本發(fā)明涉及信息交互技術(shù)領(lǐng)域，尤其是涉及一種多輪交互信息繼承識別方法、裝置以及交互系統(tǒng)。

背景技術(shù)：

在交互系統(tǒng)中，往往都是單輪交互，即前幾輪的交互信息對當前這輪的交互沒有作用。而實際的交互中，用戶一般不會一次性說完所有的信息，因此前幾輪的交互信息對當前輪的交互是極為有用的。

目前的交互系統(tǒng)利用多輪交互的語句，進行機器學習模型的學習，直接利用多輪交互信息，產(chǎn)出當前此輪交互的最終結(jié)果(例如：回答、意圖識別等)。因此，基于機器學習的模型，直接利用多輪交互信息，而沒有首先進行多輪交互信息是否需要繼承的判斷(有些使用場景中，需要的是對多輪交互信息是否繼承的判斷，而不是直接利用多輪交互信息)，很多時候，往往考慮了不需要的信息，反而會造成誤導。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種多輪交互信息繼承識別方法、裝置以及交互系統(tǒng)，能夠?qū)Χ噍喗换バ畔⒗^承與否進行判斷，并在極端與常規(guī)的表達方法下，均滿足多輪交互信息繼承與否的識別。

第一方面，本發(fā)明實施例提供了一種多輪交互信息繼承識別方法，該方法包括：

獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；

利用預先訓練得到的多輪交互信息繼承識別模型中的LR(Logistic Regression，邏輯回歸)模型，基于當前用戶每句話的意圖分布對此輪問題進行多輪交互信息繼承與否的識別；

當識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；

當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型，基于當前用戶每句話的意圖分布對此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，通過下述方法訓練得到多輪交互信息繼承識別模型中的LR模型：

收集用戶多輪交互語料；交互語料包括：用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果；

根據(jù)用戶多輪交互語料，進行特征抽取；

根據(jù)特征抽取的結(jié)果以及邏輯回歸算法，得到多輪交互信息繼承識別模型中的LR模型。

結(jié)合第一方面的第一種可能的實施方式，本發(fā)明實施例提供了第一方面的第二種可能的實施方式，其中，根據(jù)用戶多輪交互語料，進行特征抽取，具體包括：

從用戶多輪交互語料中抽取多輪前述交互用戶的意圖分布、此輪問題的用戶的意圖分布以及此輪問題作為特征信息；

抽取用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果作為標簽。

結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第三種可能的實施方式，其中，通過下述方式獲取多輪前述交互用戶的意圖分布：

對多輪前述交互信息中的用戶的意圖分布進行加權(quán)平均，得到多輪前述交互用戶的意圖分布。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，通過下述方式訓練得到多輪交互信息繼承識別模型中的規(guī)則模型：

收集用戶多輪交互語料；交互語料包括：用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果；

根據(jù)用戶多輪交互語料，進行規(guī)則抽取；

將規(guī)則抽取的結(jié)果進行規(guī)則自學習，得到多輪交互信息繼承識別模型中的規(guī)則模型。

結(jié)合第一方面的第四種可能的實施方式，本發(fā)明實施例提供了第一方面的第五種可能的實施方式，其中，根據(jù)用戶多輪交互語料，進行規(guī)則抽取，具體包括：

抽取如下信息作為規(guī)則信息：多輪前述交互信息中用戶的意圖分布中的前兩位、此輪問題的用戶意圖分布中的前兩位以及此輪問題的有用詞信息；

抽取用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果作為規(guī)則動作。

結(jié)合第一方面的第四種可能的實施方式，本發(fā)明實施例提供了第一方面的第六種可能的實施方式，其中，將規(guī)則抽取的結(jié)果進行規(guī)則自學習，具體包括：

將規(guī)則抽取的結(jié)果應(yīng)用于用戶與機器人的多輪前述交互信息，確定規(guī)則應(yīng)用的交互場景。

結(jié)合第一方面的第五種可能的實施方式，本發(fā)明實施例提供了第一方面的第七種可能的實施方式，其中，通過下述方式獲取此輪問題的有用詞信息：

利用詞性標注法以及NER(Named Entity Recognizer，命名實體識別)技術(shù)獲取此輪問題的有用詞信息。

第二方面，本發(fā)明實施例提供了一種多輪交互信息繼承識別裝置，該裝置包括：

信息獲取模塊，用于獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；

繼承識別模塊，用于利用預先訓練得到的多輪交互信息繼承識別模型中的LR(邏輯回歸)模型，對當前用戶此輪問題進行多輪交互信息繼承與否的識別；

當識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；

當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型對當前用戶此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。

