基于人工智能的对话方法、装置、终端及存储介质与流程

本申请涉及人工智能技术领域，特别是涉及一种基于人工智能的对话方法、装置、终端及存储介质。

背景技术：

对话机器人，又称聊天机器人，或者问答系统，是指能够让人和机器之间，使用自然语言的方式进行沟通交流的软件系统。随着以深度学习为代表的人工智能技术的进步，对话机器人系统，迎来了新一轮的发展热潮。目前，对话机器人一定程度上已经能够理解来自用户的自然语言问题所表达的真实语义，甚至可以结合对话过程中的上下文信息，从而给出最合适的答案。正因为此，对话机器人，已经开始在人们的工作和生活中扮演越来越重要的角色，这也使得对话机器人背后的自然语言处理技术被称为人工智能皇冠上的明珠，成为科研界、企业界持续关注的热点方向。

目前，现有市场上的对话机器人主要是根据用户输入的语音信息进行匹配，然后给出相应的答复，而实际上，用户的日常问答过受情绪影响较大，在仅依赖用户的语音信息进行匹配的情况下，机器人给出的答复可能与用户期望的回复差距较大，导致用户丧失对话的兴趣，对话效果不佳。

技术实现要素：

本申请提供一种基于人工智能的对话方法、装置、终端及存储介质，以解决现有对话机器人对话效果不佳的技术问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种基于人工智能的对话方法，包括：当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息；利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值；当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

作为本申请的进一步改进，利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值，包括：从语音信息中提取声纹特征，并从面部图像信息中提取表情特征；将声纹特征输入至声纹预测子模型，得到第一预测概率值，并将表情特征输入至表情预测子模型，得到第二预测概率值；利用第一权重值和第二权重值对第一预测概率值和第二预测概率值进行加权计算，得到感兴趣概率值。

作为本申请的进一步改进，得到用户对当前话题的感兴趣概率值之后，还包括：当感兴趣概率值未达到预设阈值时，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出。

作为本申请的进一步改进，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出，包括：将语音信息转换为文本信息；从文本信息中提取得到文本特征，并将文本特征输入至预先训练好的文本匹配模型，以与话题库中的每个话题进行匹配，得到匹配度最高的话题；将匹配度最高的话题转换为语音并输出。

作为本申请的进一步改进，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出之后，还包括：将当前话题的不感兴趣次数累加一次；每间隔预设时间段，筛选出不感兴趣次数达到预设次数的待替换话题，并提醒工作人员对待替换话题进行更新。

作为本申请的进一步改进，输出当前话题的下一话题之后，还包括：获取用户的满意度评价结果，并将满意度评价结果作为历史训练数据对感兴趣预测模型进行训练。

作为本申请的进一步改进，方法还包括预先训练感兴趣预测模型，具体包括：获取历史训练数据，历史训练数据包括历史语音信息、历史面部图像信息和真实感兴趣结果；从历史语音信息中提取历史声纹特征，并从历史面部图像信息中提取历史表情特征；将历史声纹特征输入至待训练的声纹预测子模型得到第三预测概率值，并将历史表情特征输入至待训练的表情预测子模型得到第四预测概率值；利用待训练的第一权重值和第二权重值对第三预测概率值和第四预测概率值进行加权计算，得到最终预测概率值；根据最终预测概率值确认预测感兴趣结果，再利用预测感兴趣结果与真实感兴趣结果反向更新声纹预测子模型、表情预测子模型、第一权重值和第二权重值，直至达到预设精度。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种基于人工智能的对话装置，包括：采集模块，用于当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息；分析模块，用于利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值；输出模块，用于当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

为解决上述技术问题，本申请采用的再一个技术方案是：提供一种终端，该终端包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行上述中任一项的基于人工智能的对话方法的步骤。

