【技术实现步骤摘要】
一种人机交互方法、装置、设备及介质
本专利技术涉及人工智能领域，尤其涉及一种人机交互方法、装置、设备及介质。
技术介绍
在智能服务中，需要对用户常见的问题进行快速自动回答。现有技术中通常是判断用户发言所对应的文本和问题库中的问题的文本是否相似，然后寻找相似问题对应的答案作为回复。现有技术中通常通过训练机器学习模型来实现文本相似程度的判断。然而，现有技术的机器学习模型需要把用户的问题文本和问题库中的问题文本进行一一比较，当问题库中的问题数量较多时，耗费较多资源，不能满足实时性要求并且判断的准确率偏低。
技术实现思路
为了解决现有技术中文本匹配耗时较长，导致难以提供高速进行人机交互的技术方案的技术问题，本专利技术实施例提供一种人机交互方法、装置、设备及介质。一方面，本专利技术提供了一种人机交互方法，所述方法包括：获取语料库，所述语料库中包括语句和所述语句对应的回复语句；基于语义提取模型为所述语料库中的每个语句提取语义向量，生成语义库，所述语义库记录有语句及其对应的语义向量的映射...
【技术保护点】
1.一种人机交互方法，其特征在于，所述方法包括：/n获取语料库，所述语料库中包括语句和所述语句对应的回复语句；/n基于语义提取模型为所述语料库中的每个语句提取语义向量，生成语义库，所述语义库记录有语句及其对应的语义向量的映射关系；/n获取第一语句，基于所述语义提取模型提取所述第一语句的第一语义向量；/n根据所述第一语义向量在所述语义库中查询目标语句，所述目标语句对应的第二语义向量与所述第一语义向量的相似度满足预设要求；/n在所述语料库中查询到所述目标语句对应的目标回复语句，输出所述目标回复语句。/n
【技术特征摘要】
1.一种人机交互方法，其特征在于，所述方法包括：
获取语料库，所述语料库中包括语句和所述语句对应的回复语句；
基于语义提取模型为所述语料库中的每个语句提取语义向量，生成语义库，所述语义库记录有语句及其对应的语义向量的映射关系；
获取第一语句，基于所述语义提取模型提取所述第一语句的第一语义向量；
根据所述第一语义向量在所述语义库中查询目标语句，所述目标语句对应的第二语义向量与所述第一语义向量的相似度满足预设要求；
在所述语料库中查询到所述目标语句对应的目标回复语句，输出所述目标回复语句。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一语义向量在所述语义库中查询目标语句，所述目标语句对应的第二语义向量与所述第一语义向量的相似度满足预设要求，包括：
根据所述第一语义向量在所述语义库中查询目标语义向量集，所述目标语义向量集中的目标语义向量与所述第一语义向量的相似度均大于预设阈值；
对所述目标语义向量集中的目标语义向量按照相似度降序排列，以得到目标语义向量序列；
将所述目标语义向量序列中第一个目标语义向量确定为第二语义向量，将所述语义库中所述第二语义向量对应的语句确定为目标语句。
3.根据权利要求1所述的方法，其特征在于，还包括为所述语义库中每个语句及其对应的语义向量设置所述语义向量适配的相似度阈值，则所述根据所述第一语义向量在所述语义库中查询目标语句，所述目标语句对应的第二语义向量与所述第一语义向量的相似度满足预设要求，包括：
根据所述第一语义向量在所述语义库中查询目标语义向量集，所述目标语义向量集中的目标语义向量与所述第一语义向量的相似度大于所述目标语义向量适配的相似度阈值；
对所述目标语义向量集中的目标语义向量按照相似度降序排列，以得到目标语义向量序列；
将所述目标语义向量序列中第一个目标语义向量确定为第二语义向量，将所述语义库中所述第二语义向量对应的语句确定为目标语句。
4.根据权利要求1所述的方法，其特征在于，所述语义提取模型通过对机器学习模型训练而得到，所述机器学习模型包括：
双向循环神经网络和卷积神经网络，所述双向循环网络包括多个特征提取层和第一全连接层，各个特征提取层均与所述第一全连接层连接；所述卷积神经网络包括多个具有不同卷积核的卷积层、最大池化层和第二全连接层，所述卷积层、最大池化层和第二全连接层依次连接，所述卷积层还与所述双向循环网络中的最接近第一全连接层的特征提取层连接；所述第一全连接层和所述第二全连接层均与第三全连接层连接。
5.根据权利要求4所述的方法，其特征在于：
所述双向循环神经网络包括N个特征提取层；
所述卷积神经网络中包括M个卷积层，每个卷积层包括Q个卷积单元，每个卷积单元具有不同宽度的卷积核，其中第i(1≤i＜M-1)个卷积层的卷积单元与第i+1个卷积层的卷积单元对应连接；所述最大池化层包括Q个最大池化...
【专利技术属性】
技术研发人员：陈观钦，陈远，王摘星，陈斌，王维，
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
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。