第三方面，本發(fā)明實施例提供了一種交互系統(tǒng)，該系統(tǒng)包括：服務(wù)器以及如上一方面所述的多輪交互信息繼承識別裝置。

本發(fā)明實施例提供了一種多輪交互信息繼承識別方法、裝置以及交互系統(tǒng)，首先獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；然后利用預先訓練得到的多輪交互信息繼承識別模型中的LR(邏輯回歸)模型，基于當前用戶每句話的意圖分布對當前用戶此輪問題進行多輪交互信息繼承與否的識別；多輪交互信息繼承識別模型中的LR(邏輯回歸)模型通過大量用戶交互數(shù)據(jù)訓練所得，可以對常規(guī)情景下是否進行多輪交互信息的繼承進行識別，當該模型識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型對當前用戶此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。通過預先訓練得到的多輪交互信息繼承識別模型中的LR模型和規(guī)則模型，可以在極端與常規(guī)的表達方法下，均滿足多輪交互信息繼承與否的識別，從而對是否繼承多輪交互信息進行正確地判斷。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種多輪交互信息繼承識別方法的流程圖；

圖2為本發(fā)明實施例提供的一種多輪交互信息繼承識別方法中生成LR模型的方法流程圖；

圖3為本發(fā)明實施例提供的一種多輪交互信息繼承識別方法中生成規(guī)則模型的方法流程圖；

圖4為本發(fā)明實施例提供的一種多輪交互信息繼承識別裝置的結(jié)構(gòu)框圖；

圖5為本發(fā)明實施例提供的一種交互系統(tǒng)的結(jié)構(gòu)框圖。

圖標：

10-交互系統(tǒng)；101-多輪交互信息繼承識別裝置；102-服務(wù)器；1011-信息獲取模塊；1012-繼承識別模塊。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施

例，都屬于本發(fā)明保護的范圍。

考慮到目前的交互系統(tǒng)往往直接利用多輪交互信息，而沒有首先進行多輪交互信息是否需要繼承的判斷，常常會造成誤導?；诖耍景l(fā)明實施例提供的一種多輪交互信息繼承識別方法、裝置以及交互系統(tǒng)，能夠?qū)Χ噍喗换バ畔⒗^承與否進行判斷，并在極端與常規(guī)的表達方法下，均滿足多輪交互信息繼承與否的識別。

為便于對本實施例進行理解，首先對本發(fā)明實施例所公開的一種多輪交互信息繼承識別方法進行詳細介紹。

參見圖1所示，本發(fā)明實施例提供了一種多輪交互信息繼承識別方法，該方法包括：

S101：獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布。

在具體實現(xiàn)的時候，當前用戶可以通過交互系統(tǒng)的入口進行詢問，交互系統(tǒng)會針對用戶的每一句話給出相應(yīng)的反饋，也就是用戶與機器人的多輪前述交互信息和此輪問題，而且交互系統(tǒng)還會記錄用戶的每一句話所涉及的意圖分布。比如：用戶說：我要買個西瓜吃，那么其涉及的意圖分布可能是：買水果可能性0.6、閑聊可能性0.8、咨詢飲食健康可能性0.4，其中，買水果、閑聊、咨詢飲食健康這些都是用戶的意圖。服務(wù)器可以首先通過交互系統(tǒng)獲取到當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布，其中，當前用戶每句話的意圖分布包既括多輪前述交互信息中用戶問題的意圖分布，也包括此輪問題所涉及的用戶的意圖分布。

S102：利用預先訓練得到的多輪交互信息繼承識別模型中的LR模型，基于當前用戶每句話的意圖分布對此輪問題進行多輪交互信息繼承與否的識別；當識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型，基于當前用戶每句話的意圖分布對此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。

