对话信息的处理方法及装置、设备、存储介质制造方法及图纸

本说明书一个或多个实施例提供一种对话信息的处理方法及装置、设备、存储介质；该方法可以包括：获取用户数据，所述用户数据包括用户在至少一轮对话中输入的会话内容和区别于所述会话内容的与所述用户相关的辅助参考信息；对所述会话内容和所述辅助参考信息分别进行特征提取得到相应的特征向量，并将特征向量进行拼接得到表示向量；将所述表示向量输入预设的机器学习模型中，并利用所述机器学习模型的输出信息预测所述用户对预设交互请求的响应结果；如果预测出的响应结果为响应成功，触发针对所述预设交互请求的流程。发针对所述预设交互请求的流程。发针对所述预设交互请求的流程。

【技术实现步骤摘要】
对话信息的处理方法及装置、设备、存储介质


[0001]本说明书一个或多个实施例涉及人工智能
，尤其涉及一种对话信息的处理方法及装置、设备、存储介质。

技术介绍

[0002]在相关技术中，机器学习技术可利用算法、从已有数据中学习，对现实世界的情况作出判断和决策。机器学习技术包括有监督学习、无监督学习、半监督学习、强化学习等等。
[0003]针对有监督学习的训练过程，输入的样本数据被称为“训练集”，训练集中的样本数据有一个明确的标识或结果(即样本标签)，再利用有监督学习算法建立机器学习模型时，有监督学习算法建立一个学习过程，将预测结果与“训练集”的实际结果进行比较，不断的调整机器学习模型，直到模型的预测结果达到一个预期的准确率。

技术实现思路

[0004]有鉴于此，本说明书一个或多个实施例提供一种对话信息的处理方法及装置、设备、存储介质。
[0005]为实现上述目的，本说明书一个或多个实施例提供技术方案如下：
[0006]根据本说明书一个或多个实施例的第一方面，提出了一种对话信息的处理方法，包括：...

