一种智能对话方法、动态存储方法和装置制造方法及图纸

本申请实施例公开了一种智能对话方法、动态存储方法及装置，针对深度学习网络中记忆模块所保存的历史问答对，可以根据目标问答对的更新时间确定目标问答对的权重，该目标问答对的更新时间包括目标问答对被保存在记忆模块中的时间信息，或者目标问答对被用户所输入语句对应的句向量匹配到的时间信息。若记忆模块所保存的目标问答对的权重低于预设阈值，相当于该目标问答对长时间没有被用户所输入语句匹配到，对于智能对话来说作用很低，所以可以从所述记忆模块中删除目标问答对。可以使得深度学习网络能够确定所保存的历史问答对在近期智能对话中起到的作用，从而可以针对性的删除无用的历史问答对以降低存储压力，提高遍历效率。

An Intelligent Dialogue Method, Dynamic Storage Method and Device

【技术实现步骤摘要】
一种智能对话方法、动态存储方法和装置
本申请涉及数据处理领域，特别是涉及一种智能对话方法、动态存储方法和装置。
技术介绍
随着人工智能技术的发展，对话型人工智能系统应运而生，例如聊天机器人，智能助理等。这类人工智能系统可以通过分析用户输入的语句，给出合适的答案。人工智能系统通过深度学习网络分析用户输入的语句时，一般会将用户输入的语句与记忆模块中保存的历史问答对(Q-A对)进行全局遍历，若通过遍历匹配到合适的Q-A对，则可以根据所匹配到Q-A对中的答案确定出用户所输入语句对应的答案。为了提高人工智能系统的交互体验，深度学习网络的记忆模块需要预存海量的历史Q-A对，且需要不断扩充。由此导致人工智能系统在针对用户输入问题所需遍历的Q-A对越来越多，导致遍历效率低，相应的给用户反馈答案的效率低，影响用户体验。
技术实现思路
为了解决上述技术问题，本申请提供了一种智能对话方法、动态存储方法及装置。本申请实施例公开了如下技术方案：第一方面，本申请实施例提供了一种智能对话方法，所述方法包括：获取分析请求，所述分析请求包括用户所输入的语句；根据向量训练模型训练所述语句，得到所述语句对应的句向量；根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对；在所述深度学习网络的记忆模块中，所述保存的历史问答对的权重大于等于预设阈值，所述保存的历史问答对中的任意一个历史问答对的权重是根据所述历史问答对的更新时间确定的；所述历史问答对的更新时间包括所述历史问答对被保存在所述记忆模块中的时间信息，或者所述历史问答对被用户所输入语句对应的句向量匹配到的时间信息；根据与所述句向量匹配的历史问答对，确定返回给所述用户的交互内容。第二方面，本申请实施例提供了一种用于深度学习网络的动态存储方法，所述方法包括：确定所述深度学习网络中记忆模块所保存的历史问答对的权重；其中，目标问答对的权重是根据所述目标问答对的更新时间确定的；所述目标问答对为所述记忆模块所保存的历史问答对中的任意一个历史问答对；所述目标问答对的更新时间包括所述目标问答对被保存在所述记忆模块中的时间信息，或者所述目标问答对被用户所输入语句对应的句向量匹配到的时间信息；若所述目标问答对的权重低于预设阈值，从所述记忆模块中删除所述目标问答对。第三方面，本申请实施例提供了一种智能对话装置，所述装置包括：获取单元，用于获取分析请求，所述分析请求包括用户所输入的语句；得到单元，用于根据向量训练模型训练所述语句，得到所述语句对应的句向量；第一确定单元，用于根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对；在所述深度学习网络的记忆模块中，所述保存的历史问答对的权重大于等于预设阈值，所述保存的历史问答对中的任意一个历史问答对的权重是根据所述历史问答对的更新时间确定的；所述历史问答对的更新时间包括所述历史问答对被保存在所述记忆模块中的时间信息，或者所述历史问答对被用户所输入语句对应的句向量匹配到的时间信息；第二确定单元，用于根据与所述句向量匹配的历史问答对，确定返回给所述用户的交互内容。第四方面，本申请实施例提供了一种用于深度学习网络的动态存储装置，所述装置包括：第四确定单元，用于确定所述深度学习网络中记忆模块所保存的历史问答对的权重；其中，目标问答对的权重是根据所述目标问答对的更新时间确定的；所述目标问答对为所述记忆模块所保存的历史问答对中的任意一个历史问答对；所述目标问答对的更新时间包括所述目标问答对被保存在所述记忆模块中的时间信息，或者所述目标问答对被用户所输入语句对应的句向量匹配到的时间信息；删除单元，用于若所述目标问答对的权重低于预设阈值，从所述记忆模块中删除所述目标问答对。第五方面，本申请实施例提供了一种智能对话设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行以上第一方面所述的动态存储方法。第六方面，本申请实施例提供了一种用于深度学习网络的动态存储设备，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行以上第二方面所述的动态存储方法。由上述技术方案可以看出，获取包括用户所输入语句的分析请求之后，可以利用向量训练模型训练所述语句，得到所述语句对应的句向量。然后判断深度学习网络中记忆模块保存的历史问答对中是否具有与该句向量匹配的历史问答对；从而根据与所述句向量匹配的历史问答对，确定返回给所述用户的交互内容。该记忆模块所保存的历史问答对的权重，是依据历史问答对的更新时间确定的，历史问答对的更新时间包括历史问答对被保存在记忆模块中的时间信息，或者历史问答对被用户所输入语句对应的句向量匹配到的时间信息。故在使用深度学习网络为用户提供智能对话服务的过程中，记忆模块中的历史问答对的更新时间会随之发生改变，从而改变对应的权重。而记忆模块所保存的历史问答对的权重大于或者等于预设阈值，相当于该历史问答对在一定时间内曾经被用户所输入语句匹配到，对于智能对话来说作用比较高，即与用户所输入语句的句向量匹配的可能性比较高。故而能够更快的确定出与所述句向量匹配的历史问答对，相应的更快的为用户提供对应的交互内容，提升用户体验。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一个应用场景示意图；图2为本申请实施例提供的一种用于深度学习网络的动态存储方法的流程示意图；图3为本申请实施例提供的一种智能对话方法的流程示意图；图4为本申请实施例提供的一种应用场景示意图；图5为本申请实施例提供的又一种应用场景示意图；图6为本申请实施例提供的一种智能对话界面的示意图；图7a为本申请实施例提供的一种智能对话装置的结构示意图；图7b为本申请实施例提供的一种智能对话装置的结构示意图；图7c为本申请实施例提供的一种智能对话装置的结构示意图；图7d为本申请实施例提供的一种智能对话装置的结构示意图；图8为本申请实施例提供的一种用于深度学习网络的动态存储装置的结构示意图；图9为本申请实施例提供的一种服务器的结构示意图；图10为本申请实施例提供的一种终端设备设备的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，本文档来自技高网...

