话术生成方法、装置、设备及存储介质与流程

1.本技术涉及人工智能领域，尤其涉及一种话术生成方法、装置、设备及存储介质。


背景技术：

2.近年来，随着互联网技术的发展，传统的医疗领域也逐步进入了互联网时代，越来越多的医疗机构通过互联网提供医疗服务。其中，在线问诊服务得到了越来越多的关注。区别于传统的线下问诊，在线问诊服务可以更加方便、快捷的为患者提供优质的医疗服务。而在在线问诊的过程中，医生需要使用标准化回复与患者进行对话，从而规范问诊流程，因此需要借助一些话术库中的话术来方便医生进行回复。


技术实现要素：

3.本技术提供了一种话术生成方法、装置、设备及存储介质，以自动生成医生会话的话术。
4.第一方面，本技术提供了一种话术生成方法，所述方法包括：
5.获取历史医患数据，所述历史医患数据包括医患对话数据和患者信息；
6.对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量；
7.基于所述患者信息提取与所述患者信息对应的患者特征，并根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量；
8.将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量；
9.对所述话术综合向量进行聚类分析以自动生成医生话术。
10.第二方面，本技术还提供了一种话术生成装置，所述装置包括：
11.数据获取模块，用于获取历史医患数据，所述历史医患数据包括医患对话数据和患者信息；
12.第一编码模块，用于对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量；
13.第二编码模块，用于基于所述患者信息提取与所述患者信息对应的患者特征，并根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量；
14.编码合并模块，用于将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量；
15.聚类分析模块，用于对所述话术综合向量进行聚类分析以自动生成医生话术。
16.第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的话术生成方法。
17.第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的话术生成
方法。
18.本技术公开了一种话术生成方法、装置、设备及存储介质，通过获取历史医患数据，历史医患数据包括医患对话数据和患者信息，然后对医患对话数据进行编码信息提取，得到医生会话的第一编码向量，以及基于患者信息提取与患者信息对应的患者特征，并根据患者特征和医患对话数据得到医生会话的第二编码向量，最后将第一编码向量和第二编码向量进行合并，以得到医生会话的话术综合向量，并对所述话术综合向量进行聚类分析以自动生成医生话术。基于不同的信息来生成医生会话的编码向量，使得得到的医生会话的话术综合向量能够包括不同维度的特征，不仅能够根据历史数据自动生成医生会话的话术，还能够提高所生成的医生会话的话术的适用性。
附图说明
19.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本技术实施例提供的一种话术生成方法的示意流程图；
21.图2是本技术实施例提供的基于医患对话数据确定医生会话的第一编码向量的步骤示意流程图；
22.图3是本技术实施例提供的基于患者信息确定医生会话的第二编码向量的步骤示意流程图；
23.图4为本技术实施例提供的一种话术生成装置的示意性框图；
24.图5为本技术实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
25.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
26.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
27.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
28.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.本技术的实施例提供了一种话术生成方法、装置、计算机设备及存储介质。话术生成方法可针对心理科在线问诊场景，通过对真实的医生和患者的问诊对话数据，也即历史医患数据的分析，自动生成医生话术。
30.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的
实施例及实施例中的特征可以相互组合。
