对话机器人智能应答方法及装置与流程

本申请涉及智能对话领域，具体而言，涉及一种对话机器人智能应答方法及装置。

背景技术：

随着ai技术的发展，对话机器人在日常生活中的应用越来越普遍。

发明人发现，由于语言本身和输入方法的多样性，导致对话机器人无法精确地理解用户对话意图，进一步使得人机对话之间经常无法顺利达成目的，也无法贴合用户的表达习惯。

针对相关技术中对话机器人无法精确地理解用户意图的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请的主要目的在于提供一种对话机器人智能应答方法及装置，以解决对话机器人无法精确地理解用户意图的问题。

为了实现上述目的，根据本申请的第一方面，提供了一种对话机器人智能应答方法。

根据本申请的对话机器人智能应答方法包括：获取用户请求；返回与所述用户请求相似的至少一个处理结果；以及接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果。

进一步地，返回与所述用户请求相似的至少一个处理结果包括：根据用户对话上文信息生成当前标准表述的候选集；根据预设相似度模型计算出所述候选集中的候选结果；将所述候选结果融合，按照排序输出作为处理结果。

进一步地，所述用户对话上文信息包括：用于判断对话目前处理何种场景的领域信息；用于作为用户进行对话的目的意图信息；用于提问信息和选择内容的对话动作信息。

进一步地，接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果之后，还包括：在当前对话中根据用户反馈返回的所述处理结果的数量，，判断是继续执行本次对话还是与用户进行澄清交互。

进一步地，接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果之后，还包括：如果所述用户反馈为正确理解所述用户请求，则将所述处理结果储存至待审核库以使所述对话机器人通过待审核库中的理解结果对用户下一次请求进行智能应答。

为了实现上述目的，根据本申请的第二方面，提供了一种对话机器人智能应答装置。

根据本申请的对话机器人智能应答装置包括：获取模块，用于获取用户请求；返回模块，用于返回与所述用户请求相似的至少一个处理结果；以及接收模块，用于接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果。

进一步地，所述返回模块还用于，根据用户对话上下文信息生成当前标准表述的候选集；根据预设相似度模型计算出所述候选集中的候选结果；将所述候选结果融合，按照排序输出作为处理结果。

进一步地，所述返回模块中的用户对话上下文信息包括：用于判断对话目前处理何种场景的领域信息；用于作为用户进行对话的目的意图信息；用于提问信息和选择内容的对话动作信息。

进一步地，装置还包括：澄清交互模块，用于在当前对话中根据用户反馈返回的所述处理结果的数量，，判断是继续执行本次对话还是与用户进行澄清交互。

进一步地，装置还包括：增强模块，用于所述用户反馈为正确理解所述用户请求，则将所述处理结果储存至待审核库以使所述对话机器人通过待审核库中的理解结果对用户下一次请求进行智能应答。

为了实现上述目的，根据本申请的第三方面，本申请提供一种对话机器人智能应答的设备，该设备包括处理器、显示器、存储器、网络接口和总线系统，其中，处理器、显示器、存储器、网络接口通过总线系统相互连接。该存储器用于存储指令，该处理器用于执行该存储器存储的指令，当该指令被执行时，该处理器通过该网络接口执行第一方面或第一方面的任意可能的实现方式中的方法。

为了实现上述目的，根据本申请的第四方面，本申请提供一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行对话机器人智能应答方法的指令。

在本申请实施例中对话机器人智能应答方法及装置采用获取用户请求的方式，通过返回与所述用户请求相似的至少一个处理结果，达到了接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果的目的，从而实现了智能理解用户请求以及智能增强学习的技术效果，进而解决了对话机器人无法精确地理解用户意图的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的对话机器人智能应答方法流程示意图；

