人机对话的方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种人机对话的方法、装置、设备以及存储介质，涉及人工智能技术领域。该人机对话的方法包括：根据用户相关的文本内容，提取该用户的心理特征向量；对该用户输入的语句进行处理，获取该语句的词嵌入向量；将该心理特征向量和词嵌入向量输入训练好的第一神经网络模型中，得到针对该语句的第一候选答复；根据该第一候选答复，确定针对该语句的最终答复。由于该第一候选答复融合了用户的心理特征，因此本申请实施例得到的针对用户输入语句的答复具有较好的共情能力，并且能够满足用户的心理需求，从而有助于提高人机对话的人性化程度。的人性化程度。的人性化程度。

【技术实现步骤摘要】
人机对话的方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能领域，并且更具体地，涉及人机对话的方法、装置、设备以及存储介质。

技术介绍

[0002]人机对话是实现人类与计算机之间顺畅沟通的核心技术，也是人工智能发展的终极目标之一。近年随着对话技术研究的持续深入，人机对话逐渐走入大众视野，为人们日常生活带来了极大便利。从智能客服到个性化聊天，从情感陪护到社交机器人，人机对话为信息获取带来了全新的智能化变革，也极大地促进了自然语言处理技术的研究和应用。
[0003]但是，当前的人机对话往往生成过于官方或刻板的对话答复，导致人机对话的人性化程度较低。

