一种面向任务型对话系统的对话策略方法技术方案

本发明专利技术公开了一种面向任务型对话系统的对话策略方法，应用在基于知识图谱的音乐智能搜索场景中，包括以下步骤：S1、针对特定领域构建马尔科夫决策模型；S2、利用贝尔曼方程计算状态值函数矩阵；S3、结合当前时刻的对话状态，匹配知识图谱和搜索知识库，得到满足用户目标的音乐结果；S4、对搜索结果进行属性信息熵计算；S5、对计算出来的属性信息熵进行分析；S6、通过状态转移矩阵计算出下一轮动作。本发明专利技术克服任务型对话系统中完全冷启动的困难，通过构建强化学习模型计算状态值函数矩阵，结合状态值函数矩阵的结果与该状态的属性信息熵，得到下一轮的动作，用更少的对话轮次完成知识搜索任务，具有很好的可用性。

【技术实现步骤摘要】
一种面向任务型对话系统的对话策略方法
本专利技术涉及任务型对话系统的基于知识图谱智能搜索领域，特别涉及一种面向任务型对话系统的对话策略方法。
技术介绍
随着人工智能相关技术的飞速发展，人与智能设备之间的交互方式趋于智能化，逐渐从传统的图形化交互(GraphicalUserInterface,GUI)向人机对话交互(ConversationalUserInterface)进行转变，即利用人工智能助理来帮助用户完成多项任务或多项服务。人机对话系统可以从功能上划分为非任务型(non-task-oriented)和任务型(task-oriented)的对话系统两大类。任务型对话系统又称为目标驱动型(goaldriven)对话系统，例如客服机器人、机票预订系统等，它们为用户提供特定领域的服务，旨在帮助用户完成购物、订机票等任务。这类人机对话系统能够大大降低人力成本，简化人机交互过程，提高应用的智能程度，因此具有广泛的研究和应用价值。在任务型对话系统中，用户与系统进行多轮对话，从而完成特定的任务。在多轮对话的基于知识图谱的智能搜索领域，系统需要通过本文档来自技高网...

【技术保护点】
1.一种面向任务型对话系统的对话策略方法，其特征在于，包括以下步骤：/nS1、针对垂直领域中的基于知识图谱的搜索型对话系统，构建马尔科夫决策模型；/nS2、根据步骤S1，利用贝尔曼方程获取状态值函数矩阵；/nS3、结合当前时刻的对话状态，匹配知识图谱和搜索知识库，得到满足用户目标的结果；/nS4、对搜索结果进行属性信息熵计算；/nS5、对计算出来的属性信息熵进行分析；/nS6、通过状态转移矩阵得出下一轮系统的动作。/n

【技术特征摘要】
1.一种面向任务型对话系统的对话策略方法，其特征在于，包括以下步骤：
S1、针对垂直领域中的基于知识图谱的搜索型对话系统，构建马尔科夫决策模型；
S2、根据步骤S1，利用贝尔曼方程获取状态值函数矩阵；
S3、结合当前时刻的对话状态，匹配知识图谱和搜索知识库，得到满足用户目标的结果；
S4、对搜索结果进行属性信息熵计算；
S5、对计算出来的属性信息熵进行分析；
S6、通过状态转移矩阵得出下一轮系统的动作。


2.根据权利要求1所述的一种面向任务型对话系统的对话策略方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、根据对话中槽的个数，定义该领域下的五元组(s,a,p,r,γ)，其中s是含终止状态的所有状态、a是所有动作、p是状态转移概率、r是奖励函数、γ是0～1区间的折扣因子；
S12、自定义例子，在数据库进行搜索，根据数据库搜索结果定义对话的终止状态。


3.根据权利要求1所述的一种面向任务型对话系统的对话策略方法，其特征在于，所述步骤S2具体是在马尔科夫决策过程中，状态s的状态值函数为其回报的期望，即v(s)＝E[Gt|St＝s]，其中Gt为t时刻在状态s时的回报，St为t时刻采取的动作，根据状态值函数的贝尔曼方程迭代计算状态值函数矩阵v(s)，其中，π(a|s)表示策略在给定状态下行为的概率分布、表示在状态为s时执行动作a所得到的的即时回报、γ为折扣因子、表示在当前时刻状态为s时，采取动作a，下一时刻状态转为s′的概率，vπ(s′)为下一状态s′的状态值函数，A表示所有动作a的集合。


4.根据权利要求1所述的一种面向任务型对话系统的对话策略方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、接受来自对话系统中的自然语言理解模块的输出的三元组，即领域识别、意图识别、槽-值对，获得单...

【专利技术属性】
技术研发人员：赵阳洋，王振宇，王佩，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44