图2是根据本申请实施例的对话机器人智能应答方法流程示意图；

图3是根据本申请实施例的对话机器人智能应答方法流程示意图；

图4是根据本申请实施例的对话机器人智能应答方法流程示意图；

图5是根据本申请实施例的对话机器人智能应答方法流程示意图；

图6是根据本申请实施例的对话机器人智能应答方法流程示意图；

图7是根据本申请实施例的对话机器人智能应答方法流程示意图；

图8是根据本申请实施例的对话机器人智能应答方法流程示意图；

图9是根据本申请实施例的对话机器人智能应答方法流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。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、产品或设备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或单元。

本申请中的对话机器人智能应答方法包括：获取用户请求；返回与所述用户请求相似的至少一个处理结果；接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果。通过使用多种模型提取用户的表述，并不断的机器学习的方式自动扩充理解的范围，使对话机器人能更精确的理解用户的各种表述，且随着时间的推移，更贴合用户的表述习惯。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，该方法包括如下的步骤s至步骤s：

步骤s102，获取用户请求；

获取得到所述用户在与对话机器人的对话过程中的用户请求。

通过机器人向用户进行提问，获取用户对于提问问题的答复。

即下述步骤是对于当所述对话机器人获取用户请求后的进一步操作。

需要注意的是，在本申请的实施例中并不限定用户请求的方式或类型，只要能够满足获取用户请求的条件即可。

步骤s104，返回与所述用户请求相似的至少一个处理结果；

通过对话机器人向用户返回与所述用户请求相似的处理结果。

对话机器人返回的与所述用户请求相似的处理结果可以包括多个，并不限定于只返回一个处理结果。如果所述对话机器人对返回的处理结果属于置信度较高的结果，则可以只返回一个处理结果，即该处理结果可以满足用户的当前用途。如果所述对话机器人对返回的处理结果具有不确定性还需要进一步地通过用户澄清后进行确定的，可能返回多个可能的结果，并让用户进行选择。

与所述用户请求相似是指，与所述用户的目的、意图相似或一致的情况。

具体地，返回与所述用户请求相似的至少一个处理结果时会向用户进行处理结果提示，在处理结果中可能包括一个或多个对于用户请求的处理结果。

步骤s106，接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果。

通过接收对于所述处理结果的用户反馈，所述对话机器人根据所述用户反馈返回下一次处理结果。所述用户反馈至少包括：用户对问题答案的准确性的反馈或者满意度的反馈。根据所述用户反馈返回下一次处理结果时可以进行下一个对话状态或者继续当前的对话状态。

具体地，将处理结果返回给用户进行确认和澄清，得到用户的反馈后可以将已经成功理解的对话片段加入语料库并继续机器学习。

从以上的描述中，可以看出，本申请实现了如下技术效果：

在本申请实施例中对话机器人智能应答方法及装置，采用获取用户请求的方式，通过返回与所述用户请求相似的至少一个处理结果，达到了接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果的目的，从而实现了智能理解用户请求以及智能增强学习的技术效果，进而解决了对话机器人无法精确地理解用户意图的问的技术问题。

根据本申请实施例，作为本实施例中的优选，如图2所示，返回与所述用户请求相似的至少一个处理结果包括：

步骤s202，根据用户对话上文信息生成当前标准表述的候选集；

在接收到用户的请求后会增加用户对话上文信息，根据所述用户对话上文信息生成当前标准表述的候选集。

比如，问题是去哪留学好？根据用户对话上文信息生成当前标准表述a1去美国留学好、b2去英国留学学费高、c3去荷兰看风车作为当前标准表述的候选集。

步骤s204，根据预设相似度模型计算出所述候选集中的候选结果；

根据所述预设相似度模型判断并计算得带在所述候选集中的候选结果。

所述预设相似度模型可以是主题相似度计算、拼音相似度计算、语义相似度计算或者发音相似度计算等。

步骤s206，将所述候选结果融合，按照排序输出作为处理结果。

将所述候选集中的候选结果根据不同相似度计算模型的计算结果进行融合，并按照排序输出作为处理结果。

具体地，当获取到用户的query查询后，对当前用户对话添加上文信息，获取所有当前标准表述的候选集合，然后使用基于词向量、拼音相似度等多种方法对候选进行评价和排序，获得最相近的一个或多个结果。

