[發(fā)明專利]一種對話狀態(tài)追蹤方法、裝置、設備及存儲介質

在審

• 申請?zhí)枺?/td>: 202110178271.6
• 申請日: 2021-02-09
• 公開（公告）號: CN112988960A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設計）人: 陶建華;楊國花
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/332;G06F40/30;G06K9/62;G06N3/04
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 茍冬梅

1.一種對話狀態(tài)追蹤方法，其特征在于，所述方法包括：

將每輪對話的詞序列和前一輪次系統(tǒng)動作的詞序列進行拼接，得到每輪對話的輸入詞序列；

將所述輸入詞序列輸入到預先訓練好的槽填充序列標注模型中，得到所述輸入詞序列中每個詞的語義標簽；

將所述輸入詞序列中每個詞的語義標簽對應的特征向量與所述輸入詞序列中相應位置的詞的向量進行拼接，得到所述輸入詞序列中每個詞的特征向量；

對所述輸入詞序列中每個詞的特征向量進行編碼，得到每輪對話的句子特征向量；

將所述每輪對話的句子特征向量與前一時刻對話狀態(tài)的信念分布進行拼接，將拼接得到的向量輸入預先訓練好的對話狀態(tài)追蹤模型中，為每輪對話標注上對話狀態(tài)標簽，得到每輪對話的對話狀態(tài)。

2.根據(jù)權利要求1所述的方法，其特征在于，在將每輪對話的詞序列和前一輪次系統(tǒng)動作的詞序列進行拼接，得到每輪對話的輸入詞序列之前，所述方法還包括：

獲取每輪對話的句子，去除所述每輪對話的句子中的標點符號和停用詞，得到所述每輪對話的詞序列。

3.根據(jù)權利要求1所述的方法，其特征在于，將所述輸入詞序列輸入到預先訓練好的槽填充序列標注模型中，得到所述輸入詞序列中每個詞的語義標簽，包括：

將所述輸入詞序列中的每個詞進行向量化表示，得到所述輸入詞序列中的每個詞的詞向量；

將所述輸入詞序列中的每個詞的詞向量輸入所述預先訓練好的槽填充序列標注模型中，獲得具有上下文信息的每個詞的語義表示，對所述輸入詞序列中的每個詞的語義向量進行分類，得到所述輸入詞序列中的每個詞的語義標簽。

4.根據(jù)權利要求1所述的方法，其特征在于，對所述輸入詞序列中每個詞的特征向量進行編碼，得到每輪對話的句子特征向量，包括：

將所述輸入詞序列中的每個詞的特征向量輸入到長短時記憶神經(jīng)網(wǎng)絡或者卷積神經(jīng)網(wǎng)絡進行編碼，得到所述每輪對話的句子特征向量。

5.根據(jù)權利要求1所述的方法，其特征在于，將所述每輪對話的句子特征向量與前一時刻對話狀態(tài)的信念分布進行拼接，將拼接得到的向量輸入預先訓練好的對話狀態(tài)追蹤模型中，為每輪對話標注上對話狀態(tài)標簽，得到每輪對話得到對話狀態(tài)，包括：

將所述每輪對話的句子特征向量與所述前一時刻對話狀態(tài)的信念分布進行拼接，將拼接得到的向量輸入預先訓練好的對話狀態(tài)追蹤模型中；

通過預先訓練好的對話狀態(tài)追蹤模型對所述拼接得到的向量進行計算，得到每輪對話的信念狀態(tài)分布；

根據(jù)所述每輪對話的信念狀態(tài)分布確定在預定義的槽值集合中具有最大信念得分的槽值，將所述具有最大信念得分的槽值作為相應輪次對話的對話狀態(tài)標簽，得到所述每輪對話的對話狀態(tài)。

6.根據(jù)權利要求5所述的方法，其特征在于，將所述每輪對話的句子特征向量與所述前一時刻對話狀態(tài)的信念分布進行拼接，將拼接得到的向量輸入預先訓練好的對話狀態(tài)追蹤模型中，通過預先訓練好的對話狀態(tài)追蹤模型對所述拼接得到的向量進行計算，得到當前對話輪次的信念狀態(tài)分布，是按照以下公式執(zhí)行的：

其中，表示第t輪對話的句子特征向量，b_t-1表示第t-1輪對話狀態(tài)的信念分布，表示拼接操作，O_t表示拼接得到的t時刻對話狀態(tài)追蹤的輸入向量，表示第t輪對話對應LSTM_belief的隱層輸出，LSTM_belief表示LSTM網(wǎng)絡進行對話狀態(tài)追蹤計算，b_t表示第t輪對話狀態(tài)的信念分布。