一种对话生成方法、装置、电子设备及可读存储介质制造方法及图纸

本申请提供了一种对话生成方法、装置、电子设备及可读存储介质，该方法包括：获取历史关联输出语句和当前用户输入语句，其中，所述历史关联输出语句为，所述当前用户输入语句邻接的上一用户输入语句对应的关联输出语句；将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句，其中，所述当前关联输出语句为，所述当前用户输入语句对应的关联输出语句。本申请实施例通过对当前用户输入语句进行回复语句时，不仅考虑当前用户输入语句的内容，还关联了与当前用户输入语句邻接的上一句对话内容，使相邻的两次对话内容连接更紧密。

【技术实现步骤摘要】
一种对话生成方法、装置、电子设备及可读存储介质
本申请涉及互联网
，具体而言，涉及一种对话生成方法、装置、电子设备及可读存储介质。
技术介绍
在服务领域中，客服都有着举足轻重的作用，这关系到用户的使用体验，故企业一般会客服投入较多成本，以维护与客户的关系。但是随着用人成本的上升，以及对用户体验提升的迫切需要，自动化和智能化的客服机器人的出现，能够降低当下企业针对客服投入的用人成本。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种对话生成方法、装置、电子设备及可读存储介质，能够使相邻的两次对话内容连接更紧密。根据本申请的一个方面，提供一种对话生成方法，所述方法包括：获取历史关联输出语句和当前用户输入语句，其中，所述历史关联输出语句为，所述当前用户输入语句邻接的上一用户输入语句对应的关联输出语句；将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句，其中，所述当前关联输出语句为，所述当前用户输入语句对应的关联输出语句。在一些实施例中，所述第一深度学习模型包括编码模型和解码模型；将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤，包括：所述编码模型将所述历史关联输出语句和所述当前用户输入语句各自对应的向量进行组合，得到当前关联输入向量；所述解码模型对所述当前关联输入向量进行处理，生成所述当前关联输出语句。在一些实施例中，所述编码模型包括第一编码子模型、第二编码子模型及第一向量组合子模型；所述编码模型将所述历史关联输出语句和所述当前用户输入语句各自对应的向量进行组合，得到当前关联输入向量的步骤，包括：所述第一编码子模型将所述历史关联输出语句编码为历史关联输出向量；所述第二编码子模型将所述当前用户输入语句编码为当前用户输入向量；所述第一向量组合子模型将所述历史关联输出向量及所述当前用户输入向量进行组合，得到所述当前关联输入向量。在一些实施例中，所述第一深度学习模型包括编码模型和解码模型；将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤，包括：所述编码模型对所述历史关联输出语句和所述当前用户输入语句均进行编码，分别得到历史关联输出向量及当前用户输入向量；所述解码模型将所述历史关联输出向量及所述当前用户输入向量作为输入进行处理，生成所述当前关联输出语句。在一些实施例中，所述编码模型包括第一编码子模型及第二编码子模型；所述编码模型对所述历史关联输出语句和所述当前用户输入语句均进行编码，分别得到历史关联输出向量及当前用户输入向量的步骤，包括：所述第一编码子模型对所述历史关联输出语句进行编码，得到所述历史关联输出向量；所述第二编码子模型对所述当前用户输入向量进行编码，得到所述当前用户输入向量；所述解码模型包括第二向量组合子模型及语句解码子模型；所述解码模型将所述历史关联输出向量及所述当前用户输入向量作为输入进行处理，生成所述当前关联输出语句的步骤，包括：所述第二向量组合子模型将所述历史关联输出向量及所述当前用户输入向量进行组合，得到当前关联输入向量；所述语句解码子模型对所述当前关联输入向量进行处理，生成所述当前关联输出语句。在一些实施例中，在将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤之前，所述方法还包括：判断所述历史关联输出语句与所述当前用户输入语句两者的时间差值是否达到时间阈值；若所述历史关联输出语句与所述当前用户输入语句两者的时间差值未达到所述时间阈值，执行将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤。在一些实施例中，在获取历史关联输出语句和当前用户输入语句的步骤之前，所述方法还包括：获取多个训练样本集，其中，每一训练样本集包括多组邻接的问答会话，每一组问答会话包括训练提问语句和训练回答语句；使用所述多个训练样本集对第二深度学习模型进行训练，直至对所述第二深度学习模型训练结束，将所述训练结束的第二深度学习模型作为所述第一深度学习模型，其中，训练所述第二深度学习模型时，所述第二深度学习模型的输入包括目标组问答会话的训练提问语句，以及与所述目标组问答会话邻接的上一组问答会话的训练回答语句。在一些实施例中，使用每一训练样本集对第二深度学习模型进行训练的步骤，包括：将当前组问答会话中的训练提问语句，以及与所述当前组问答会话邻接的上一组问答会话中的训练回答语句作为所述第二深度学习模型的输入，得到当前回答语句；若所述当前回答语句与所述当前组问答会话中的训练回答语句的偏差值大于偏差阈值，调整所述第二深度学习模型的参数，以获得新的深度学习模型作为所述第二深度学习模型，并以所述当前组问答会话邻接的下一组问答会话作为新的当前组问答会话，返回重新训练；若所述当前回答语句与所述当前组问答语句中的训练回答语句的偏差值小于或等于所述偏差阈值，将所述当前组问答会话对应的深度学习模型作为所述训练结束的第二深度学习模型。在一些实施例中，在获取多个训练样本集的步骤之后，所述方法还包括：将每一组问答会话对齐，以使所述多个训练样本集中的每一训练提问语句和每一训练回答语句均包含n个字，其中，n为正整数。在一些实施例中，将每一组问答会话对齐的步骤，包括：若目标训练提问语句或目标训练回答语句的字数大于所述n，则保留所述目标训练提问语句或所述目标训练回答语句中的n个字，将其他的字剔除；若所述目标训练提问语句或所述目标训练回答语句的字数小于所述n，则在所述目标训练提问语句或所述目标训练回答语句补充至少一个字，以使所述目标训练提问语句或所述目标训练回答语句的字数为所述n。根据本申请的另一方面，提供一种对话生成装置，所述装置包括：获取模块，用于获取历史关联输出语句和当前用户输入语句，其中，所述历史关联输出语句为，所述当前用户输入语句邻接的上一用户输入语句对应的关联输出语句；处理模块，用于将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句，其中，所述当前关联输出语句为，所述当前用户输入语句对应的关联输出语句。在一些实施例中，所述第一深度学习模型包括编码模型和解码模型；所述处理模块具体用于：所述编码模型将所述历史关联输出语句和所述当前用户输入语句各自对应的向量进行组合，得到当前关联输入向量；所述解码模型对所述当前关联输入向量进行处理，生成所述当前关联输出语句。在一些实施例中，所述编码模型包括第一编码子模型、第二编码子模型及第一向量组合子模型；所述处理模块具体用于：所述第一编码子模型将所述历史关联输出语句编码为历史关联输本文档来自技高网...