通过多种模型的混合使用，能解决各种复杂的语言场景。如基于拼音的模型能解决同音错字、语音识别错误，基于向量表示的模型能解决同义表述、新词等问题。

根据本申请实施例，作为本实施例中的优选，所述用户对话上文信息包括：用于判断对话目前处理何种场景的领域信息；用于作为用户进行对话的目的意图信息；用于提问信息和选择内容的对话动作信息。

具体地，在对话中的上文信息主要包含，领域信息，用于表示对话目前处于何种场景。意图信息，用于作为用户进行对话的目的。对话动作，用于作为提问何信息、选择何内容等。

在本申请的实施例中，通过使用对话的上文，能够将需要理解的范畴限定一个相对较小的范围，此时相较于通用的语义理解，就可以使用更多激进的理解策略，从而大大加强了理解的成功率。

根据本申请实施例，作为本实施例中的优选，如图3所示，接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果之后，还包括：

步骤s302，在当前对话中根据用户反馈返回的所述处理结果的数量，判断是继续执行本次对话还是与用户进行澄清交互。

具体地，补充上文信息后，先获取所有可能的候选，然后利用多种文本判定模型对候选进行打分，最终将多个模型打分进行融合后按融合分数由高到低排序，将满足阈值的部分返回给当前对话。在当前对话中根据返回结果的数量判断下一步的动作是继续执行对话还是跟用户进行澄清交互。

根据本申请实施例，作为本实施例中的优选，如图4所示，接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果之后，还包括：

步骤s402，如果所述用户反馈为正确理解所述用户请求，则将所述处理结果储存至待审核库以使所述对话机器人通过待审核库中的理解结果对用户下一次请求进行智能应答。

具体地，在得到用户的反馈后，通过将query查询中的吻合片段(理解正确)加入待审核库，在上所述待审核库中的选项也将在有惩罚的前提下参与下一次的用户query查询理解，从而实现对话机器人自动的持续学习。

此外，同时允许对话管理者对所有的待审核候选进行人工审核，调整惩罚的权重系数，指导对话机器人的理解方向。

需要注意的是，通过每次成功理解用户query查询后，都将query查询中的相似片段补充到待审核库中，作为下一次的理解可以将待审核中的内容也做为理解的候选之一。同时为了防止误召回，会给待审核的选项加上惩罚的权重。如果对话机器人产生误召回将有惩罚机制，从而实现对话机器人自动的持续学习。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述方法的对话机器人智能应答装置，如图5所示，该装置包括：获取模块10，用于获取用户请求；返回模块20，用于返回与所述用户请求相似的至少一个处理结果；以及接收模块30，用于接收对所述处理结果的用户反馈，根据用户反馈返回下一次处理结果。

本申请实施例的获取模块10中获取得到所述用户在与对话机器人的对话过程中的用户请求。所述用户请求包括：用户查询请求。即下述步骤是对于当所述对话机器人获取用户请求后的进一步操作。

需要注意的是，在本申请的实施例中并不限定用户请求的方式或类型，只要能够满足获取用户请求的条件即可。

本申请实施例的返回模块20中向用户返回与所述用户请求相似的处理结果。如果用户请求时为查询请求，对应的处理结果为查询结果。

返回的与所述用户请求相似的处理结果可以包括多个，并不限定于只返回一个处理结果。如果所述对话机器人对返回的处理结果属于置信度较高的结果，则可以只返回一个处理结果，即该处理结果可以满足用户的当前用途。如果所述对话机器人对返回的处理结果具有不确定性还需要进一步地通过用户澄清后进行确定的，可能返回多个可能的结果，并让用户进行选择。