31.请参阅图1，图1是本技术实施例提供的一种话术生成方法的示意流程图。该话术生成方法通过从多个角度生成医生会话的不同向量，再基于向量应用聚类算法，自动生成心理科医生话术库，一方面实现了话术的自动生成，另一方面综合多方面生成话术也能够提高生成话术的适用性。
32.如图1所示，该话术生成方法可以包括步骤s101至步骤s105。
33.s101、获取历史医患数据，所述历史医患数据包括医患对话数据和患者信息。
34.获取历史医患数据，历史医患数据中包括了医患对话数据，医患对话数据包括医生会话数据和患者会话数据。其中，医生会话数据是指在医生与患者对话问诊的过程中医生所说的话，患者会话数据则是指医生与患者对话问诊的过程中患者所说的话。
35.历史医患数据中还包括患者信息。其中，患者信息可以是在医生与患者对话问诊过程中得到的，也可以是患者预先在问诊平台上填写的。患者信息可以包括年龄、性别、职业、婚姻状态、生育状况等。
36.另外，历史医患数据中还可以包括医生对患者的诊断结果。其中，诊断结果可以是在医生与患者对话问诊过程中得到的，也可以是医生在问诊结束后在问诊平台上填写的。
37.s102、对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量。
38.其中，医患对话数据包括医生会话数据。通过对医生会话数据进行编码等处理，确定出在问诊过程中医生所说的每句话的编码向量，也即医生会话的第一编码向量。
39.在一实施例中，所述医患对话数据包括医生会话数据，所述第一编码向量包括文本向量。如图2所示，基于所述医患对话数据确定医生会话的第一编码向量的步骤可以包括：s1021、对所述医生会话数据进行特征转换，得到所述医生会话的语言特征；s1022、对所述语言特征进行降维处理，得到所述医生会话的文本向量。
40.医生会话的文本向量是指医生会话的相似度，也即医生在问诊对话过程中所说的话在文本字面层面上的相似度。确定医生会话的文本向量，可以在聚类时将文本字面相似度较高的医生会话作为同一类医生话术。
41.在具体实施过程中，首先对医生会话数据中的医生会话进行特征转换，从而得到医生会话的语言特征。例如可以将医生会话数据中医生的每句话都转换为n-gram特征，其中n可以取2、3、4中的任一值，通过n-gram特征来描述医生会话的文本字面含义。
42.然后再对语言特征进行降维处理，将高维的语言特征映射为低维特征，从而通过这种降维处理的方式来捕获每个医生会话中文本字面中的显著特征。在具体实施过程中，可以使用非监督学习训练模型来对语言特征进行降维处理。例如可以构造自编码器，将语言特征作为该自编码器的输入，自编码器将高维的语言特征(例如语言特征有m维)映射为低维的k维特征(k远小于m)，并输出医生会话数据中医生每句话的低维向量，然后根据医生会话数据中每句话的低维向量得到该医生会话的文本向量。
43.例如，若医生编号为i，降维处理后的维度为k维，那么医生会话的文本向量可以表示为si＝(s
i1
,s
i2
,s
i3
,
…
,s
ik
)。
44.在一实施例中，所述第一编码向量包括诊断目标向量；所述基于所述医患对话数据确定医生会话的第一编码向量的步骤可以包括：将医生会话数据输入至预先训练的多分类模型，将所述预先训练的多分类模型的隐藏层输出的编码向量作为所述医生会话的诊断
目标向量。
45.其中，该预先训练的多分类模型是指根据医生会话数据来得到医生的诊断结果，然后根据该诊断结果对医生会话数据进行分类，在聚类时可以将相同诊断结果的医生会话作为同一类医生话术。
46.在具体实施过程中，历史医患数据中还可以包括医生对患者的诊断结果，因此可以根据历史医患数据中的医生会话数据和对应的诊断结果对多层感知器网络进行训练。在训练时，可以使用有监督学习的方式进行训练，将医生会话数据中的医生会话作为多层感知器网络的输入，将诊断结果作为多层感知器网络的输出，将训练完成的多层感知器网络作为预先训练的多分类模型。
47.将医生会话数据输入至该预先训练的多分类模型中，将多分类模型中隐藏层的输出作为该医生会话的诊断目标向量。
48.例如，若医生编号为i，该预先训练的多分类模型的最后一个隐藏层设置为k维，那么医生会话的诊断目标向量可以表示为di＝(d
i1
,d
i2
,d
i3
,
…
,d
ik
)。
49.s103、基于所述患者信息提取与所述患者信息对应的患者特征，并根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量。
50.在心理科问诊领域，对于一些具有相似信息的患者，医生的话存在共性，以解决特定患者分组的心理科问诊问题。例如相同的性别、相同年龄或者相同职业的患者。因此，可以基于患者信息对问诊过程中医生的话进行描述，得到医生会话的第二编码向量。
51.获取患者信息，患者信息可以是从医生与患者对话问诊过程中得到的，也可以是从患者预先在问诊平台上填写的信息中直接读取的。然后对于每个问诊过程中的患者信息构造所对应的患者特征。