【技术保护点】
1.一种对话生成方法，其特征在于，所述方法包括：/n获取历史关联输出语句和当前用户输入语句，其中，所述历史关联输出语句为，所述当前用户输入语句邻接的上一用户输入语句对应的关联输出语句；/n将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句，其中，所述当前关联输出语句为，所述当前用户输入语句对应的关联输出语句。/n

【技术特征摘要】
1.一种对话生成方法，其特征在于，所述方法包括：
获取历史关联输出语句和当前用户输入语句，其中，所述历史关联输出语句为，所述当前用户输入语句邻接的上一用户输入语句对应的关联输出语句；
将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句，其中，所述当前关联输出语句为，所述当前用户输入语句对应的关联输出语句。


2.根据权利要求1所述的方法，其特征在于，所述第一深度学习模型包括编码模型和解码模型；
将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤，包括：
所述编码模型将所述历史关联输出语句和所述当前用户输入语句各自对应的向量进行组合，得到当前关联输入向量；
所述解码模型对所述当前关联输入向量进行处理，生成所述当前关联输出语句。


3.根据权利要求2所述的方法，其特征在于，所述编码模型包括第一编码子模型、第二编码子模型及第一向量组合子模型；
所述编码模型将所述历史关联输出语句和所述当前用户输入语句各自对应的向量进行组合，得到当前关联输入向量的步骤，包括：
所述第一编码子模型将所述历史关联输出语句编码为历史关联输出向量；
所述第二编码子模型将所述当前用户输入语句编码为当前用户输入向量；
所述第一向量组合子模型将所述历史关联输出向量及所述当前用户输入向量进行组合，得到所述当前关联输入向量。