与所述用户请求相似是指，与所述用户的目的、意图相似或一致的情况。

具体地，返回与所述用户请求相似的至少一个处理结果时会向用户进行处理结果提示，在处理结果中可能包括一个或多个对于用户请求的处理结果。

本申请实施例的接收模块30中通过接收对于所述处理结果的用户反馈，所述对话机器人根据所述用户反馈返回下一次处理结果。所述用户反馈至少包括：用户对问题答案的准确性的反馈或者满意度的反馈。根据所述用户反馈返回下一次处理结果时可以进行下一个对话状态或者继续当前的对话状态。

具体地，将处理结果返回给用户进行确认和澄清，得到用户的反馈后可以将已经成功理解的对话片段加入语料库并继续机器学习。

根据本申请实施例，作为本实施例中的优选，如图6所示，所述返回模块还用于，根据用户对话上下文信息生成当前标准表述的候选集；根据预设相似度模型计算出所述候选集中的候选结果；将所述候选结果融合，按照排序输出作为处理结果。

本申请实施例的所述返回模块20中在接收到用户的请求后会增加用户对话上文信息，根据所述用户对话上文信息生成当前标准表述的候选集。

比如，问题是去哪留学好？根据用户对话上文信息生成当前标准表述a1去美国留学好、b2去英国留学学费高、c3去荷兰看风车作为当前标准表述的候选集。

本申请实施例的所述返回模块20中根据所述预设相似度模型判断并计算得带在所述候选集中的候选结果。

所述预设相似度模型可以是主题相似度计算、拼音相似度计算、语义相似度计算或者发音相似度计算等。

本申请实施例的所述返回模块20中将所述候选集中的候选结果根据不同相似度计算模型的计算结果进行融合，并按照排序输出作为处理结果。

具体地，当获取到用户的query查询后，对当前用户对话添加上文信息，获取所有当前标准表述的候选集合，然后使用基于词向量、拼音相似度等多种方法对候选进行评价和排序，获得最相近的一个或多个结果。

通过多种模型的混合使用，能解决各种复杂的语言场景。如基于拼音的模型能解决同音错字、语音识别错误，基于向量表示的模型能解决同义表述、新词等问题。

根据本申请实施例，作为本实施例中的优选，如图7所示，所述返回模块20中的用户对话上下文信息包括：用于判断对话目前处理何种场景的领域信息；用于作为用户进行对话的目的意图信息；用于提问信息和选择内容的对话动作信息。

具体地，在对话中的上文信息主要包含，领域信息，用于表示对话目前处于何种场景。意图信息，用于作为用户进行对话的目的。对话动作，用于作为提问何信息、选择何内容等。

在本申请的实施例中，通过使用对话的上文，能够将需要理解的范畴限定一个相对较小的范围，此时相较于通用的语义理解，就可以使用更多激进的理解策略，从而大大加强了理解的成功率。

根据本申请实施例，作为本实施例中的优选，如图6所示，装置还包括：澄清交互模块40，用于在当前对话中根据用户反馈返回的所述处理结果的数量，判断是继续执行本次对话还是与用户进行澄清交互。

本申请实施例的澄清交互模块40中具体地，补充上文信息后，先获取所有可能的候选，然后利用多种文本判定模型对候选进行打分，最终将多个模型打分进行融合后按融合分数由高到低排序，将满足阈值的部分返回给当前对话。在当前对话中根据返回结果的数量判断下一步的动作是继续执行对话还是跟用户进行澄清交互。

根据本申请实施例，作为本实施例中的优选，如图7所示，装置还包括：增强模块50，用于所述用户反馈为正确理解所述用户请求，则将所述处理结果储存至待审核库以使所述对话机器人通过待审核库中的理解结果对用户下一次请求进行智能应答。

本申请实施例的增强模块50中具体地，在得到用户的反馈后，通过将query查询中的吻合片段(理解正确)加入待审核库，在上所述待审核库中的选项也将在有惩罚的前提下参与下一次的用户query查询理解，从而实现对话机器人自动的持续学习。