【技术保护点】
1.一种智能对话方法，其特征在于，所述方法包括：获取分析请求，所述分析请求包括用户所输入的语句；根据向量训练模型训练所述语句，得到所述语句对应的句向量；根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对；在所述深度学习网络的记忆模块中，所述保存的历史问答对的权重大于等于预设阈值，所述保存的历史问答对中的任意一个历史问答对的权重是根据所述历史问答对的更新时间确定的；所述历史问答对的更新时间包括所述历史问答对被保存在所述记忆模块中的时间信息，或者所述历史问答对被用户所输入语句对应的句向量匹配到的时间信息；根据与所述句向量匹配的历史问答对，确定返回给所述用户的交互内容。

【技术特征摘要】
1.一种智能对话方法，其特征在于，所述方法包括：获取分析请求，所述分析请求包括用户所输入的语句；根据向量训练模型训练所述语句，得到所述语句对应的句向量；根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对；在所述深度学习网络的记忆模块中，所述保存的历史问答对的权重大于等于预设阈值，所述保存的历史问答对中的任意一个历史问答对的权重是根据所述历史问答对的更新时间确定的；所述历史问答对的更新时间包括所述历史问答对被保存在所述记忆模块中的时间信息，或者所述历史问答对被用户所输入语句对应的句向量匹配到的时间信息；根据与所述句向量匹配的历史问答对，确定返回给所述用户的交互内容。2.根据权利要求1所述的方法，其特征在于，在所述根据向量训练模型训练所述语句，得到所述语句对应的句向量的过程中，包括：在训练的前n轮中不改变所述向量训练模型的内部参数，n小于训练得到所述语句对应句向量的总训练轮数。3.根据权利要求1或2所述的方法，其特征在于，所述分析请求中还包括所述用户的标识，所述方法还包括：根据所述用户的标识查找到所述用户在智能对话中所涉及的目标事实类型，所述目标事实类型是根据所述用户在智能对话中所输入的历史语句确定的；所述根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对，包括：若根据所述句向量确定出多个事实类型，且所述多个事实类型中包括所述目标事实类型，根据所述深度学习网络优先确定符合所述目标事实类型的历史问答对中是否具有与所述句向量匹配的历史问答对。4.根据权利要求1或2所述的方法，其特征在于，所述分析请求中还包括所述用户的标识，所述方法还包括：根据所述用户的标识查找到所述用户在智能对话中所涉及的目标事实类型，所述目标事实类型是根据所述用户在智能对话中所输入的历史语句确定的；所述根据深度学习网络确定记忆模块所保存的历史问答对中是否具有与所述句向量匹配的历史问答对，包括：获取所述记忆模块所保存的历史问答对中符合所述目标事实类型的历史问答对；根据所述深度学习网络优先确定符合所述目标事实类型的历史问答对中是否具有与所述句向量匹配的历史问答对。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据确定权重时的目标时间，确定历史问答对的更新时间与所述目标时间的时间差值；根据所述时间差值调整所述历史问答对的权重。6.根据权利要求5所述的方法，其特征在于，所述根据所述时间差值调整所述历史问答对的权重，包括：若所述时间差值大于等于预设值，降低所述历史问答对的权重；若所述时间差值小于预设值，提高所述历史问答对的权重。7.一种用于深度学习网络的动态存储方法，其特征在于，所述方法包括：确定深度学习网络中记忆模块所保存的历史问答对的权重；其中，目标问答对的权重是根据所述目标问答对的更新时间确定的；所述目标问答对为所述记忆模块所保存的历史问答对中的任意一个历史问答对；所述目标问答对的更新时间包...

【专利技术属性】
技术研发人员：晁阳，陆遥，李东，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44