在進行多輪交互信息繼承與否識別之前，首先根據(jù)大量用戶與機器人的交互信息以及各種交互場景，分別訓練出多輪交互信息繼承識別模型中的LR模型以及規(guī)則模型，在獲取到當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布后，首先利用多輪交互信息繼承識別模型中的LR模型，針對當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布，對當前用戶的此輪問題進行多輪前述交互信息繼承與否的識別，該LR模型會給出相應(yīng)的識別分數(shù)，當識別分數(shù)大于預設(shè)的分數(shù)范圍時，直接進行多輪前述交互信息的繼承，當識別分數(shù)在預設(shè)的分數(shù)范圍內(nèi)時，則利用預先訓練得到的規(guī)則模型，針對當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布，對當前用戶的此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。其中，預設(shè)的識別分數(shù)范圍一般為0.4-0.7，如果利用LR模型識別的識別分數(shù)大于0.7，那么直接進行多輪前述交互信息的繼承，如果識別出來的分數(shù)不夠高，在0.4-0.7范圍內(nèi)，說明對用戶詢問信息的理解存在一定的歧義，那么就利用規(guī)則模型進行規(guī)則匹配，若是匹配成功，就進行多輪前述交互信息的繼承，否則就不繼承，保留原來LR模型的識別結(jié)果，如果識別分數(shù)特別低，小于預設(shè)的范圍，小于0.4，則不進行多輪前述交互信息的繼承。通過預先訓練得到的LR模型和規(guī)則模型可以保證在常規(guī)和極端語境中，均實現(xiàn)對多輪前述交互信息繼承與否的判斷與識別，使對用戶詢問信息的理解更加準確。

下面對多輪交互信息繼承識別模型中的LR模型的訓練過程進行詳細的闡述，參見圖2所示，本發(fā)明實施例提供了一種多輪交互繼承識別方法中LR模型的訓練方法，該方法包括：

S201：收集用戶多輪交互語料；交互語料包括：用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果。

在具體實現(xiàn)的時候，大量的不同的用戶可以通過交互系統(tǒng)的入口進行各種不同內(nèi)容的詢問，交互系統(tǒng)會針對用戶的每一句話給出相應(yīng)的反饋，也就是用戶與機器人的多輪前述交互信息和此輪問題，而且交互系統(tǒng)還會記錄用戶的每一句話所涉及的意圖分布。其中，用戶每句話的意圖分布包既括多輪前述交互信息中用戶問題的意圖分布，也包括此輪問題所涉及的用戶的意圖分布。此外，交互系統(tǒng)還會在每句機器人回答用戶的話中標明是否已經(jīng)繼承多輪前述交互信息，當用戶覺得機器人的回答理解不正確或者沒有繼承多輪前述交互信息時，可以點擊重置多輪交互信息，這樣就說明在繼承多輪交互信息的過程中是錯誤的。為了方便理解，用戶交互語料舉例如下：

用戶：今天天氣怎么樣？(意圖分布：天氣)

機器人：請問是查哪里的天氣。

用戶：上海的。(意圖分布：地圖，天氣)

機器人：【沒有繼承多輪交互信息】上海是個大都市。

用戶：點擊“需要繼承多輪交互信息”

基于大量用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果這些語料，可以得到在哪些交互信息、交互情景的情況下，需要繼承多輪前述交互信息，哪些情況下不需要繼承多輪前述交互信息。

S202：根據(jù)用戶多輪交互語料，進行特征抽取。

在收集到大量用戶的交互語料后，根據(jù)用戶多輪交互語料，進行特征的抽取，具體的特征抽取過程如下：

從用戶多輪交互語料中抽取多輪前述交互用戶的意圖分布、此輪問題的用戶的意圖分布以及此輪問題作為特征信息；

抽取用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果作為標簽。

在具體實現(xiàn)的時候，用戶每句話的意圖分布包括各種不同的意圖以及相應(yīng)的可能性分值，也可以理解為權(quán)重，通過對交互語料中多輪前述交互信息中的用戶的意圖分布進行加權(quán)平均，計算得到多輪前述交互用戶的意圖分布。為了清楚地說明特征抽取的過程，在上述用戶交互語料的基礎(chǔ)上，特征抽取結(jié)果，舉例如下：