为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述中任一项的基于人工智能的对话方法的程序文件。

本申请的有益效果是：本申请的基于人工智能的对话方法通过在与用户进行人机对话时，每当抛出一个话题，采集一次用户针对该话题进行对话时的语音信息和面部图像信息，用以分析用户对当前话题是否感兴趣，当确认用户对当前话题感兴趣时，才会继续抛出当前话题的下一话题以继续进行对话，并同样分析用户对下一个话题的感兴趣程度，从而确认是否继续抛出下下个话题，其通过分析用户的语音信息和面部图像信息，从而获知用户当前的情绪高低，进而在用户对当前的话题感兴趣的情况下才会继续抛出话题，以避免抛出一些用户不感兴趣的话题导致用户产生不耐烦的情绪，保证了对话的流畅，同时也提高了用户体验。

附图说明

图1是本发明第一实施例的基于人工智能的对话方法的流程示意图；

图2是本发明第二实施例的基于人工智能的对话方法的流程示意图；

图3是本发明第三实施例的基于人工智能的对话方法的流程示意图；

图4是本发明第四实施例的基于人工智能的对话方法的流程示意图；

图5是本发明实施例的基于人工智能的对话装置的功能模块示意图；

图6是本发明实施例的终端的结构示意图；

图7是本发明实施例的存储介质的结构示意图。

具体实施方式

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，所描述的实施例仅是本申请的一部分实施例，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。

本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1是本发明第一实施例的基于人工智能的对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：

步骤s101：当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息。

通常地，现有的智能对话设备上通常设置有麦克风和摄像头，其中麦克风可以采集用户的语音信息，摄像头可以采集用户的面部图像、半身图像、全身图像以及对话所在场景图像等信息。具体地，为了提升智能对话的效率和准确性，可以预先设定多个话题库，每个话题库围绕一个核心关键词设置多个话题，使得在针对于该核心关键词进行对话时，能够快速找出与该核心关键词相关的话题，例如，针对于面试机器人，若要面试销售类工作人员，则可设置与销售有关的话题，如“是否做过销售工作”、“做过哪些销售工作”等。本实施例中，通过在话题库中预先设定多个话题库，每个话题库预先设置多个话题，在进行人机对话时，按照预先设置的话题顺序，依次逐个向用户抛出每个话题，并且，在每次向用户抛出话题后，通过声音传感器采集用户针对于当前话题进行对话时的语音信息，以及摄像头传感器采集用户的面部图像信息。需要理解的是，该采集用户语音信息和面部图像信息的操作发生在每次向用户抛出一个话题之后，因此，每次采集的语音信息和面部图像信息是与每个话题一一对应的。

步骤s102：利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值。

在步骤s102中，在获取到语音信息和面部图像信息之后，从语音信息和面部图像信息中提取特征信息，该特征信息具体包括声纹特征和表情特征，然后将特征信息作为输入值，将其输入值预先训练好的感兴趣预测模型，由感兴趣预测模型根据特征信息预测用户对当前话题的感兴趣程度，以感兴趣概率值来表示该感兴趣程度。需要说明的是，该感兴趣预测模型利用预先准备的历史数据训练得到，该历史数据包括历史语音信息、历史面部图像信息、历史话题以及对历史话题的真实感兴趣结果。

进一步的，声音和表情是反应一个人情绪状态的重要指标，在判断用户的情绪状态是感兴趣还是不耐烦时，可以结合声音和表情两者进行综合判断，因此，在一些实施例中，感兴趣预测模型包括兴趣预测部和加权计算部，兴趣预测部包括预先训练好的声纹预测子模型和表情预测子模型，其中声纹预测子模型用于分析用户的声纹特征，得到基于声音层面的感兴趣预测概率值，表情预测子模型用于分析用户的表情特征，得到基于表情层面的感兴趣预测概率值，加权计算部包括预先训练得到的针对于声纹的第一权重值和针对于表情的第二权重值，用于对声音层面的感兴趣预测概率值和表情层面的感兴趣预测概率值进行加权计算；步骤s102具体包括：

1、从语音信息中提取声纹特征，并从面部图像信息中提取表情特征。

具体地，在获取到用户针对于当前话题的语音信息和面部图像信息后，从语音信息中提取的声纹特征，其包括振幅、基频、共振峰等特征，从面部图像信息中提取表情特征，其包括器官特征、纹理区域等。