52.在具体实施过程中，可以对患者信息进行特征转换，从而得到患者信息对应的患者特征。例如可以将患者信息转换为n-gram特征，其中n可以取2、3、4中的任一值。还可以对患者信息使用语言模型提取患者信息所对应的患者特征。
53.在一实施例中，所述第二编码向量包括患者信息向量；请参阅图3，图3是本技术实施例提供的基于患者信息确定所述医生会话的第二编码向量的步骤示意流程图。所述基于患者信息确定所述医生会话的第二编码向量的步骤可以包括：s1031、根据所述患者特征对所述医患对话数据进行分类，得到多个类别的医生会话数据；s1032、基于多个类别的所述医生会话数据对所述患者特征进行降维处理，得到每个类别所述医生会话的患者信息向量。
54.在得到患者特征后，根据患者特征对医患对话数据进行分类，将同一类型的患者的医生会话数据归为一类，得到多个类别的医生会话数据。其中，可以理解的是，每个类别的医生会话数据可以有重复或交叉。也即是说，同一个医生会话数据可以同时属于一个以上的类别。
55.然后对于每个类别的医生会话数据，分别对其所对应的患者特征进行降维处理，将高维的患者特征映射为低维特征，得到医生会话的患者信息向量。在具体实施过程中，可以使用非监督学习训练模型来对患者特征进行降维处理。例如可以构造自编码器，将患者特征作为该自编码器的输入，自编码器将高维的患者特征(例如患者特征有m维)映射为低维的k维特征(k远小于m)，并输出该医生会话的患者信息向量。
56.另外，可以理解的是，对于一次问诊过程中，医生会话中的每句话的患者信息向量是相同的。因此，若医生编号为i，降维处理后的维度为k维，那么医生会话的患者信息向量可以表示为pi＝(p
i1
,p
i2
,p
i3
,
…
,p
ik
)。
57.在一实施例中，所述医患对话数据包括患者会话数据，在所述根据所述第一编码向量和所述第二编码向量确定所述医生会话的话术综合向量之前，所述方法包括：将所述患者会话数据的向量表示输入至预先训练的语言模型，得到所述患者会话数据的向量表示；对所述患者会话数据的向量表示进行降维处理，得到所述医生会话的上下文向量。
58.医患对话数据可以包括医生会话数据和患者会话数据，由于在实际问诊的过程中，患者的话和医生的话之间可能会存在上下文的关系，相似含义的患者的话可能会对应到同一句医生的话。因此，可以对患者会话数据进行编码，利用患者的话来表示医生的话的上下文向量。
59.在具体实施过程中，在每个对话中，可以将医生的话出现时的前n句患者的话作为医生的话的上下文信息，其中n可以取2或者3。然后应用医生的话的上下文信息对医生的话进行表示，也即利用医生的话出现时的前n句患者的话对医生的话进行表示。
60.可以应用预先训练的语言模型来对患者会话数据进行向量表示。例如，可以将某句医生的话的前n句患者的话进行按照顺序进行拼接，然后输入到预训练语言模型，例如bert模型中，将预训练语言模型的第一个token输出的m维向量作为患者会话数据的向量表示。
61.然后对患者会话数据的向量表示进行降维处理，将m维的患者会话数据降维到k维，得到医生会话的上下文向量。例如，若医生编号为i，降维处理后的维度为k维，那么医生会话的上下文向量可以表示为ci＝(c
i1
,c
i2
,c
i3
,
…
,c
ik
)。
62.s104、将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量。
63.对于每句医生的话，都可以得到相对应的第一编码向量和第二编码向量，然后将得到的第一编码向量和第二编码向量进行合并，即可得到医生会话的话术综合向量。
64.在一实施例中，所述根据所述第一编码向量和所述第二编码向量确定所述医生会话的话术综合向量的步骤可以包括：获取所述第一编码向量对应的第一权重和所述第二编码向量对应的第二权重；基于所述第一权重和所述第二权重对所述第一编码向量和所述第二编码向量进行加权合并，得到所述医生会话的话术综合向量。
65.获取第一编码向量所对应的第一权重和第二编码向量对应的第二权重，分别根据各自的权重将第一编码向量和第二编码向量进行加权综合，从而得到医生会话的话术综合向量。
66.例如，若第一编码向量为mi，第一编码向量对应的权重为wm，第二编码向量为ni，第二编码向量对应的权重为wn。那么最终得到的医生会话的话术综合向量vi＝wm*mi+wn*ni。其中，wm+wn＝1。
67.s105、对所述话术综合向量进行聚类分析以自动生成医生话术。
68.根据医生会话的话术综合向量对医生会话进行聚类分析，将每个聚类的医生会话归为一类，然后根据每个聚类来自动生成医生话术。
69.在一实施例中，所述对所述话术综合向量进行聚类分析以自动生成医生话术的步
骤可以包括：对所述话术综合向量进行聚类分析，得到所述医生会话的多个聚类簇；根据每个所述聚类簇中所述医生会话的文本向量生成所述聚类簇的医生话术。