Feature1：前幾輪的交互意圖分布：天氣

Feature2：此輪交互意圖分布：天氣，地圖

Feature3：此輪用戶query：上海，呢，？

Label：繼承。

S203：根據(jù)特征抽取的結(jié)果以及邏輯回歸算法，得到多輪交互信息繼承識別模型中的LR模型。

基于上述從用戶多輪交互語料中特征抽取的結(jié)果，再結(jié)合邏輯回歸算法，就可以得到多輪交互信息繼承識別模型中的LR模型。

下面對多輪交互信息繼承識別模型中的規(guī)則模型的訓練過程進行詳細的闡述，參見圖3所示，本發(fā)明實施例提供了一種多輪交互繼承識別方法中規(guī)則模型的訓練方法，該方法包括：

S301：收集用戶多輪交互語料；交互語料包括：用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果。

在具體實現(xiàn)的時候，大量的不同的用戶可以通過交互系統(tǒng)的入口進行各種不同內(nèi)容的詢問，交互系統(tǒng)會針對用戶的每一句話給出相應(yīng)的反饋，也就是用戶與機器人的多輪前述交互信息和此輪問題，而且交互系統(tǒng)還會記錄用戶的每一句話所涉及的意圖分布。其中，用戶每句話的意圖分布包既括多輪前述交互信息中用戶問題的意圖分布，也包括此輪問題所涉及的用戶的意圖分布。此外，交互系統(tǒng)還會在每句機器人回答用戶的話中標明是否已經(jīng)繼承多輪前述交互信息，當用戶覺得機器人的回答理解不正確或者沒有繼承多輪前述交互信息時，可以點擊重置多輪交互信息，這樣就說明在繼承多輪交互信息的過程中是錯誤的。為了方便理解，用戶交互語料舉例如下：

用戶：今天天氣怎么樣？(意圖分布：天氣)

機器人：請問是查哪里的天氣。

用戶：上海的。(意圖分布：地圖，天氣)

機器人：【沒有繼承多輪交互信息】上海是個大都市。

用戶：點擊“需要繼承多輪交互信息”

基于大量用戶與機器人的多輪前述交互信息、此輪問題、用戶每句話的意圖分布以及用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果這些語料，可以得到在哪些交互信息、交互情景的情況下，需要繼承多輪前述交互信息，哪些情況下不需要繼承多輪前述交互信息。

S302：根據(jù)用戶多輪交互語料，進行規(guī)則抽取。

在收集到大量用戶的交互語料后，根據(jù)用戶多輪交互語料，進行規(guī)則的抽取，具體的規(guī)則抽取過程如下：

抽取如下信息作為規(guī)則信息：多輪前述交互信息中用戶的意圖分布中的前兩位、此輪問題的用戶意圖分布中的前兩位以及此輪問題的有用詞信息；

抽取用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果作為規(guī)則動作。

在具體實現(xiàn)的時候，用戶每句話的意圖分布包括各種不同的意圖以及相應(yīng)的可能性分值，也可以理解為權(quán)重，根據(jù)意圖權(quán)重的大小，從用戶多輪交互語料中抽取出多輪前述交互信息中用戶的意圖分布中的前兩位、此輪問題的用戶意圖分布中的前兩位以及此輪問題的有用詞信息作為規(guī)則信息，以及將用戶對機器人的每句回答是否繼承多輪交互信息的判斷結(jié)果作為規(guī)則動作。為了清楚地說明規(guī)則抽取的過程，在上述用戶交互語料的基礎(chǔ)上，規(guī)則抽取結(jié)果，舉例如下：

規(guī)則部分1：前幾輪的交互意圖分布：天氣

規(guī)則部分2：此輪交互意圖分布：天氣，地圖

規(guī)則部分3：Query主要成分：地域(專有名詞屬性)，呢(語氣詞)

規(guī)則動作：繼承多輪交互信息

其中，此輪問題的有用詞信息可以通過詞性標注法以及NER技術(shù)得到。

S303：將規(guī)則抽取的結(jié)果進行規(guī)則自學習，得到多輪交互信息繼承識別模型中的規(guī)則模型。

在得到大量規(guī)則抽取的結(jié)果后，將其進行規(guī)則自學習，具體的，將規(guī)則抽取的結(jié)果應(yīng)用于之前獲取的全部用戶與機器人的多輪前述交互信息中，確定規(guī)則應(yīng)用的具體交互場景，進一步可以得到多輪交互信息繼承識別模型中的規(guī)則模型。