2、将声纹特征输入至声纹预测子模型，得到第一预测概率值，并将表情特征输入至表情预测子模型，得到第二预测概率值。

具体地，通过将振幅、基频、共振峰等声纹特征输入至声纹预测子模型，通过分析振幅、基频、共振峰等声纹特征，得到声音层面的第一预测概率值。通过将器官特征、纹理区域等表情特征输入至表情预测子模型，通过分析器官特征、纹理区域等表情特征，得到表情层面的第二预测概率值。

优选地，该声纹预测子模型和表情预测子模型为深度学习模型。

3、利用第一权重值和第二权重值对第一预测概率值和第二预测概率值进行加权计算，得到感兴趣概率值。

具体地，该感兴趣概率值的计算公式如下：

感兴趣概率值＝sigmoid(第一预测概率值*第一权重值+第二预测概率值*第二权重值)；

其中，sigmoid函数用于将加权结果映射到0-1之间。

本实施例中，该感兴趣预测模型就是由声纹预测子模型、表情预测子模型，以及用于融合声纹预测子模型和表情预测子模型的全连接层组成，该全连接层以声纹预测子模型、表情预测子模型所占的第一权重值和第二权重值来表示。通过表示权重的全连接层将声纹预测子模型和表情预测子模型进行融合得到感兴趣预测模型，使得在分析用户对话题的感兴趣程度时，结合用户的声纹特征和表情特征进行合理预测，大大提升了兴趣预测的准确度。

进一步的，在利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息之前，还包括预先训练感兴趣预测模型，其中，训练感兴趣预测模型的步骤具体包括：

1、获取历史训练数据，历史训练数据包括历史语音信息、历史面部图像信息和真实感兴趣结果。

其中，历史语音信息和历史面部图像信息是在进行历史话题时，采集得到，真实感兴趣结果则记录了用户对该历史话题是否真正感兴趣，可以为感兴趣，也可以为不感兴趣。

2、从历史语音信息中提取历史声纹特征，并从历史面部图像信息中提取历史表情特征。

3、将历史声纹特征输入至待训练的声纹预测子模型得到第三预测概率值，并将历史表情特征输入至待训练的表情预测子模型得到第四预测概率值。

4、利用待训练的第一权重值和第二权重值对第三预测概率值和第四预测概率值进行加权计算，得到最终预测概率值。

5、根据最终预测概率值确认预测感兴趣结果，再利用预测感兴趣结果与真实感兴趣结果反向更新声纹预测子模型、表情预测子模型、第一权重值和第二权重值，直至达到预设精度。

其中，声纹预测子模型和表情预测子模型均采用深度学习算法构建，在设置好第一权重值和第二权重值之后，将历史训练数据输入值声纹预测子模型和表情预测子模型进行迭代训练，以对声纹预测子模型、表情预测子模型、第一权重值和第二权重值进行更新。

步骤s103：当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

在步骤s103中，当用户对当前话题的感兴趣概率值达到预设阈值时，即可确认用户对当前话题是感兴趣的，此时即可输出当前话题的下一话题。需要说明的是，该预设阈值预先设置。

本实施例中，当以一个话题与用户进行人机对话时，每次输出下一话题之前，均会根据用户的语音信息和面部图像信息综合分析用户对当前话题的感兴趣程度，当确认用户对当前话题感兴趣时，才会继续输入当前话题的下一话题，使得每次对话均是在用户感兴趣的情况下进行，直至最后一个话题时为止。

本发明第一实施例的基于人工智能的对话方法通过在与用户进行人机对话时，每当抛出一个话题，采集一次用户针对该话题进行对话时的语音信息和面部图像信息，用以分析用户对当前话题是否感兴趣，当确认用户对当前话题感兴趣时，才会继续抛出当前话题的下一话题以继续进行对话，并同样分析用户对下一个话题的感兴趣程度，从而确认是否继续抛出下下个话题，其通过分析用户的语音信息和面部图像信息，从而获知用户当前的情绪高低，进而在用户对当前的话题感兴趣的情况下才会继续抛出话题，以避免抛出一些用户不感兴趣的话题导致用户产生不耐烦的情绪，保证了对话的流畅，同时也提高了用户体验。