此外，同时允许对话管理者对所有的待审核候选进行人工审核，调整惩罚的权重系数，指导对话机器人的理解方向。

需要注意的是，通过每次成功理解用户query查询后，都将query查询中的相似片段补充到待审核库中，作为下一次的理解可以将待审核中的内容也做为理解的候选之一。同时为了防止误召回，会给待审核的选项加上惩罚的权重。如果对话机器人产生误召回将有惩罚机制，从而实现对话机器人自动的持续学习。

本申请的实现原理如图8所示，具体地，如背景中所述对话机器人想要准确理解用户的意思越来越困难。新词层出不穷、语法千奇百怪等是由于语言本身的多样性造成。同音不同字、语音识别时背景噪声等是由于输入方法的多样性导致。为了使对话机器人能更精确的理解用户的各种表述，本申请的实现方式中，主要包括：对话管理模块和智能应答模块。

具体地，在所述智能应答模块中的功能包括：候选获取、候选排序。在所述对话管理模块中包括：上文管理模块、状态管理模块。

在所述对话管理模块中当获取到用户的query查询后，根据对话中的领域、意图、对话动作等上文信息，在所述智能应答模块获取所有当前标准表述的候选集合，然后使用基于词向量、拼音相似度等多种方法对候选进行评价和排序，获得最相近的一个或多个结果，返回给用户进行确认和澄清。进一步，在得到用户的反馈后，再将query查询中的吻合片段加入状态管理模块的待审核库，待审核库中的选项也将在有惩罚的前提下参与下一次的用户query理解，做到机器人自动的持续学习。同时允许对话管理者对所有的待审核候选进行人工审核，调整惩罚的权重系数，指导机器人的理解方向。

所述上文管理模块中的对话中的上文信息主要包含：领域、意图、对话动作等。通过使用对话的上文，能够将需要理解的范畴限定一个相对较小的范围，此时相较于通用的语义理解，就可以使用更多激进的理解策略，从而大大加强了理解的成功率。

如图9所示，在所述对话管理模块补充上文信息后，交由所述智能应答模块进行处理。在所述智能应答模块先获取所有可能的候选，并利用多种预设文本判定模型对候选进行打分，最终将多个模型打分进行融合后按融合分数由高到低排序，将满足阈值的部分返回给对话管理模块。所述对话管理模块根据返回结果的数量判断下一步的动作是继续执行对话还是跟用户进行澄清交互。

优选地，通过多种模型的混合使用，能解决各种复杂的语言场景。如基于拼音的模型能解决同音错字、语音识别错误，基于向量表示的模型能解决同义表述、新词等问题。

如图9所示，是智能增强学习实现原理，在本申请中通过每次成功理解用户query查询后，都将query查询中的相似片段补充到待审核库中，下一次的理解可以将待审核中的内容也做为理解的候选之一。同时为了防止误召回，对待审核的选项加上惩罚的权重。

如图9中所示，对话机器人在学习过程中，根据初始的候选集合，部分候选暂时无法召回，但是如果将已经成功理解的query片段，加入到待审核集合，则可通过待审核中的候选不断的扩充下次对话机器人的智能理解的范围。此外，对话的管理者来人工审核待审核的候选，审核成功则加入到初始候选集合，审核失败则作为负样本预防再次理解错误，审核成功能够实现对话机器人的快速学习。

在本申请的另一实施例中，提供了一种对话机器人智能应答的设备，该设备包括处理器、显示器、存储器、网络接口和总线系统，其中，处理器、显示器、存储器、网络接口通过总线系统相互连接。该存储器用于存储指令，该处理器用于执行该存储器存储的指令，当该指令被执行时，该处理器通过该网络接口执行上述对话机器人智能应答方法。

在本申请的再一实施例中，提供一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行对话机器人智能应答方法的指令。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。