70.在对话术综合向量进行聚类分析时，可以使用dbscan聚类算法，对医生会话进行聚类。在具体实施过程中，可以从医生会话的话术综合向量中任意选择一个话术综合向量，然后根据预设的聚类参数，以该选择出的话术综合向量作为核心点，找出所有从该选择出的话术综合向量密度可达的其他话术综合向量点，从而得到一个聚类簇。重复执行该步骤，直至所有的话术综合向量都被归为聚类簇中。另外，如果选择的话术综合向量是边缘点，则另外选择一个话术综合向量作为核心点。
71.在得到医生会话的多个聚类簇后，根据每个聚类簇中医生会话的文本向量来生成医生话术。例如，可以将文本向量最集中的医生的话作为该聚类的医生的话的代表，从而将该文本向量最集中的医生的话作为生成的医生话术。
72.上述实施例提供的话术生成方法，通过获取历史医患数据，历史医患数据包括医患对话数据和患者信息，然后对医患对话数据进行编码信息提取，得到医生会话的第一编码向量，以及基于患者信息提取与患者信息对应的患者特征，并根据患者特征和医患对话数据得到医生会话的第二编码向量，最后将第一编码向量和第二编码向量进行合并，以得到医生会话的话术综合向量，并对所述话术综合向量进行聚类分析以自动生成医生话术。基于不同的信息来生成医生会话的编码向量，使得得到的医生会话的话术综合向量能够包括不同维度的特征，不仅能够根据历史数据自动生成医生会话的话术，还能够提高所生成的医生会话的话术的适用性。
73.请参阅图4，图4是本技术的实施例还提供一种话术生成装置的示意性框图，该话术生成装置用于执行前述的话术生成方法。其中，该话术生成装置可以配置于服务器或终端中。
74.其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
75.如图4所示，话术生成装置200包括：数据获取模块201、第一编码模块202、第二编码模块203、编码综合模块204和聚类分析模块205。
76.数据获取模块201，用于获取历史医患数据，所述历史医患数据包括医患对话数据和患者信息。
77.第一编码模块202，用于对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量。
78.第二编码模块203，用于基于所述患者信息提取与所述患者信息对应的患者特征，并根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量。
79.编码合并模块204，用于将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量。
80.聚类分析模块205，用于对所述话术综合向量进行聚类分析以自动生成医生话术。
81.在一实施例中，所述医患对话数据包括医生会话数据，所述第一编码向量包括文本向量；第一编码模块202包括特征转换子模块2021和降维处理子模块2022。
82.其中，特征转换子模块2021用于对所述医生会话数据进行特征转换，得到所述医生会话的语言特征；降维处理子模块2022用于对所述语言特征进行降维处理，得到所述医
生会话的文本向量。
83.在一实施例中，所述第一编码向量包括诊断目标向量；第一编码模块202包括诊断向量子模块。
84.其中，诊断向量子模块用于将医生会话数据输入至预先训练的多分类模型，将所述预先训练的多分类模型的隐藏层输出的编码向量作为所述医生会话的诊断目标向量。
85.在一实施例中，所述第二编码向量包括患者信息向量；第二编码模块203包括对话分类子模块2031和降维处理子模块2032。
86.其中，对话分类子模块2031用于根据所述患者特征对所述医患对话数据进行分类，得到多个类别的医生会话数据；降维处理子模块2032用于基于多个类别的所述医生会话数据对所述患者特征进行降维处理，得到每个类别所述医生会话的患者信息向量。
87.在一实施例中，所述医患对话数据包括患者会话数据，该话术生成装置可以包括患者向量模块和降维处理模块。
88.其中，患者向量模块用于将所述患者会话数据的向量表示输入至预先训练的语言模型，得到所述患者会话数据的向量表示；降维处理模块用于对所述患者会话数据的向量表示进行降维处理，得到所述医生会话的上下文向量。
89.在一实施例中，编码综合模块包括权重获取子模块和加权合并子模块。
90.其中，权重获取子模块用于获取所述第一编码向量对应的第一权重和所述第二编码向量对应的第二权重；加权合并子模块用于基于所述第一权重和所述第二权重对所述第一编码向量和所述第二编码向量进行加权合并，得到所述医生会话的话术综合向量。
91.在一实施例中，聚类分析模块包括聚类分析子模块和话术生成子模块。
92.其中，聚类分析子模块用于对所述话术综合向量进行聚类分析，得到所述医生会话的多个聚类簇；话术生成子模块用于根据每个所述聚类簇中所述医生会话的文本向量生成所述聚类簇的医生话术。