图2是本发明第二实施例的基于人工智能的对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限。如图2所示，该方法包括步骤：

步骤s201：当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息。

在本实施例中，图2中的步骤s201和图1中的步骤s101类似，为简约起见，在此不再赘述。

步骤s202：利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值。

在本实施例中，图2中的步骤s202和图1中的步骤s102类似，为简约起见，在此不再赘述。

步骤s203：当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

在本实施例中，图2中的步骤s203和图1中的步骤s103类似，为简约起见，在此不再赘述。

步骤s204：当感兴趣概率值未达到预设阈值时，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出。

需要说明的是，话题库中的每个话题对应有相应的文本，当用户对当前话题的感兴趣概率值未达到预设阈值时，将用户的语音信息转换为文本信息，再利用该文本信息从话题库中的每个话题进行匹配，以查询到与该文本信息匹配度最高的话题并将其输出。

进一步的，步骤s204具体包括：

1、将语音信息转换为文本信息。

2、从文本信息中提取得到文本特征，并将文本特征输入至预先训练好的文本匹配模型，以与话题库中的每个话题进行匹配，得到匹配度最高的话题。

需要说明的是，该文本匹配模型优选为bert模型，该文本匹配模型通过历史文本数据预先训练好。

3、将匹配度最高的话题转换为语音并输出。

本发明第二实施例的基于人工智能的对话方法在第一实施例的基础上，通过在用户对当前话题不感兴趣时，利用语音信息转换得到的文本信息与话题库中的话题进行匹配，再将匹配度最高的话题输出，从而避免继续抛出与当前话题相关的下一话题，避免进一步造成用户的厌烦情绪，进一步提高了用户体验。

图3是本发明第三实施例的基于人工智能的对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图3所示的流程顺序为限。如图3所示，该方法包括步骤：

步骤s301：当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息。

在本实施例中，图3中的步骤s301和图2中的步骤s201类似，为简约起见，在此不再赘述。

步骤s302：利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值。

在本实施例中，图3中的步骤s302和图2中的步骤s202类似，为简约起见，在此不再赘述。

步骤s303：当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

在本实施例中，图3中的步骤s303和图2中的步骤s203类似，为简约起见，在此不再赘述。

步骤s304：当感兴趣概率值未达到预设阈值时，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出。

在本实施例中，图3中的步骤s304和图2中的步骤s204类似，为简约起见，在此不再赘述。

步骤s305：将当前话题的不感兴趣次数累加一次。

在步骤s305中，每个话题均进行不感兴趣次数统计，每当用户对当前话题的感兴趣概率值未达到预设阈值时，说明用户对当前话题的感兴趣程度低，此时将当前话题的不感兴趣次数累计加一。

步骤s306：每间隔预设时间段，筛选出不感兴趣次数达到预设次数的待替换话题，并提醒工作人员对待替换话题进行更新。

在步骤s306中，该预设时间段和预设次数预先设置，在间隔预设时间段后，获取所有话题的不感兴趣次数，当不感兴趣次数达到预设次数时，说明用户对该话题不感兴趣的程度较高，此时则可提醒工作人员对待替换话题进行更新，以更为适应用户的兴趣。

本发明第三实施例的基于人工智能的对话方法在第二实施例的基础上，通过持续为每个话题累计不感兴趣次数，并在预设时间段后，提醒工作人员对用户感兴趣程度较低的话题进行替换，避免影响到用户的对话体验，进而提升用户体验。

图4是本发明第四实施例的基于人工智能的对话方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图4所示的流程顺序为限。如图4所示，该方法包括步骤：

步骤s401：当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息。

在本实施例中，图4中的步骤s401和图1中的步骤s101类似，为简约起见，在此不再赘述。

步骤s402：利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值。

在本实施例中，图4中的步骤s402和图1中的步骤s102类似，为简约起见，在此不再赘述。

步骤s403：当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

在本实施例中，图4中的步骤s403和图1中的步骤s103类似，为简约起见，在此不再赘述。

步骤s404：获取用户的满意度评价结果，并将满意度评价结果作为历史训练数据对感兴趣预测模型进行训练。

在步骤s404中，在与用户对话完成之后，邀请用户对此次对话的内容进行满意度评价，在获取到用户的满意度评价结果之后，根据该满意度评价结果确认本次对话的内容是否为用户感兴趣的内容，然后再将该满意度评价结果作为历史训练数据以对感兴趣预测模型进行再训练。

