对话摘要生成方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种对话摘要生成方法、装置、计算机设备、存储介质和计算机程序产品，该对话摘要生成方法可以应用于人工智能领域，具体可应用于在电脑、智能手机或车载设备上生成对话摘要的应用场景。所述方法包括：对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；基于约束表征向量对对话表征向量进行处理，得到关键表征向量；确定约束表征向量和对话表征向量之间的置信度；基于置信度对对话表征向量和关键表征向量进行融合，得到目标对话表征向量；对目标对话表征向量进行解码，得到与对话信息对应的对话摘要。采用本方法能够提高对话摘要的质量。要。采用本方法能够提高对话摘要的质量。要。采用本方法能够提高对话摘要的质量。

【技术实现步骤摘要】
对话摘要生成方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种对话摘要生成方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]对话摘要是对话中的关键信息，坐席服务过程中的对话摘要，可以用于后续数据分析，是坐席服务工作的重要环节。在相关技术中，可以通过神经网络生成对话摘要，由于对话中包括口语化表达、重复内容等，并且重要信息分散在整个对话过程中，使得目前的对话摘要生成方法难以确定对话中的重要信息，导致生成的对话摘要的质量较差。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种对话摘要生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，能够提高对话摘要的质量。
[0004]第一方面，本申请提供了一种对话摘要生成方法。所述方法包括：
[0005]对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；基于约束表征向量对对话表征向量进行处理，得到关键表征向量；确定约束表征向量和对话表征向量之间的置信度；基于置信度对对话表征向量和关键表征向量进行融合，得到目标对话表征向量；对目标对话表征向量进行解码，得到与对话信息对应的对话摘要。
[0006]在其中一个实施例中，对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量，包括：对服务工单的各描述文本进行拼接，得到工单信息；通过预训练的第一网络模型对工单信息进行编码，得到约束表征向量；通过第一网络模型编码服务工单的对话信息，得到对话表征向量。
[0007]在其中一个实施例中，通过第一网络模型编码服务工单的对话信息，得到对话表征向量，包括：获取服务工单的各轮对话文本和对应的对话时间；按照对话时间拼接各轮对话文本，得到服务工单的对话信息；将对话信息输入至第一网络模型中进行编码，得到对话表征向量。
[0008]在其中一个实施例中，对话信息包括服务工单的各轮对话文本；通过第一网络模型编码服务工单的对话信息，得到对话表征向量，包括：通过第一网络模型分别对各轮对话文本进行编码，得到各轮对话文本对应的语义向量；将各轮对话文本对应的语义向量融合，得到对话表征向量。
[0009]在其中一个实施例中，基于约束表征向量对对话表征向量进行处理，得到关键表征向量，包括：通过第二网络模型的感知器，对约束表征向量和对话表征向量进行融合，得到目标权重向量；基于目标权重向量和对话表征向量确定关键表征向量。
[0010]在其中一个实施例中，对话表征向量包括至少两个第一子表征向量；对约束表征向量和对话表征向量进行融合，得到目标权重向量，包括：对各第一子表征向量和约束表征向量进行融合处理，得到各第一子表征向量对应的权重向量；基于各权重向量确定目标权
重向量。
[0011]在其中一个实施例中，基于目标权重向量和对话表征向量确定关键表征向量，包括：确定各第一子表征向量与各权重向量之间的点积，得到各第二子表征向量；基于各第二子表征向量确定关键表征向量。
[0012]在其中一个实施例中，确定约束表征向量和对话表征向量之间的置信度，包括：将约束表征向量和对话表征向量输入至第二网络模型；通过第二网络模型的感知器，对约束表征向量和对话表征向量进行处理，得到约束表征向量和对话表征向量之间的置信度。
[0013]在其中一个实施例中，基于置信度对对话表征向量和关键表征向量进行融合，得到目标对话表征向量，包括：将置信度作为关键表征向量的第一融合权重；将预设值和置信度之间的差值作为对话表征向量的第二融合权重；通过第二网络模型的融合网络，基于第一融合权重和第二融合权重对关键表征向量和对话表征向量加权求和，得到目标对话表征向量。
[0014]在其中一个实施例中，目标对话表征向量包括至少两个子对话表征向量；对目标对话表征向量进行解码，得到与对话信息对应的对话摘要，包括：通过第二网络模型的解码网络，对第一时间步的生成词向量和隐藏层向量进行处理，得到第二时间步的隐藏层向量；基于第二时间步的隐藏层向量和目标对话表征向量确定第二时间步的注意力矩阵；注意力矩阵用于反映各子对话表征向量的权重；基于注意力矩阵对各子对话表征向量进行处理，得到第二时间步的上下文向量；基于第二时间步的上下文向量调整第二时间步的隐藏层向量，并基于调整后的第二时间步的隐藏层向量确定第二时间步的生成词向量；通过第一时间步的生成词向量和第二时间步的生成词向量，确定对话信息对应的对话摘要。