【技术保护点】

【技术特征摘要】
1.一种对话信息的处理方法，其特征在于，包括：获取用户数据，所述用户数据包括用户在至少一轮对话中输入的会话内容和区别于所述会话内容的与所述用户相关的辅助参考信息；对所述会话内容和所述辅助参考信息分别进行特征提取得到相应的特征向量，并将特征向量进行拼接得到表示向量；将所述表示向量输入预设的机器学习模型中，并利用所述机器学习模型的输出信息预测所述用户对预设交互请求的响应结果；如果预测出的响应结果为响应成功，触发针对所述预设交互请求的流程。2.根据权利要求1所述的方法，其特征在于，所述会话内容包括所述用户在当前轮对话中输入的当前会话内容和在历史若干轮对话中输入的历史会话内容；对所述会话内容进行特征提取得到相应的特征向量，包括：提取对应于所述当前会话内容的第一特征向量；将所述历史会话内容转换为词序列，并提取对应于所述词序列的第二特征向量；将所述第一特征向量和所述第二特征向量进行拼接，得到对应于所述会话内容的特征向量。3.根据权利要求2所述的方法，其特征在于，所述提取对应于所述当前会话内容的第一特征向量，包括：对所述当前会话内容进行向量化得到第一文本矩阵；分别采用多个卷积核对所述第一文本矩阵进行卷积处理得到相应的卷积特征向量；将各个卷积核对应的卷积特征向量进行拼接得到所述第一特征向量。4.根据权利要求2所述的方法，其特征在于，所述提取对应于所述词序列的第二特征向量，包括：对所述词序列进行向量化得到第二文本矩阵，并分别采用多个卷积核对所述第二文本矩阵进行卷积处理得到相应的卷积特征向量，以及将各个卷积核对应的卷积特征向量进行拼接以得到对应于所述词序列的第一序列特征向量；采用注意力机制确定所述词序列中各个词对应的词向量的注意力权重向量，并根据所述词序列中各个词分别对应的词向量以及注意力权重向量，得到对应于所述词序列的第二序列特征向量；将所述第一序列特征向量或所述第二序列特征向量作为所述第二特征向量；或者，将所述第一序列特征向量和所述第二序列特征向量进行拼接以得到所述第二特征向量。5.根据权利要求1所述的方法，其特征在于，所述预设交互请求包括业务办理请求；所述如果预测出的响应结果为响应成功，触发针对所述预设交互请求的流程，包括：如果预测出的响应结果为响应成功，将所述对话的人机接口切换至人工客服对话的人工接口，所述业务办理请求由所述人工接口输出。6.根据权利要求5所述的方法，其特征在于，所述业务办理请求包含多种业务类型，针对各个业务类型配置有用于输出相应业务类型的业务办理请求的人工接口；所述如果预测出的响应结果为响应成功，将所述对话的人机接口切换至人工客服对话的人工接口，包括：如果预测出的针对任一业务类型的业务办理请求的响应结果为响应成功，将所述人机接口切换至与该任一业务类型对应的人工接口。
7.根据权利要求1所述的方法，其特征在于，所述预设交互请求包括业务办理请求；所述如果预测出的响应结果为响应成功，触发针对所述预设交互请求的流程，包括：如果预测出的针对所述业务办理请求的响应结果为响应成功，通过所述人机对话的人机接口输出所述业务办理请求以由所述用户进行响应。8.根据权利要求1所述的方法，其特征在于，所述辅助参考信息包括以下至少之一：所述用户的用户画像、所述用户的位置信息、人机对话的时间信息和所述用户对预设交互请求的历史响应结果。9.根据权利要求1所述的方法，其特征在于，所述用户数据还包括针对所述会话内容的意图识别结果。10.一种基于对话信息的机器学习模型训练方法，其特征在于，包括：获取用户的用户样本数据和所述用户对预设交互请求的响应结果，所述用户样本数据包括所述用户在至少一轮对话中输入的会话内容和区别于所述会话内容的与所述用户相关的辅助参考信息；对所述会话内容和所述辅助参考信息分别进行特征提取得到相应的特征向量，并将特征向量进行拼接得到表示向量；使用所述表示向量和所述响应结果训练机器学习模型。11.根据权利要求10所述的方法，其特征在于，所述获取用户的用户样本数据和所述用户对预设交互请求的响应结果，包括：获取用于建立对话的会话系统的系统日志中存储的所述会话内容和所述辅助参考信息。12.根据权利要求10所述的方法，其特征在于，所述会话内容包括所述用户在任一轮对话中输入的会话内容和在对应于所述任一轮对话的历史若干轮对话中输入的历史会话内容；对所述会话内容进行特征提取得到相应的特征向量，包括：提取对应于所述任一轮对话中的会话内容的第一特征向量；将所述历史会话内容转换为词序列，并提取对应于所述词序列的第二特征向量；将所述第一特征向量和所述第二特征向量进行拼接以得到对应于所述会话内容的特征向量。13.根据权利要求12所述的方法，其特征在于，所述提取对应于所述任一轮对话中的会话内容的第一特征向量，包括：对所述任一轮对话中的会话内容进行向量化得到第一文本矩阵；分别采用多个卷积核对所述第一文本矩阵进行卷积处理得到相应的卷积特征向量；将各个卷积核对应的卷积特征向量进行拼接得到所述第一特征向量。14.根据权利要求12所述的方法，其特征在于，所述提取对应于所述词序列的第二特征向量，包括：对所述词序列进行向量化得到第二文本矩阵，并分别采用多个卷积核对所述第二文本矩阵进行卷积处理得到相应的卷积特征向量，以及将各个卷积核对应的卷积特征向量进行拼接以得到对应于所述词序列的第一序列特征向量；采用注意力机制确定所述词序列中各个词对应的词向量的注意力权重向量，并根据所述词序列中各个词分别对应的词向量以及注意力权重向量，得到对应于所述词序列的第二
序列特征向量；将所述第一序列特征向量或所述第二序列特征向量作为所述第二特征向量；或者，将所述第一序列特征向量和所述第二序列特征向量进行拼接以得到所述第二特征向量。15.根据权利要求10所述的方法，其特征在于，所述预设交互请求包括业务办理请求，所述业务办理请求在所述对话的人机接口被切换至人工客服对话的人工接口后，由所述人工接口输出。16.根据权利要求10所述的方法，其特征在于，所述预设交互请求包括业务办理请求；所述业务办理请求由所述对话的人机接口输出。17.根据权利要求1所述的方法，其特征在于，所述辅助参考信息包括以下至少之一：所述用户的用户画像、所述用户的位置信息、对话的时间信息和所述用户对预设交互请求的历史响应结果。18.根据权利要求1所述的方法，其特征在于，所述用户样本数据还包括针对所述会话内容的意图识别结果。19.一种...

【专利技术属性】
技术研发人员：姚树杰，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：