在本發(fā)明實施例提供的一種多輪交互信息繼承識別方法中，首先獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；然后利用預先訓練得到的多輪交互信息繼承識別模型中的LR(邏輯回歸)模型，基于當前用戶每句話的意圖分布對當前用戶此輪問題進行多輪交互信息繼承與否的識別；多輪交互信息繼承識別模型中的LR模型通過大量用戶交互數(shù)據(jù)訓練所得，可以對常規(guī)情景下是否進行多輪交互信息的繼承進行識別，當該模型識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型對當前用戶此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。通過預先訓練得到的多輪交互信息繼承識別模型中的LR模型和規(guī)則模型，可以在極端與常規(guī)的表達方法下，均滿足多輪交互信息繼承與否的識別，從而對是否繼承多輪交互信息進行正確地判斷。

本發(fā)明實施例又提供了一種多輪交互信息繼承識別裝置101，參見圖4所示，該裝置包括：

信息獲取模塊1011，用于獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；

繼承識別模塊1012，用于利用預先訓練得到的多輪交互信息繼承識別模型中的LR(邏輯回歸)模型，對當前用戶此輪問題進行多輪交互信息繼承與否的識別；

當識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；

當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型對當前用戶此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。

在本發(fā)明實施例提供的一種多輪交互信息繼承識別裝置101中，首先通過信息獲取模塊1011，獲取當前用戶與機器人的多輪前述交互信息、此輪問題以及當前用戶每句話的意圖分布；然后通過繼承識別模塊1012，利用預先訓練得到的多輪交互信息繼承識別模型中的LR(邏輯回歸)模型，基于當前用戶每句話的意圖分布對當前用戶此輪問題進行多輪交互信息繼承與否的識別；多輪交互信息繼承識別模型中的LR模型通過大量用戶交互數(shù)據(jù)訓練所得，可以對常規(guī)情景下是否進行多輪交互信息的繼承進行識別，當該模型識別的識別分數(shù)大于預設(shè)分數(shù)范圍時，進行多輪前述交互信息的繼承；當識別的識別分數(shù)在預設(shè)分數(shù)范圍內(nèi)時，利用預先訓練得到的多輪交互繼承識別模型中的規(guī)則模型對當前用戶此輪問題進行規(guī)則匹配，并進行多輪前述交互信息的繼承。通過預先訓練得到的多輪交互信息繼承識別模型中的LR模型和規(guī)則模型，可以在極端與常規(guī)的表達方法下，均滿足多輪交互信息繼承與否的識別，從而對是否繼承多輪交互信息進行正確地判斷。

本發(fā)明實施例還提供了一種交互系統(tǒng)10，參見圖5所示，該系統(tǒng)包括：服務(wù)器102以及如上一實施例所提供的多輪交互信息繼承識別裝置101。服務(wù)器102與多輪交互信息繼承識別裝置101連接，用于針對從交互系統(tǒng)10客戶端獲取到的用戶交互信息進行用戶意圖分布的記錄，并將交互信息及意圖分布發(fā)送給多輪交互信息繼承識別裝置101，以使多輪交互信息繼承識別裝置101進行多輪交互信息繼承與否的識別。

此交互系統(tǒng)中的多輪交互信息繼承識別裝置的具體工作過程可以參見上述方法實施例，在此不再贅述。

本發(fā)明實施例所提供的多輪交互信息繼承識別方法、裝置以及交互系統(tǒng)的計算機程序產(chǎn)品，包括存儲了程序代碼的計算機可讀存儲介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實施例中所述的方法，具體實現(xiàn)可參見方法實施例，在此不再贅述。

另外，在本發(fā)明實施例的描述中，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明中的具體含義。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

在本發(fā)明的描述中，需要說明的是，術(shù)語“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明的限制。此外，術(shù)語“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對重要性。

最后應(yīng)說明的是：以上所述實施例，僅為本發(fā)明的具體實施方式，用以說明本發(fā)明的技術(shù)方案，而非對其限制，本發(fā)明的保護范圍并不局限于此，盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對前述實施例所記載的技術(shù)方案進行修改或可輕易想到變化，或者對其中部分技術(shù)特征進行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實施例技術(shù)方案的精神和范圍，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準。