技术实现思路

[0004]本申请实施例提供了一种人机对话的方法、装置、设备以及存储介质，能够基于用户的心理特征对用户的提问进行答复，有助于切身地为用户提供满足用户心理需求的答复，进而提高人机对话的人性化程度。
[0005]第一方面，本申请实施例提供了一种人机对话的方法，包括：
[0006]根据用户相关的文本内容，提取所述用户的心理特征向量；
[0007]对所述用户输入的语句进行处理，获取所述语句的词嵌入向量；
[0008]将所述心理特征向量和所述词嵌入向量输入训练好的第一神经网络模型中，得到针对所述语句的第一候选答复；其中，所述第一神经网络模型是根据用户样本的心理特征、所述用户样本的人机对话数据样本训练得到的；
[0009]根据所述第一候选答复，确定针对所述语句的最终答复。
[0010]第二方面，本申请实施例提供了一种人机对话的装置，其特征在于，包括：
[0011]提取单元，用于根据用户相关的文本内容，提取所述用户的心理特征向量；
[0012]获取单元，用于对所述用户输入的语句进行处理，获取所述语句的词嵌入向量；
[0013]第一神经网络模型，用于将所述心理特征向量和所述词嵌入向量输入训练好的第一神经网络模型中，得到针对所述语句的第一候选答复；其中，所述第一神经网络模型是根据用户样本的心理特征、所述用户样本的人机对话数据样本训练得到的；
[0014]确定单元，用于根据所述第一候选答复，确定针对所述语句的最终答复。
[0015]第三方面，本申请实施例提供了一种电子设备，包括：
[0016]处理器，适于实现计算机指令；以及，
[0017]存储器，存储有计算机指令，计算机指令适于由处理器加载并执行上述第一方面的方法。
[0018]第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被计算机设备的处理器读取并执行时，使得计算机设
备执行上述第一方面的方法。
[0019]第五方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面的方法。
[0020]基于以上技术方案，本申请实施例通过将用户的心理特征向量和输入语句的词嵌入向量输入至训练好的第一神经网络模型模型中，能够得到融合了用户的心理特征的第一候选答复，进而根据该第一候选答复得到针对用户输入语句的最终答复。由于该第一候选答复融合了用户的心理特征，因此根据该第一候选答复得到的最终答复具有较好的共情能力，并且能够满足用户的心理需求，从而有助于提高人机对话的人性化程度。
附图说明
[0021]图1为本申请实施例涉及的一种系统架构的示意图；
[0022]图2为本申请实施例提供的一种人机对话的方法的示意流程图；
[0023]图3为本申请实施例提供的一种可适用的网络架构的示意图；
[0024]图4为本申请实施例提供的另一种人机对话的方法的示意流程图；
[0025]图5为本申请实施例提供的另一种可适用的网络架构的示意图；
[0026]图6为本申请实施例提供的另一种人机对话的方法的示意流程图；
[0027]图7为本申请实施例提供的另一种可适用的网络架构的示意图；
[0028]图8为本申请实施例提供的另一种人机对话的方法的示意流程图；
[0029]图9为本申请实施例提供的另一种可适用的网络架构的示意图；
[0030]图10为本申请实施例提供的融合注意力机制的Seq2Seq模型的一个示意图；
[0031]图11为本申请实施例提供的另一种人机对话的方法的示意流程图；
[0032]图12为本申请实施例提供的另一种人机对话的方法的示意流程图；
[0033]图13为本申请实施例提供的一种人机对话的装置的示意性框图；
[0034]图14为本申请实施例提供的电子设备的示意性框图。
具体实施方式
[0035]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的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。
[0036]应理解，在本申请实施例中，“与A对应的B”表示B与A相关联。在一种实现方式中，可以根据A确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
[0037]在本申请的描述中，除非另有说明，“至少一个”是指一个或多个，“多个”是指两个或多于两个。另外，“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表
达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a
‑
b,a
‑
c,b
‑
c,或a
‑
b
‑
c，其中a,b,c可以是单个，也可以是多个。
[0038]还应理解，本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
[0039]还应理解，说明书中与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
[0040]此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人机对话的方法，其特征在于，包括：根据用户相关的文本内容，提取所述用户的心理特征向量；对所述用户输入的语句进行处理，获取所述语句的词嵌入向量；将所述心理特征向量和所述词嵌入向量输入训练好的第一神经网络模型中，得到针对所述语句的第一候选答复；其中，所述第一神经网络模型是根据用户样本的心理特征、所述用户样本的人机对话数据样本训练得到的；根据所述第一候选答复，确定针对所述语句的最终答复。2.根据权利要求1所述的方法，其特征在于，还包括：将所述词嵌入向量输入训练好的第二神经网络模型中，得到针对所述语句的第二候选答复；其中，所述第二神经网络模型使用与教师模型相同的温度参数，并根据所述用户样本的人机对话数据样本、所述用户样本在教师模型输出的软目标进行训练得到的，所述教师模型是根据所述用户样本的人机对话数据样本训练得到的；其中，所述根据所述第一候选答复，确定针对所述语句的最终答复，包括：根据所述第一候选答复和所述第二候选答复，确定所述最终答复。3.根据权利要求2所述的方法，其特征在于，还包括：获取人机对话数据集；根据所述用户输入的语句，获取心理词条；基于所述心理词条在所述人机对话数据集中的频率，确定所述语句与所述人机对话数据集中备选答复的相似度，并根据所述相似度在所述备选答复中确定针对所述语句的第三候选答复；其中，根据所述第一候选答复和所述第二候选答复，确定所述最终答复，包括：根据所述第一候选答复、所述第二候选答复和所述第三候选答复，确定所述最终答复。4.根据权利要求1所述的方法，其特征在于，所述心理特征向量包括所述用户的人格特征向量、抑郁倾向性特征向量和自杀倾向特征向量中的至少一种。5.根据权利要求4所述的方法，在所述心理特征向量包括所述人格特征向量时，所述根据用户相关的文本内容，提取所述用户的心理特征向量，包括：对于所述文本内容中的第i条消息中的每一个单词，通过第一GRU单元获取所述每个单词的隐藏状态，其中i为正整数；利用第一注意力机制对所述每个单词的隐藏状态进行加权求和，并通过第二GRU单元得到所述第i条消息的隐藏状态；利用第二注意力机制对所述文本内容的每条消息的隐藏状态进行加权求和，并通过全连接层得到所述用户的人格特征向量。6.根据权利要求4所述的方法，其特征在于，在所述心理特征向量包括所述抑郁倾向性特征向量时，所述根据用户相关的文本内容，提取所述用户的心理特征向量，包括：从所述文本内容中提取抑郁倾向性的特征词语；通过第三GRU单元获取所述抑郁倾向性的特征词语中每个特征词语的隐藏状态；利用第三注意力机制对所述每个特征词语的隐藏状态进行加权求和，并通过全连接层得到...

【专利技术属性】
技术研发人员：徐博，郝德志，宗林林，林鸿飞，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：