[0015]在其中一个实施例中，对服务工单的工单信息和对话信息进行编码之前，方法还包括：对工单信息样本和对话信息样本进行编码，分别得到约束向量样本和对话向量样本；通过第二网络模型的感知器，对约束向量样本和对话向量样本进行处理，得到关键向量样本；通过第二网络模型的感知器，确定约束向量样本和对话向量样本之间的目标置信度；通过第二网络模型的融合网络，基于目标置信度对对话向量样本和关键向量样本进行融合，得到目标对话向量样本；通过第二网络模型的解码网络，对目标对话向量样本进行解码，得到对话信息样本对应的预测对话摘要；基于预测对话摘要和对话信息样本的样本标签之间的损失值，调整第二网络模型的模型参数，直至第二网络模型收敛。
[0016]第二方面，本申请还提供了一种对话摘要生成装置。所述装置包括：
[0017]编码模块，用于对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；
[0018]关键表征向量确定模块，用于基于所述约束表征向量对所述对话表征向量进行处理，得到关键表征向量；
[0019]置信度确定模块，用于确定所述约束表征向量和所述对话表征向量之间的置信度；
[0020]目标对话表征向量确定模块，用于基于所述置信度对所述对话表征向量和所述关键表征向量进行融合，得到目标对话表征向量；
[0021]对话摘要生成模块，用于对所述目标对话表征向量进行解码，得到与所述对话信息对应的对话摘要。
[0022]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0023]对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；基于约束表征向量对对话表征向量进行处理，得到关键表征向量；确定约束表征向量和对话表征向量之间的置信度；基于置信度对对话表征向量和关键表征向量进行融合，得到目标对话表征向量；对目标对话表征向量进行解码，得到与对话信息对应的对话摘要。
[0024]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0025]对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；基于约束表征向量对对话表征向量进行处理，得到关键表征向量；确定约束表征向量和对话表征向量之间的置信度；基于置信度对对话表征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对话摘要生成方法，其特征在于，所述方法包括：对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量；基于所述约束表征向量对所述对话表征向量进行处理，得到关键表征向量；确定所述约束表征向量和所述对话表征向量之间的置信度；基于所述置信度对所述对话表征向量和所述关键表征向量进行融合，得到目标对话表征向量；对所述目标对话表征向量进行解码，得到与所述对话信息对应的对话摘要。2.根据权利要求1所述的方法，其特征在于，所述对服务工单的工单信息和对话信息进行编码，分别得到约束表征向量和对话表征向量，包括：对服务工单的各描述文本进行拼接，得到工单信息；通过预训练的第一网络模型对所述工单信息进行编码，得到约束表征向量；通过所述第一网络模型编码所述服务工单的对话信息，得到对话表征向量。3.根据权利要求2所述的方法，其特征在于，所述通过所述第一网络模型编码所述服务工单的对话信息，得到对话表征向量，包括：获取所述服务工单的各轮对话文本和对应的对话时间；按照所述对话时间拼接各轮所述对话文本，得到所述服务工单的对话信息；将所述对话信息输入至所述第一网络模型中进行编码，得到对话表征向量。4.根据权利要求2所述的方法，其特征在于，所述对话信息包括所述服务工单的各轮对话文本；所述通过所述第一网络模型编码所述服务工单的对话信息，得到对话表征向量，包括：通过所述第一网络模型分别对各轮所述对话文本进行编码，得到各轮所述对话文本对应的语义向量；将各轮所述对话文本对应的语义向量融合，得到对话表征向量。5.根据权利要求1所述的方法，其特征在于，所述基于所述约束表征向量对所述对话表征向量进行处理，得到关键表征向量，包括：通过第二网络模型的感知器，对所述约束表征向量和所述对话表征向量进行融合，得到目标权重向量；基于所述目标权重向量和所述对话表征向量确定关键表征向量。6.根据权利要求5所述的方法，其特征在于，所述对话表征向量包括至少两个第一子表征向量；所述对所述约束表征向量和所述对话表征向量进行融合，得到目标权重向量，包括：对各所述第一子表征向量和所述约束表征向量进行融合处理，得到各所述第一子表征向量对应的权重向量；基于各所述权重向量确定目标权重向量。7.根据权利要求6所述的方法，其特征在于，所述基于所述目标权重向量和所述对话表征向量确定关键表征向量，包括：确定各所述第一子表征向量与各所述权重向量之间的点积，得到各第二子表征向量；基于各所述第二子表征向量确定关键表征向量。
8.根据权利要求1所述的方法，其特征在于，所述确定所述约束表征向量和所述对话表征向量之间的置信度，包括：将所述约束表征向量和所述对话表征向量输入至第二网络模型；通过所述第二网络模型的感知器，对所述约束表征向量和所述对话表征向量进行处理，得到所述约束表征向量和所述对话表征向量之间的置信度。9.根据权利要求1所述的方法，其特征在于，所述基于所述置信度对所述对话表征向量和所述关键表征向量进行融合，得到目标对话表征向量，包括：将所述置信度作为所述关键表征向量的第一融合权重；将预设值...

【专利技术属性】
技术研发人员：郭超，黄金生，雷植程，童丽霞，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：