【技术实现步骤摘要】
本申请实施例涉及人工智能，特别是涉及一种对话语句重写方法、装置、计算机设备及存储介质。
技术介绍
1、随着人工智能技术的飞速发展，特别是语音识别和自然语言理解技术的突破，众多先进的机器学习技术逐渐落地于各类实际生产之中。其中，多轮对话技术作为一门新兴的人机交互方式，突破了键盘鼠标接触交互的限制，更加贴近于人与人的对话交流方式，进而被广泛应用于各种人机交互场景。
2、然而，常见的多轮对话中，因为用户在句子间倾向于使用不完整的表达，通常会忽略对话上下文中出现的实体或概念，即“共指消解”，而超过70％的对话存在“共指消解”，因此用户普遍要求对话系统必须要有“共指消解”的处理能力。但要实现“共指消解”的处理能力，主要方法有基于生成的方法。其中，基于生成的方法大多数采用指针网络或具有复制机制的生成模型，这些模型通过逐字解码来生成重写的句子，但是它们都忽略了一个关键特征，即大部分情况下重写句子的主干结构与原句相同，致使其效果和速度都不理想。
3、因此，现有的对话语句重写技术存在着重写准确率不高的技术问题。
技术实现思路
1、本申请的目的在于提供一种对话语句重写方法、装置、计算机设备及存储介质，用以提升对话语句重写准确率，获取精度更高、表达更完整的重写语句。
2、第一方面，本申请提供一种对话语句重写方法，包括：
3、获取目标会话中的对话信息；其中，目标会话为第一用户与第二用户之间的会话，对话信息包括第一用户的第一对话语句，以及第二用户的第二对话语句
4、基于预设的用户编码信息，对第一对话语句和第二对话语句进行编码标记处理，得到对话信息的目标特征向量矩阵；
5、对目标特征向量矩阵进行解码处理，以识别提取出对话信息中的各个最长公共子串，组合得到对话信息的重写语句信息。
6、在本申请一些实施例中，基于预设的用户编码信息，对第一对话语句和第二对话语句进行编码标记处理，得到对话信息的目标特征向量矩阵，包括：基于预设的加密字符串，对第一对话语句和第二对话语句进行拼接处理，得到拼接后的对话语句；通过已训练的顺序贪心算法模型，分析拼接后的对话语句，得到目标特征向量矩阵。
7、在本申请一些实施例中，已训练的顺序贪心算法模型是由bert输入层、bert编码层、线性转换层以及softmax层构成的；其中，通过已训练的顺序贪心算法模型，分析拼接后的对话语句，得到目标特征向量矩阵，包括：通过bert输入层和bert编码层，分析拼接后的对话语句，得到第一特征向量矩阵；基于预设的用户编码信息，处理第一特征向量矩阵，以对第一对话语句和第二对话语句进行编码标记处理，得到目标特征向量矩阵。
8、在本申请一些实施例中，通过bert输入层和bert编码层，分析拼接后的对话语句，得到第一特征向量矩阵，包括：将拼接后的对话语句输入至bert输入层，得到词嵌入特征向量、片段区分编码特征向量以及位置编码特征向量；将词嵌入特征向量、片段区分编码特征向量以及位置编码特征向量输入至bert编码层，得到第一特征向量矩阵。
9、在本申请一些实施例中，用户编码信息包括对应于第一用户的第一编码信息，以及对应于第二用户的第二编码信息；其中，基于预设的用户编码信息，处理第一特征向量矩阵，以对第一对话语句和第二对话语句进行编码标记处理，得到目标特征向量矩阵，包括：将第一编码信息和第二编码信息，分别与第一特征向量矩阵进行拼接处理，以对第一对话语句和第二对话语句进行编码标记处理，得到第二特征向量矩阵；将第二特征向量矩阵输入至线性转换层，以利用预设的权重矩阵对第二特征向量矩阵进行叠加处理，得到目标特征向量矩阵；其中，目标特征向量矩阵用于被输入至softmax层中进行归一化处理，得到用于预测重写语句信息的概率得分信息。
10、在本申请一些实施例中，在基于预设的用户编码信息，对第一对话语句和第二对话语句进行编码标记处理，得到对话信息的目标特征向量矩阵之前，还包括：构建初始的顺序贪心算法模型，初始的顺序贪心算法模型是由bert输入层、bert编码层、线性转换层以及softmax层构成的；获取对话语句数据集，并将对话语句数据集划分为训练集和测试集；其中，对话语句数据集中包含多组已标注最长公共子串的对话语句；最长公共子串是根据对话语句与对应所需的重写语句确定的；使用训练集，对初始的顺序贪心算法模型进行初步训练，得到初步训练后的顺序贪心算法模型；使用测试集，对初步训练后的顺序贪心算法模型进行测试，得到已训练的顺序贪心算法模型。
