标解读的第五意图类别；
[0020]表征疾病表述的第六意图类别；
[0021]表征后果表述的第七意图类别；
[0022]表征注意事项的第八意图类别；
[0023]表征功效作用的第九意图类别；
[0024]表征医疗费用的第十意图类别；
[0025]表征其他意图的第十一意图类别。
[0026]结合第一方面，在一些可选的实施方式中，基于中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型
[0027]将MacBERT的输出数据，作为所述BILSTM的输入数据，并将所述BILSTM是输出数据作为所述MLP的输入数据，以构建第二混合深度学习模型；
[0028]利用第二训练数据集，对所述第二混合深度学习模型进行训练，得到经过训练的第二混合深度学习模型，其中，所述第二训练数据集中包括按语料实体被划分为N种实体特征类别的多条语料，所述第二训练数据集中的每条语料设置有与实体特征类别对应的语料标注，N为大于1的整数。
[0029]结合第一方面，在一些可选的实施方式中，所述N种实体特征类别包括以下的至少两种类别：
[0030]表征疾病的第一实体类别；
[0031]表征症状的第二实体类别；
[0032]表征治愈可能性的第三实体类别；
[0033]表征药物的第四实体类别；
[0034]表征检查项目的第五实体类别；
[0035]表征身体部位的第六实体类别；
[0036]表征检查科室的第七实体类别；
[0037]表征微生物的第八实体类别；
[0038]表征其他实体的第九实体类别。
[0039]结合第一方面，在一些可选的实施方式中，在利用经过训练后的所述第一混合深度学习模型和所述第二混合深度学习模型，对用户输入的语料进行识别之前，所述方法还包括：
[0040]当用户输入的语料为语音数据时，通过预设语音识别算法，将所述语音数据转换
为文本数据，以作为输入所述第一混合深度学习模型和所述第二混合深度学习模型的语料。
[0041]结合第一方面，在一些可选的实施方式中，在从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果之前，方法还包括：
[0042]基于预设知识图谱构建规则，按照实体、关系、实体的三元组，构建基于neo4j图数据库的知识图谱。
[0043]结合第一方面，在一些可选的实施方式中，所述返回结果为文本数据和/或与文本数据对应的语音数据。
[0044]第二方面，本申请实施例还提供一种电子设备，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的方法。
[0045]第三方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。
[0046]采用上述技术方案的专利技术，具有如下优点：
[0047]在本申请提供的技术方案中，利用中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，以及利用中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型；再利用经过训练后的第一混合深度学习模型和第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；最后，从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人机智能交互方法，其特征在于，所述方法包括：基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，在所述第一混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述MLP用于输出任务结果；基于中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型，在所述第二混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述BILSTM用于根据所述MacBERT输出的词向量得到具有前后语义关系的词向量，所述MLP用于输出任务结果；利用经过训练后的所述第一混合深度学习模型和所述第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机交互的返回结果。2.根据权利要求1所述的方法，其特征在于，基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，包括：将MacBERT的输出数据，作为所述MLP的输入数据，以构建第一混合深度学习模型；利用第一训练数据集，对所述第一混合深度学习模型进行训练，得到经过训练的第一混合深度学习模型，其中，所述第一训练数据集中包括按语料意图被划分为M种意图特征类别的多条语料，所述第一训练数据集中的每条语料设置有与意图特征类别对应的语料标注，M为大于1的整数。3.根据权利要求2所述的方法，其特征在于，所述M种意图特征类别包括以下的至少两种类别：表征病情诊断的第一意图类别；表征病因分析的第二意图类别；表征治疗方案的第三意图类别；表征就医建议的第四意图类别；表征指标解读的第五意图类别；表征疾病表述的第六意图类别；表征后果表述的第七意图类别；表征注意事项的第八意图类别；表征功效作用的第九意图类别；表征医疗费用的第十意图类别；表征其他意图的第十一意图类别。4.根据权利要求1所述的方法，其特征在于，基于中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型将MacBERT的输出数据，作...

【专利技术属性】
技术研发人员：苏晓杰，陈光辉，孙少欣，马铁东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：