[發(fā)明專(zhuān)利]基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法及相關(guān)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010156698.1
• 申請(qǐng)日: 2020-03-09
• 公開(kāi)（公告）號(hào): CN111428013A
• 公開(kāi)（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 祝大偉;李炫;姚曉遠(yuǎn)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)平安人壽保險(xiǎn)股份有限公司
• 主分類(lèi)號(hào): G06F16/332
• 分類(lèi)號(hào): G06F16/332;G06F16/35;G06F40/289;G06F40/284;G06N20/00
• 代理公司: 北京市京大律師事務(wù)所 11321
• 代理人: 劉挽瀾

1.一種基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法包括：

對(duì)第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行預(yù)處理，獲得預(yù)處理回復(fù)語(yǔ)句，將所述預(yù)處理回復(fù)語(yǔ)句與所述第一樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句輸入預(yù)置第一深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練模型；

將第二樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句輸入所述訓(xùn)練模型，通過(guò)所述訓(xùn)練模型輸出第一回復(fù)樣本語(yǔ)句，將所述第一回復(fù)樣本數(shù)據(jù)與所述第二樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句組合，獲得候選訓(xùn)練數(shù)據(jù)集，對(duì)所述候選訓(xùn)練數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行預(yù)處理，獲得第二回復(fù)樣本語(yǔ)句，將所述第二回復(fù)樣本語(yǔ)句與所述候選訓(xùn)練數(shù)據(jù)集中的待回復(fù)語(yǔ)句組合，獲得第三訓(xùn)練數(shù)據(jù)；

將所述第一樣本數(shù)據(jù)集及所述第三訓(xùn)練數(shù)據(jù)進(jìn)行混合，獲得混合訓(xùn)練數(shù)據(jù)，并將所述混合訓(xùn)練數(shù)據(jù)輸入預(yù)置第二深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲得智能回復(fù)模型。

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述對(duì)第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行預(yù)處理包括：

獲取第一樣本數(shù)據(jù)，對(duì)所述第一樣本數(shù)據(jù)進(jìn)行清洗，獲得第一樣本數(shù)據(jù)集；

根據(jù)預(yù)設(shè)屬性標(biāo)簽對(duì)所述第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行屬性設(shè)置；

根據(jù)所述詞性對(duì)所述第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行單詞提取。

3.如權(quán)利要求2所述的基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述根據(jù)所述詞性對(duì)所述第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行單詞提取包括：

對(duì)所述第一樣本數(shù)據(jù)集中的回復(fù)語(yǔ)句進(jìn)行單詞分割，獲得所述回復(fù)語(yǔ)句中的各個(gè)單詞；

對(duì)所述單詞進(jìn)行詞性劃分，獲得各個(gè)單詞的詞性；

將所述各個(gè)單詞的詞性與預(yù)設(shè)詞性進(jìn)行比對(duì)，若所述單詞的詞性在所述預(yù)設(shè)的詞性范圍內(nèi)，則提取所述單詞。

4.如權(quán)利要求3所述的基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述將第二樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句輸入所述訓(xùn)練模型，通過(guò)所述訓(xùn)練模型輸出第一回復(fù)樣本語(yǔ)句，將所述第一回復(fù)樣本數(shù)據(jù)與所述第二樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句組合，獲得候選訓(xùn)練數(shù)據(jù)集包括：

獲取第二樣本數(shù)據(jù)，對(duì)所述第二樣本數(shù)據(jù)進(jìn)行預(yù)處理，獲得第二樣本數(shù)據(jù)集；

將所述第二樣本數(shù)據(jù)集中的待回復(fù)語(yǔ)句輸入所述訓(xùn)練模型進(jìn)行處理，獲得與所述待回復(fù)語(yǔ)句對(duì)應(yīng)的多個(gè)回復(fù)語(yǔ)句；

將每一待回復(fù)語(yǔ)句與每一回復(fù)語(yǔ)句一一對(duì)應(yīng)，分別組成對(duì)話，并將所有的對(duì)話組成候選訓(xùn)練數(shù)據(jù)集。

5.如權(quán)利要求4所述的基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述對(duì)所述候選訓(xùn)練集中的回復(fù)語(yǔ)句進(jìn)行預(yù)處理，獲得第二回復(fù)樣本語(yǔ)句包括：

根據(jù)預(yù)設(shè)關(guān)鍵詞對(duì)所述候選訓(xùn)練集中的回復(fù)語(yǔ)句進(jìn)行篩選，獲得篩選回復(fù)語(yǔ)句；

分別計(jì)算所述篩選回復(fù)語(yǔ)句的相似度、長(zhǎng)度激勵(lì)及流暢度，根據(jù)所述相似度、長(zhǎng)度激勵(lì)及流暢度獲得每一篩選回復(fù)語(yǔ)句的概率分布，并根據(jù)所述概率分布對(duì)所述篩選回復(fù)語(yǔ)句進(jìn)行排序，獲得有序回復(fù)語(yǔ)句；

對(duì)所述有序回復(fù)語(yǔ)句進(jìn)行多樣性篩選，獲得第二回復(fù)樣本語(yǔ)句。

6.如權(quán)利要求5所述的基于深度學(xué)習(xí)的智能回復(fù)模型構(gòu)建方法，其特征在于，所述分別計(jì)算所述篩選回復(fù)語(yǔ)句的相似度、長(zhǎng)度激勵(lì)及流暢度包括：

將所述篩選回復(fù)語(yǔ)句與所述候選訓(xùn)練集中的待回復(fù)語(yǔ)句之間進(jìn)行相似度匹配，獲得每一篩選回復(fù)語(yǔ)句的相似度；

獲取每一篩選回復(fù)語(yǔ)句的長(zhǎng)度，根據(jù)所述長(zhǎng)度獲得每一篩選回復(fù)語(yǔ)句的長(zhǎng)度激勵(lì)；

對(duì)所述篩選回復(fù)語(yǔ)句進(jìn)行流暢性檢測(cè)，根據(jù)檢測(cè)結(jié)果獲得每一篩選回復(fù)語(yǔ)句的流暢度。