本技術(shù)涉及人工智能，特別是涉及一種對話機(jī)器人的對話方法、系統(tǒng)和計算機(jī)設(shè)備。

背景技術(shù)：

1、在人工智能領(lǐng)域，對話機(jī)器人具有廣泛的應(yīng)用場景，例如客服、售后等，為生活提供了便捷。但也隨之出現(xiàn)了對話機(jī)器人在文本數(shù)據(jù)較短時，無法準(zhǔn)確理解用戶的表達(dá)方式和意圖的問題。

2、然而，目前在文本數(shù)據(jù)較短時，幫助對話機(jī)器人理解用戶的表達(dá)意圖的方法是：通過模塊化檢索增強(qiáng)技術(shù)對文本數(shù)據(jù)進(jìn)行深度檢索，即在檢索階段增加情感識別模型或重排模型，增強(qiáng)對文本數(shù)據(jù)的檢索，但同時會導(dǎo)致檢索階段的耗時大幅度增加，導(dǎo)致對話機(jī)器人對應(yīng)的系統(tǒng)運行速度變慢。因此，目前存在當(dāng)文本數(shù)據(jù)較短時，對話機(jī)器人在問答過程中意圖識別準(zhǔn)確率較低的問題。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述當(dāng)文本數(shù)據(jù)較短時，對話機(jī)器人在問答過程中準(zhǔn)確率較低的技術(shù)問題，提供一種對話機(jī)器人的對話方法、系統(tǒng)、計算機(jī)設(shè)備、計算機(jī)可讀存儲介質(zhì)和計算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種對話機(jī)器人訓(xùn)練方法，包括：

3、接收待處理文本，并基于第一詞嵌入模型將所述待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，所述第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；

4、基于分類模型得到所述第一詞嵌入向量的意圖識別分類特征；其中，所述分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；

5、基于第二詞嵌入模型、結(jié)合所述第一詞嵌入向量的所述意圖識別分類特征對應(yīng)的分類標(biāo)簽，獲取第二詞嵌入向量；其中，所述第二詞嵌入模型基于所述第一詞嵌入模型對所述第一訓(xùn)練文本數(shù)據(jù)的第一詞嵌入向量進(jìn)行訓(xùn)練得到；

6、將所述第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，所述向量數(shù)據(jù)庫中包括所述第二詞嵌入向量和所述目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；

7、結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出所述待處理文本的目標(biāo)答案。

8、在其中一個實施例中，所述方法還包括：將所述第一訓(xùn)練文本數(shù)據(jù)輸入至所述詞嵌入模型，并通過分詞技術(shù)將所述第一訓(xùn)練文本數(shù)據(jù)進(jìn)行分詞，篩選所述分詞中的非關(guān)鍵詞作為停止詞，形成停止詞庫；基于所述停止詞更新所述第一訓(xùn)練文本數(shù)據(jù)得到第一更新訓(xùn)練數(shù)據(jù)，將所述第一更新訓(xùn)練數(shù)據(jù)輸入至所述詞嵌入模型，得到所述第一詞嵌入模型。

9、在其中一個實施例中，所述方法還包括：獲取業(yè)務(wù)領(lǐng)域數(shù)據(jù)、非業(yè)務(wù)領(lǐng)域數(shù)據(jù)以及業(yè)務(wù)場景數(shù)據(jù)，并通過提示工程技術(shù)分別生成所述業(yè)務(wù)領(lǐng)域數(shù)據(jù)、所述非業(yè)務(wù)領(lǐng)域數(shù)據(jù)以及所述業(yè)務(wù)場景數(shù)據(jù)的相似數(shù)據(jù)；基于所述相似數(shù)據(jù)更新所述第二訓(xùn)練文本數(shù)據(jù)得到第二更新訓(xùn)練數(shù)據(jù)，將所述第二更新訓(xùn)練數(shù)據(jù)輸入至所述分類模型，以完成對所述分類模型的建立。

10、在其中一個實施例中，所述方法還包括：將第三訓(xùn)練文本數(shù)據(jù)輸入至結(jié)合預(yù)設(shè)核心超參數(shù)的所述第一詞嵌入模型，以完成對所述第一詞嵌入模型進(jìn)行訓(xùn)練，得到所述第二詞嵌入模型；其中，所述核心超參數(shù)包括計算精度、學(xué)習(xí)率、優(yōu)化器、溫度、池化方法和訓(xùn)練次數(shù)。

