本发明专利技术公开了基于逻辑推理和多任务融合的认知刺激对话生成方法及系统，涉及人机对话技术领域，包括：提出认知刺激对话生成的多任务流程；构建基于情感分类模型、决策模型和生成模型的多任务融合模型；对所述多任务融合模型进行训练。本发明专利技术将认知刺激对话生成视为一个多任务融合的逻辑思维推理过程，将情感分类任务、决策任务和对话回复生成任务间的逻辑关系，建模为一个推理过程，来引导大语言模型生成。针对多任务过程，本发明专利技术提出多任务融合方法，将三个任务对应的模型结合在一起。生成实验结果表明，分类、决策及生成的多任务融合方法，显著提升了对话回复能力，证明了该方法的有效性和先进性。
【技术实现步骤摘要】
本专利技术涉及人机对话，更具体的说是涉及基于逻辑推理和多任务融合的认知刺激对话生成方法及系统。
技术介绍
1、目前，人机对话系统一直是人工智能研究中的热点。在全球老龄化背景下，利用人工智能实现智慧康养，构建面向老人的对话系统成为对话系统研究的重要方向。研究表明，对话系统对老人认知能力的改善具有积极的作用(de oliveira et al.,2014；park etal.,2019)。其中，认知刺激对话是恢复老人认知功能的重要心理治疗手段(tokunaga etal.,2019；tokunaga et al.,2021)。认知刺激治疗是一种帮助轻度到重度以下认知障碍症患者的非药物干预治疗手段(spector et al.,2003)。认知刺激对话是在认知刺激治疗原则指导下，以刺激患者思维为目的生成的对话。结合认知刺激治疗的生成式对话系统在智慧养老领域中有着广阔的应用场景，可以应用于家居生活场景和养老社区服务场景等，通过聊天的方式，帮助老人认知恢复。因此认知刺激对话有着迫切的现实需求、应用价值和多样的应用场景。
2、现有技术中，大部分面向老年人的对话系统主要关注在特定场景中的特定功能研究，例如tokunagaet al.(2021)等人，提出的一个利用照片故事的机器人对话系统，对老人进行日常的认知训练。navarro et al.(2018)等人提出了一个认知刺激的治疗系统，用以评估患者的认知障碍和情绪健康，来自动生成新的个性化刺激计划。然而此前，由于认知刺激对话语料的缺失，没有面向关于认知刺激对话的生成式系统研究。</p>3、认知刺激对话任务不同于普通的闲聊任务，它是带有目的性的对话，任务难度比较高。在进行认知刺激对话的时候，人类思维首先会根据当前话语的内容进行决策，确定适用的治疗原则，随后根据决策的结果进行相应的回应，在情感支持对话和认知刺激对话工作中，都提供了一个对话示例，描述了在输入和回复之间回复者的思考过程。由此可见，模型在回复时同样会参考人类思维的过程，即先决策后回复。这也表明，认知刺激对话任务是多任务的融合。
4、因此，如何提供基于逻辑推理和多任务融合的认知刺激对话生成方法及系统，将认知刺激对话生成视为一个多任务融合的逻辑思维推理过程，提高决策任务的准确率，提升对话回复的质量是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于逻辑推理和多任务融合的认知刺激对话生成方法及系统，将认知刺激对话生成视为一个多任务融合的逻辑思维推理过程，将情感分类任务、决策任务和对话回复生成任务间的逻辑关系，建模为一个推理过程，来引导大语言模型生成。针对决策任务，本专利技术提出分层编码器结构的决策模型。决策实验结果表明，决策模型有效的提高了决策任务的准确率。针对多任务过程，本专利技术提出多任务融合方法，将三个任务对应的模型结合在一起。生成实验结果表明，分类、决策及生成的多任务融合方法，显著提升了对话回复能力，证明了该方法的有效性和先进性。
2、为了实现上述目的，本专利技术采用如下技术方案：基于逻辑推理和多任务融合的认知刺激对话生成方法，包括：提出认知刺激对话生成的多任务流程；
3、构建基于情感分类模型、决策模型和生成模型的多任务融合模型；
4、对所述多任务融合模型进行训练；
5、获取用户语句信息；
6、所述用户语句信息通过情感分类模型得到用户的情感分类结果；
7、将所述用户语句信息和所述情感分类结果输入到所述决策模型中，得到认知刺激治疗原则决策结果和情感支持策略决策结果；
8、构建生成模型的对话提示模板，将所述用户语句信息、情感分类模型结果和决策模型结果嵌入在提示模板内，输入给生成模型得到对话回复。
9、优选的，所述提出认知刺激对话生成的多任务流程，包括：
10、根据当前的话语内容进行决策，确定适用的治疗原则；
11、随后根据决策的结果给出回应。
12、优选的，采用bert作为情感分类模型，对所述情感分类模型进行训练。
13、优选的，所述决策模型包括对话编码模块和标签决策模块；
14、所述对话编码模块将每一轮对话都设计成一个句对的形式；
15、采用句子编码器对每个句对进行编码，得到第一编码结果；
16、分别对每一轮对话的情感信息和决策信息进行编码，得到第二编码结果；
17、将所述第一编码结果与所述第二编码结果进行拼接，得到对话编码结果；