93.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的话术生成装置和各模块的具体工作过程，可以参考前述话术生成方法实施例中的对应过程，在此不再赘述。
94.上述的话术生成装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
95.请参阅图5，图5是本技术实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
96.参阅图5，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
97.非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种话术生成方法。
98.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
99.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种话术生成方法。
100.该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所
应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
101.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
102.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
103.获取历史医患数据，所述历史医患数据包括医患对话数据和患者信息；
104.对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量；
105.基于所述患者信息提取与所述患者信息对应的患者特征，并根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量；
106.将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量；
107.对所述话术综合向量进行聚类分析以自动生成医生话术。
108.在一个实施例中，所述医患对话数据包括医生会话数据，所述第一编码向量包括文本向量；所述处理器在实现所述对所述医患对话数据进行编码信息提取，得到医生会话的第一编码向量时，用于实现：
109.对所述医生会话数据进行特征转换，得到所述医生会话的语言特征；
110.对所述语言特征进行降维处理，得到所述医生会话的文本向量。
111.在一个实施例中，所述第一编码向量包括诊断目标向量；所述处理器在实现所述基于所述医患对话数据确定医生会话的第一编码向量时，用于实现：
112.将医生会话数据输入至预先训练的多分类模型，将所述预先训练的多分类模型的隐藏层输出的编码向量作为所述医生会话的诊断目标向量。
113.在一个实施例中，所述第二编码向量包括患者信息向量；所述处理器在实现所述根据所述患者特征和所述医患对话数据得到所述医生会话的第二编码向量时，用于实现：
114.根据所述患者特征对所述医患对话数据进行分类，得到多个类别的医生会话数据；
115.基于多个类别的所述医生会话数据对所述患者特征进行降维处理，得到每个类别所述医生会话的患者信息向量。
116.在一个实施例中，所述医患对话数据包括患者会话数据；所述处理器在实现所述根据所述第一编码向量和所述第二编码向量确定所述医生会话的话术综合向量之前，用于实现：
117.将所述患者会话数据的向量表示输入至预先训练的语言模型，得到所述患者会话数据的向量表示；
118.对所述患者会话数据的向量表示进行降维处理，得到所述医生会话的上下文向量。
119.在一个实施例中，所述处理器在实现所述将所述第一编码向量和所述第二编码向量进行合并，以得到所述医生会话的话术综合向量时，用于实现：
120.获取所述第一编码向量对应的第一权重和所述第二编码向量对应的第二权重；
121.基于所述第一权重和所述第二权重对所述第一编码向量和所述第二编码向量进行加权合并，得到所述医生会话的话术综合向量。
122.在一个实施例中，所述处理器在实现所述对所述话术综合向量进行聚类分析以自动生成医生话术时，用于实现：
123.对所述话术综合向量进行聚类分析，得到所述医生会话的多个聚类簇；
124.根据每个所述聚类簇中所述医生会话的文本向量生成所述聚类簇的医生话术。
125.本技术的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本技术实施例提供的任一项话术生成方法。
126.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
127.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。