4.根据权利要求1所述的方法，其特征在于，所述第一深度学习模型包括编码模型和解码模型；
将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤，包括：
所述编码模型对所述历史关联输出语句和所述当前用户输入语句均进行编码，分别得到历史关联输出向量及当前用户输入向量；
所述解码模型将所述历史关联输出向量及所述当前用户输入向量作为输入进行处理，生成所述当前关联输出语句。


5.根据权利要求4所述的方法，其特征在于，所述编码模型包括第一编码子模型及第二编码子模型；
所述编码模型对所述历史关联输出语句和所述当前用户输入语句均进行编码，分别得到历史关联输出向量及当前用户输入向量的步骤，包括：
所述第一编码子模型对所述历史关联输出语句进行编码，得到所述历史关联输出向量；
所述第二编码子模型对所述当前用户输入向量进行编码，得到所述当前用户输入向量；
所述解码模型包括第二向量组合子模型及语句解码子模型；
所述解码模型将所述历史关联输出向量及所述当前用户输入向量作为输入进行处理，生成所述当前关联输出语句的步骤，包括：
所述第二向量组合子模型将所述历史关联输出向量及所述当前用户输入向量进行组合，得到当前关联输入向量；
所述语句解码子模型对所述当前关联输入向量进行处理，生成所述当前关联输出语句。


6.根据权利要求1-5中任一项所述的方法，其特征在于，在将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤之前，所述方法还包括：
判断所述历史关联输出语句与所述当前用户输入语句两者的时间差值是否达到时间阈值；
若所述历史关联输出语句与所述当前用户输入语句两者的时间差值未达到所述时间阈值，执行将所述历史关联输出语句和所述当前用户输入语句作为第一深度学习模型的输入，生成当前关联输出语句的步骤。


7.根据权利要求1所述的方法，其特征在于，在获取历史关联输出语句和当前用户输入语句的步骤之前，所述方法还包括：
获取多个训练样本集，其中，每一训练样本集包括多组邻接的问答会话，每一组问答会话包括训练提问语句和训练回答语句；
使用所述多个训练样本集对第二深度学习模型进行训练，直至对所述第二深度学习模型训练结束，将所述训练结束的第二深度学习模型作为所述第一深度学习模型，其中，训练所述第二深度学习模型时，所述第二深度学习模型的输入包括目标组问答会话的训练提问语句，以及与所述目标组问答会话邻接的上一组问答会话的训练回答语句。


8.根据权利要求7所述的方法，其特征在于，使用每一训练样本集对第二深度学习模型进行训练的步骤，包括：
将当前组问答会话中的训练提问语句，以及与所述当前组问答会话邻接的上一组问答会话中的训练回答语句作为所述第二深度学习模型的输入，得到当前回答语句；
若所述当前回答语句与所述当前组问答会话中的训练回答语句的偏差值大于偏差阈值，调整所述第二深度学习模型的参数，以获得新的深度学习模型作为所述第二深度学习模型，并以所述当前组问答会话邻接的下一组问答会话作为新的当前组问答会话，返回重新训练；
若所述当前回答语句与所述当前组问答语句中的训练回答语句的偏差值小于或等于所述偏差阈值，将所述当前组问答会话对应的深度学习模型作为所述训练结束的第二深度学习模型。


9.根据权利要求7所述的方法，其特征在于，在获取多个训练样本集的步骤之后，所述方法还包括：
将每一组问答会话对齐，以使所述多个训练样本集中的每一训练提问语句和每一训练回答语句均包含n个字，其中，n为正整数。


10.根据权利要求9所述的方法，其特征在于，将每一组问答会话对齐的步骤，包括：
若目标训练提问语句或目标训练回答语句的字数大于所述n，则保留所述目标训练提问语句或所述目标训练回答语句中的n个字，将其他的字剔除；
若所述目标训练提问语句或所述目标训练回答语句的字数小于所述n，则在所述目标训练提问语句或所述目标训练回答语句补充至少一个字，以使所述目标训练提问语句...

【专利技术属性】
技术研发人员：黄林豪，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11