18、所述标签决策模块采用lstm网络或transformer encoder网络对所述对话编码结果进行标签决策，或者采用transformer encoder网络对所述对话编码结果进行标签决策，得到当前句的决策信息。
19、优选的，采用lstm网络对所述对话编码结果进行标签决策，包括：将对话编码结果传入lstm网络，取其中最后一个时刻的隐含层向量，将所述隐含层向量经过线性层后得到当前句的决策信息。
20、优选的，采用transformer encoder网络对所述对话编码结果进行标签决策，包括：
21、构建位置编码层，通过位置编码层表示句对之间的上下文关系，得到位置编码结果；
22、将所述对话编码结果和所述位置编码结果相加，输入至所述transformerencoder网络，取其中最后一个时刻的隐含层向量，经过线性层后得到当前句的决策信息。
23、优选的，构建生成模型的对话提示模板，将所述用户语句信息、情感分类模型结果和决策模型结果嵌入在提示模板内，输入给生成模型得到对话回复，包括：
24、采用中文大语言模型chatglm作为生成模型；
25、设计任务提示模板和回复模板；
26、在提示模板内嵌入所述用户语句信息、所述情感分类结果、所述认知刺激治疗原则决策结果和所述情感支持策略决策结果；
27、将所述提示模板输入给生成模型，得到回复内容。
28、优选的，基于逻辑推理和多任务融合的认知刺激对话生成系统，包括：第一构建模块，用于构建基于情感分类模型、决策模型和生成模型的多任务融合模型；
29、训练模块，用于对所述多任务融合模型进行训练；
30、实时信息获取模块，用于获取用户语句信息；
31、分类信息获取模块，用于根据所述用户语句信息通过情感分类模型得到用户的情感分类结果；
32、决策信息获取模块，用于将所述用户语句信息和所述情感分类结果输入到所述决策模型中，得到认知刺激治疗原则决策结果和情感支持策略决策结果；
33、第二构建模块，用于构建生成模型的对话提示模板；
34、输出模块，用于将所述用户语句信息、情感分类模型结果和决策模型结果嵌入在提示模板内，输入给生成模型，得到对话回复。
35、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了基于逻本文档来自技高网
...
【技术保护点】
1.基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，包括：
2.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，所述提出认知刺激对话生成的多任务流程，包括：
3.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，采用BERT作为情感分类模型，对所述情感分类模型进行训练。
4.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，所述决策模型包括对话编码模块和标签决策模块；
5.根据权利要求4所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，采用LSTM网络对所述对话编码结果进行标签决策，包括：将对话编码结果传入LSTM网络，取其中最后一个时刻的隐含层向量，将所述隐含层向量经过线性层后得到当前句的决策信息。
6.根据权利要求4所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，采用Transformer Encoder网络对所述对话编码结果进行标签决策，包括：
7.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，构建生成模型的对话提示模板，将所述用户语句信息、情感分类模型结果和决策模型结果嵌入在提示模板内，输入给生成模型得到对话回复，包括：
8.基于逻辑推理和多任务融合的认知刺激对话生成系统，其特征在于，包括：
...
【技术特征摘要】
1.基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，包括：
2.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，所述提出认知刺激对话生成的多任务流程，包括：
3.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，采用bert作为情感分类模型，对所述情感分类模型进行训练。
4.根据权利要求1所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，所述决策模型包括对话编码模块和标签决策模块；
5.根据权利要求4所述的基于逻辑推理和多任务融合的认知刺激对话生成方法，其特征在于，采用lstm网络对所述对话编...
【专利技术属性】
技术研发人员：蒋玉茹，李梦媛，陶宇阳，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。