11、在其中一個實施例中，所述將所述第三訓(xùn)練文本數(shù)據(jù)輸入至結(jié)合預(yù)設(shè)核心超參數(shù)的所述第一詞嵌入模型，以完成對所述第一詞嵌入模型進(jìn)行訓(xùn)練，得到所述第二詞嵌入模型，包括：將預(yù)設(shè)的初始學(xué)習(xí)率以及預(yù)設(shè)的溫度匹配至所述第一詞嵌入模型；基于預(yù)選的優(yōu)化器，并結(jié)合半精度浮點量化方法以及分類標(biāo)記池化方法對所述第一詞嵌入模型進(jìn)行訓(xùn)練；將所述第三訓(xùn)練文本數(shù)據(jù)輸入至所述第一詞嵌入模型中進(jìn)行訓(xùn)練，在所述訓(xùn)練的所述訓(xùn)練次數(shù)大于或等于預(yù)設(shè)目標(biāo)訓(xùn)練次數(shù)、損失值位于預(yù)設(shè)目標(biāo)損失值區(qū)間內(nèi)的情況下，完成對所述第一詞嵌入模型的訓(xùn)練，得到所述第二詞嵌入模型。

12、在其中一個實施例中，所述基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題，包括：獲取所述第二詞嵌入向量與所述向量數(shù)據(jù)庫中向量的相似度；基于所述相似度確定所述第二詞嵌入向量的多個相關(guān)問題以及多個所述相關(guān)問題的單個標(biāo)識符；根據(jù)所述單個標(biāo)識符，將多個所述相關(guān)問題對應(yīng)的單個目標(biāo)問題作為所述第二詞嵌入向量對應(yīng)的目標(biāo)問題。

13、在其中一個實施例中，所述預(yù)設(shè)的文本生成模式包括：常見問題解答模式和場景模式；所述結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，生成所述待處理文本的目標(biāo)答案，包括：在所述常見問題解答模式和/或所述場景模式下，在所述向量數(shù)據(jù)庫中檢索到的預(yù)設(shè)目標(biāo)數(shù)量的所述相關(guān)問題對應(yīng)同一個所述目標(biāo)問題的情況下，則將所述目標(biāo)問題對應(yīng)的答案作為所述待處理文本的目標(biāo)答案。

14、第二方面，本技術(shù)還提供了一種對話機(jī)器人的對話系統(tǒng)，包括：

15、文本處理模塊，用于接收待處理文本，并基于第一詞嵌入模型將所述待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，所述第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；

16、特征獲取模塊，用于基于分類模型得到所述第一詞嵌入向量的意圖識別分類特征；其中，所述分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；

17、詞嵌入向量轉(zhuǎn)化模塊，用于基于第二詞嵌入模型、結(jié)合所述第一詞嵌入向量的所述意圖識別分類特征對應(yīng)的分類標(biāo)簽，獲取第二詞嵌入向量；其中，所述第二詞嵌入模型基于所述第一詞嵌入模型對所述第一訓(xùn)練文本數(shù)據(jù)的第一詞嵌入向量進(jìn)行訓(xùn)練得到；

18、目標(biāo)問題確認(rèn)模塊，用于將所述第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，所述向量數(shù)據(jù)庫中包括所述第二詞嵌入向量和所述目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；

19、目標(biāo)答案輸出模塊，用于結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出所述待處理文本的目標(biāo)答案。

20、第三方面，本技術(shù)還提供了一種計算機(jī)設(shè)備，所述計算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)以下步驟：

21、接收待處理文本，并基于第一詞嵌入模型將所述待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，所述第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；

22、基于分類模型得到所述第一詞嵌入向量的意圖識別分類特征；其中，所述分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；

23、基于第二詞嵌入模型、結(jié)合所述第一詞嵌入向量的所述意圖識別分類特征對應(yīng)的分類標(biāo)簽，將所述第一詞嵌入向量轉(zhuǎn)化為第二詞嵌入向量；其中，所述第二詞嵌入模型基于第三訓(xùn)練文本數(shù)據(jù)對所述第一詞嵌入模型進(jìn)行訓(xùn)練得到；