11、在本申请一些实施例中，对目标特征向量矩阵进行解码处理，以识别提取出对话信息中的各个最长公共子串，组合得到对话信息的重写语句信息，包括：获取目标特征向量矩阵的概率得分信息；根据概率得分信息，对目标特征向量矩阵进行解码处理，以识别提取出第一对话语句和第二对话语句中的各个最长公共子串，组合得到对话信息的重写语句信息。
12、第二方面，本申请提供一种对话语句重写装置，包括：
13、对话获取模块，用于获取目标会话中的对话信息；其中，目标会话为第一用户与第二用户之间的会话，对话信息包括第一用户的第一对话语句，以及第二用户的第二对话语句；
14、对话处理模块，用于基于预设的用户编码信息，对第一对话语句和第二对话语句进行编码标记处理，得到对话信息的目标特征向量矩阵；
15、对话重写模块，用于对目标特征向量矩阵进行解码处理，以识别提取出对话信息中的各个最长公共子串，组合得到对话信息的重写语句信息。
16、第三方面，本申请还提供一种计算机设备，包括：
17、一个或多个处理器；
18、存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述对话语句重写方法。
19、第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行对话语句重写方法中的步骤。
20、第五方面，本申请实施例提供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提供的方法。
21、上述对话语句重写方法、装置、计算机设备及存储介质，服务器通过获取目标会话中第一用户的第一对话语句，以及第二用户的第二对话语句，即可基于预设的用户编码信息，对第一对话语句和第二对话语句进行编码标记处理，得到对话信息的目标特征向量矩阵，然后对目标特征向量矩阵进行解码处理，以识别提取出对话信息中的各个最长公共子串，最终组合得到对话信息的重写语句信息。由此，本申请提出应用可区分对话人的用户编码信息，来从向量解析角度实现不完整话语重写，而非着手于常规性的连接词补全，可有效提升对话语句重写准确率。
本文档来自技高网...【技术保护点】
1.一种对话语句重写方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于预设的用户编码信息，对所述第一对话语句和所述第二对话语句进行编码标记处理，得到所述对话信息的目标特征向量矩阵，包括：
3.如权利要求2所述的方法，其特征在于，所述已训练的顺序贪心算法模型是由BERT输入层、BERT编码层、线性转换层以及SoftMax层构成的；
4.如权利要求3所述的方法，其特征在于，所述通过所述BERT输入层和所述BERT编码层，分析所述拼接后的对话语句，得到第一特征向量矩阵，包括：
5.如权利要求3所述的方法，其特征在于，所述用户编码信息包括对应于所述第一用户的第一编码信息，以及对应于所述第二用户的第二编码信息；
6.如权利要求1-5中任一项所述的方法，其特征在于，在所述基于预设的用户编码信息，对所述第一对话语句和所述第二对话语句进行编码标记处理，得到所述对话信息的目标特征向量矩阵之前，还包括：
7.如权利要求1所述的方法，其特征在于，所述对所述目标特征向量矩阵进行解码处理，以识别提取出所述对话信
8.一种对话语句重写装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7中任一项所述的对话语句重写方法的步骤。
...【技术特征摘要】
1.一种对话语句重写方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述基于预设的用户编码信息，对所述第一对话语句和所述第二对话语句进行编码标记处理，得到所述对话信息的目标特征向量矩阵，包括：
3.如权利要求2所述的方法，其特征在于，所述已训练的顺序贪心算法模型是由bert输入层、bert编码层、线性转换层以及softmax层构成的；
4.如权利要求3所述的方法，其特征在于，所述通过所述bert输入层和所述bert编码层，分析所述拼接后的对话语句，得到第一特征向量矩阵，包括：
5.如权利要求3所述的方法，其特征在于，所述用户编码信息包括对应于所述第一用户的第一编码信息，以及对应于所述第二用户的第二编码信...
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。