本发明第四实施例的基于人工智能的对话方法在第一实施例的基础上，通过统计、总结日常与用户的对话结果，并依次作为历史训练数据对感兴趣预测模型进行再训练，以提升感兴趣预测模型的预测准确性。

图5是本发明实施例的基于人工智能的对话装置的功能模块示意图。如图5所示，该装置50包括采集模块51、分析模块52和输出模块53。

采集模块51，用于当开始与用户进行对话时，依次逐个输出预设话题库中的每个话题，并在每输出一个话题时，采集用户针对于当前话题的语音信息和面部图像信息；

分析模块52，用于利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值；

输出模块53，用于当感兴趣概率值达到预设阈值时，输出当前话题的下一话题。

可选地，分析模块52执行利用预先训练好的感兴趣预测模型分析语音信息和面部图像信息，以得到用户对当前话题的感兴趣概率值的操作还可以为：从语音信息中提取声纹特征，并从面部图像信息中提取表情特征；将声纹特征输入至声纹预测子模型，得到第一预测概率值，并将表情特征输入至表情预测子模型，得到第二预测概率值；利用第一权重值和第二权重值对第一预测概率值和第二预测概率值进行加权计算，得到感兴趣概率值。

可选地，在分析模块52得到用户对当前话题的感兴趣概率值之后，输出模块53还用于：当感兴趣概率值未达到预设阈值时，将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出。

可选地，输出模块53执行将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出的操作还可以为：将语音信息转换为文本信息；从文本信息中提取得到文本特征，并将文本特征输入至预先训练好的文本匹配模型，以与话题库中的每个话题进行匹配，得到匹配度最高的话题；将匹配度最高的话题转换为语音并输出。

可选地，输出模块53执行将语音信息转换为文本信息后，从话题库中查询与文本信息匹配度最高的话题并输出的操作之后，还用于：将当前话题的不感兴趣次数累加一次；每间隔预设时间段，筛选出不感兴趣次数达到预设次数的待替换话题，并提醒工作人员对待替换话题进行更新。

可选地，输出模块53执行输出当前话题的下一话题的操作之后，还用于：获取用户的满意度评价结果，并将满意度评价结果作为历史训练数据对感兴趣预测模型进行训练。

可选地，其还包括训练模块，用于预先训练感兴趣预测模型，训练模块训练感兴趣预测模型的操作具体包括：获取历史训练数据，历史训练数据包括历史语音信息、历史面部图像信息和真实感兴趣结果；从历史语音信息中提取历史声纹特征，并从历史面部图像信息中提取历史表情特征；将历史声纹特征输入至待训练的声纹预测子模型得到第三预测概率值，并将历史表情特征输入至待训练的表情预测子模型得到第四预测概率值；利用待训练的第一权重值和第二权重值对第三预测概率值和第四预测概率值进行加权计算，得到最终预测概率值；根据最终预测概率值确认预测感兴趣结果，再利用预测感兴趣结果与真实感兴趣结果反向更新声纹预测子模型、表情预测子模型、第一权重值和第二权重值，直至达到预设精度。

关于上述实施例基于人工智能的对话装置中各模块实现技术方案的其他细节，可参见上述实施例中的基于人工智能的对话方法中的描述，此处不再赘述。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

请参阅图6，图6为本发明实施例的终端的结构示意图。如图6所示，该终端60包括处理器61及和处理器61耦接的存储器62，存储器62中存储有程序指令，程序指令被处理器61执行时，使得处理器61执行上述任一实施例所述的基于人工智能的对话方法的步骤。

其中，处理器61还可以称为cpu(centralprocessingunit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

参阅图7，图7为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序文件71，其中，该程序文件71可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。