对话状态跟踪方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种对话状态跟踪方法，包括：在每轮对话中，获取用户语句表示信息和系统动作表示信息；基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；获取当前状态槽的特征向量信息；根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，槽值集合包含对应于所有状态槽的所有可能的状态值。本发明专利技术实施例由于槽值集合对应于所有状态槽，所以实现了槽之间的参数的共享，通过这些共享参数不仅可以在槽间传输知识，还减少了参数数量，简化了状态跟踪系统，提升了对话状态跟踪效率。

【技术实现步骤摘要】
对话状态跟踪方法、系统、电子设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种对话状态跟踪方法、系统、电子设备及存储介质。
技术介绍
面向任务的口语对话系统(SDS)是一个可以不断与人交互以通过语音完成预定义任务的系统。它通常由三个模块组成：输入，输出和控制。控制模块也被称为对话管理。它有两个任务：对话状态跟踪(DST，DialogueStateTracker)和决策。在每轮对话中每次对话转向时，状态跟踪器都会根据从输入模块接收到的信息来维护系统的内部状态。然后根据对话政策并基于对话状态选择机器动作来指导对话。对话状态是机器对整个对话理解的编码。传统上，它通常被分解为三个不同的组件部分：用户的目标，用户的行为和对话历史。其中，用户的目标是最重要的，这往往只是由插槽值对来表示。对话状态跟踪的目的在于从包含错误的识别和理解结果中对用户的实际意图进行估计。尽管近年来深度学习等新的机器学习方法大大降低了识别和理解的错误率，但良好的对话状态跟踪方法可有效地克服识别和理解错误，从而进一步改善用户体验。虽然对话状态跟踪本质上也是一个分类问题，但作为辅助对话策略决策的一个关键步骤，DST维护的是一个概率分布，那么这里就引入了两个问题：(1)怎样衡量一个概率分布的优劣；(2)在哪一轮评估合适。最近，对话状态跟踪挑战(DSTC，DialogueStateTrackerChallenge)被组织起来以提供共享任务来比较DST算法。提出了各种模型，例如，基于规则的模型，生成统计模型和区分统计模型。而最先进的是深度学习型方法。但是，大多数这些模型都有一些限制。首先，有些模型只能在固定领域本体上工作，即插槽和值是事先定义的，不能动态改变。但是，这在实践中并不灵活。例如，在旅游信息领域经常增加新的餐馆或酒店，这导致了本体的变化。其次，在许多方法中，每个插槽的模型都不相同。因此，参数的数量与状态槽的数量成正比。第三，有些模型基于文本的delexicalization提取特征，这取决于预定义的语义词典，在大规模领域，很难手动构建所有插槽和值的语义词典。
技术实现思路
本专利技术实施例提供一种对话状态跟踪方法、系统、电子设备及存储介质，用于至少解决上述技术问题之一。第一方面，本专利技术实施例提供一种对话状态跟踪方法，包括：在每轮对话中，获取用户语句表示信息和系统动作表示信息；基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；获取当前状态槽的特征向量信息；根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，所述槽值集合包含对应于所有状态槽的所有可能的状态值。第二方面，本专利技术实施例提供一种对话状态跟踪系统，包括：信息提取程序模块，用于在每轮对话中，获取用户语句表示信息和系统动作表示信息；第一特征确定程序模块，用于基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；第二特征确定程序模块，用于获取当前状态槽的特征向量信息；预测程序模块，用于根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；概率分布确定程序模块，用于基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，所述槽值集合包含对应于所有状态槽的所有可能的状态值。第三方面，本专利技术实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本专利技术上述任一项对话状态跟踪方法。第四方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术上述任一项对话状态跟踪方法。第五方面，本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项对话状态跟踪方法。本专利技术实施例的有益效果在于：通过基于对话轮中用户话语的特征向量信息和系统动作特征，来确定当前状态槽的预测向量值，并且通过比较计算预测向量值与所有状态槽的槽值集合中的所有状态值之间的相似度，进一步的确定当前状态槽在槽值集合上的概率分布以用于确定用户意图响应用户。由于槽值集合对应于所有状态槽，所以实现了槽之间的参数的共享，通过这些共享参数不仅可以在槽间传输知识，还减少了参数数量，简化了状态跟踪系统，提升了对话状态跟踪效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的对话状态跟踪器的一实施例的结构示意图；图2为本专利技术的对话状态跟踪方法的一实施例的流程图；图3为本专利技术的多尺度感知层的一实施例的结构示意图；图4为本专利技术的对话状态跟踪系统的一实施例的原理框图；图5为本专利技术中的第一特征确定程序模块的一实施例的原理框图；图6为本专利技术的电子设备的一实施例的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序本文档来自技高网...

【技术保护点】
1.一种对话状态跟踪方法，包括：在每轮对话中，获取用户语句表示信息和系统动作表示信息；基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；获取当前状态槽的特征向量信息；根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，槽值集合包含对应于所有状态槽的所有可能的状态值。

【技术特征摘要】
1.一种对话状态跟踪方法，包括：在每轮对话中，获取用户语句表示信息和系统动作表示信息；基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；获取当前状态槽的特征向量信息；根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，槽值集合包含对应于所有状态槽的所有可能的状态值。2.根据权利要求1所述的方法，其中，所述基于所述用户语句表示信息确定用户语句特征包括：将所述用户语句表示信息输入至预设多尺寸感知层以得到所述用户语句特征；其中，所述用户语句表示包括多个组份，所述预设多尺寸感知层包括：多个线性层组，每个线性层组包括多个线性层，所述多个线性层组的组数与所述多个组份的份数相等；与所述多个线性层组的输出端连接的标准化层；和与所述标准化层的输出端连接的输出线性层。3.根据权利要求1所述的方法，其中，所述根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值包括：将所述用户语句特征和系统动作特征求和得到和值；将所述和值与所述特征向量信息点乘得到预测特征向量信息；将所述预测特征向量信息输入至长短期记忆网络以得到所述预测向量值。4.根据权利要求1所述的方法，其中，所述基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布包括：计算所述预测向量值与所述槽值集合中所有状态值之间的二范数距离；将计算得到的所有二范数距离进行归一化处理以确定所述概率分布。5.根据权利要求1所述的方法，其中，所述获取用户语句表示信息包括：确定所述用户语句所包含的单词的个数l，确定所述用户语句所对应的m-bestASR假设，并归一化置信度得分qj(1≤j≤m)；计算得到加权向量u′i，其中，ui,j表示在第j个ASR假设中呈现的单词矢量ui，并且在所有短...

【专利技术属性】
技术研发人员：俞凯，任立椋，陈露，
申请(专利权)人：苏州思必驰信息科技有限公司，上海交通大学，
类型：发明
国别省市：江苏,32