24、將所述第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，所述向量數(shù)據(jù)庫中包括所述第二詞嵌入向量和所述目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；

25、結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出所述待處理文本的目標(biāo)答案。

26、第四方面，本技術(shù)還提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)以下步驟：

27、接收待處理文本，并基于第一詞嵌入模型將所述待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，所述第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；

28、基于分類模型得到所述第一詞嵌入向量的意圖識別分類特征；其中，所述分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；

29、基于第二詞嵌入模型、結(jié)合所述第一詞嵌入向量的所述意圖識別分類特征對應(yīng)的分類標(biāo)簽，獲取第二詞嵌入向量；其中，所述第二詞嵌入模型基于所述第一詞嵌入模型對所述第一訓(xùn)練文本數(shù)據(jù)的第一詞嵌入向量進(jìn)行訓(xùn)練得到；

30、將所述第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，所述向量數(shù)據(jù)庫中包括所述第二詞嵌入向量和所述目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；

31、結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出所述待處理文本的目標(biāo)答案。

32、第五方面，本技術(shù)還提供了一種計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)以下步驟：

33、接收待處理文本，并基于第一詞嵌入模型將所述待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，所述第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；

34、基于分類模型得到所述第一詞嵌入向量的意圖識別分類特征；其中，所述分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；

35、基于第二詞嵌入模型、結(jié)合所述第一詞嵌入向量的所述意圖識別分類特征對應(yīng)的分類標(biāo)簽，獲取第二詞嵌入向量；其中，所述第二詞嵌入模型基于所述第一詞嵌入模型對所述第一訓(xùn)練文本數(shù)據(jù)的第一詞嵌入向量進(jìn)行訓(xùn)練得到；

36、將所述第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在所述向量數(shù)據(jù)庫中確定所述第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，所述向量數(shù)據(jù)庫中包括所述第二詞嵌入向量和所述目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；

37、結(jié)合所述目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出所述待處理文本的目標(biāo)答案。

38、上述對話機(jī)器人的對話方法、系統(tǒng)、計算機(jī)設(shè)備、存儲介質(zhì)和計算機(jī)程序產(chǎn)品，在對話機(jī)器人的對話方法中，首先接收待處理文本，并基于第一詞嵌入模型將待處理文本轉(zhuǎn)化為第一詞嵌入向量；其中，第一詞嵌入模型基于第一訓(xùn)練文本數(shù)據(jù)對詞嵌入模型進(jìn)行訓(xùn)練得到；然后基于分類模型得到第一詞嵌入向量的意圖識別分類特征；其中，分類模型基于第二訓(xùn)練文本數(shù)據(jù)建立；接著基于第二詞嵌入模型、結(jié)合第一詞嵌入向量的意圖識別分類特征對應(yīng)的分類標(biāo)簽，獲取第二詞嵌入向量；其中，第二詞嵌入模型基于第一詞嵌入模型對第一訓(xùn)練文本數(shù)據(jù)的第一詞嵌入向量進(jìn)行訓(xùn)練得到；接著將第二詞嵌入向量存儲至向量數(shù)據(jù)庫，并基于預(yù)設(shè)的問答模式在向量數(shù)據(jù)庫中確定第二詞嵌入向量對應(yīng)的目標(biāo)問題；其中，向量數(shù)據(jù)庫中包括第二詞嵌入向量和目標(biāo)問題之間的關(guān)聯(lián)關(guān)系；最后結(jié)合目標(biāo)問題和預(yù)設(shè)的文本生成模式，輸出待處理文本的目標(biāo)答案。在上述過程中，通過第一詞嵌入模型將待處理文本轉(zhuǎn)化第一詞嵌入向量，再通過分類模型得到第一詞嵌入向量的意圖識別分類特征，然后結(jié)合上述意圖識別分類特征對應(yīng)的分類標(biāo)簽、通過第二次嵌入模型獲取第二詞嵌入向量，可以提高詞嵌入向量的質(zhì)量，提高后續(xù)步驟中在向量數(shù)據(jù)庫確定目標(biāo)問題的效率，再通過目標(biāo)問題和預(yù)設(shè)的文本模式的結(jié)合，進(jìn)一步輸出目標(biāo)答案，有效提高了對話機(jī)器人在文本數(shù)據(jù)較短時的意圖識別的準(zhǔn)確率。