[發明專利]對話信息處理方法、裝置、電子設備及存儲介質

在審

• 申請號: 202210609342.8
• 申請日: 2022-05-31
• 公開（公告）號: CN114969290A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 牛思杰;龐濤;崔思靜;潘碧瑩;陳梓榮
• 申請（專利權）人: 中國電信股份有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/35;G06F40/289;G06N3/04;G06N3/08
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 孫寶海

1.一種對話信息處理方法，其特征在于，所述方法包括：

獲取目標對象輸入的對話信息，并通過多個對話策略對所述對話信息進行自然語言處理，以生成各個對話策略對應的回答信息；

通過決策神經網絡模型對多個對話策略對應的回答信息進行處理，得到第一策略標識，并從所述第一策略標識對應的回答信息中獲取第一回答；

向所述目標對象輸出所述第一回答，并在檢測到所述目標對象反饋了針對所述第一回答的切換信息時，從所述各個對話策略對應的回答信息中獲取第二回答，所述第二回答是除所述第一回答以外的回答；

若檢測所述目標對象反饋了針對所述第二回答的確認信息，則基于所述第二回答對應的第二策略標識和多個對話策略對應的回答信息構建訓練數據，并采用所述訓練數據對所述決策神經網絡模型重新進行訓練。

2.如權利要求1所述的方法，其特征在于，通過決策神經網絡模型對多個對話策略對應的回答信息進行處理，得到第一策略標識，包括：

從多個對話策略對應的對話信息中，提取策略標識和置信度；

通過所述決策神經網絡模型的多層全連接網絡，對策略標識和置信度進行分類處理，得到所述第一策略標識。

3.如權利要求2所述的方法，其特征在于，通過所述決策神經網絡模型的多層全連接網絡，對策略標識和置信度進行分類處理，得到所述第一策略標識，包括：

對所述策略標識進行獨熱編碼處理，得到獨熱編碼信息；

利用所述獨熱編碼信息和所述置信度，構建一維向量；

將所述一維向量輸入所述決策神經網絡模型；

通過所述決策神經網絡模型的多層全連接網絡，對所述一維向量進行分類處理，得到所述第一策略標識。

4.如權利要求3所述的方法，其特征在于，基于所述第二回答對應的第二策略標識和多個對話策略對應的回答信息構建訓練數據，并采用所述訓練數據對所述決策神經網絡模型重新進行訓練，包括：

以所述第二策略標識對應的目標向量，以及所述回答信息對應的一維向量，組成所述訓練數據；

采用所述訓練數據對所述決策神經網絡模型進行訓練，以更新所述決策神經網絡模型的權重；

在所述決策神經網絡模型的損失函數收斂時，結束對所述決策神經網絡模型的重新訓練。

5.如權利要求1所述的方法，其特征在于，從所述各個對話策略對應的回答信息中獲取第二回答，包括：

從各個對話策略對應回答信息的結構化數據中，過濾所述第一回答對應的第一結構化數據，以得到第二結構化數據，所述結構化數據是利用管道對所述對話信息進行自然語言處理后，得到的用于表征所述回答信息的標準化格式的數據，所述管道是用于進行自然語言處理的模塊；

確定所述第二結構化數據中的最大置信度；

確定所述最大置信度對應的結構化數據；

將當前的會話狀態還原至上一輪的會話狀態，并從所述最大置信度對應的結構化數據中，提取所述第二回答。

6.如權利要求1所述的方法，其特征在于，通過決策神經網絡模型對多個對話策略對應的回答信息進行處理之前，所述方法還包括：

獲取針對所述決策神經網絡模型的配置信息；

從所述配置信息中獲取所要配置的管道數量，所述管道數量是用于進行自然語言處理的管道的數量；

以所述管道數量作為參考，調整所述決策神經網絡模型中神經元的數量和層數。

7.如權利要求1所述的方法，其特征在于，采用所述訓練數據對所述決策神經網絡模型重新進行訓練之后，所述方法還包括：

將所述決策神經網絡模型對應的應用程序接口，映射到云主機的預設端口上；

獲取通過所述預設端口觸發的對話請求；

基于多對話策略模型和重新訓練后的所述決策神經網絡模型，處理所述對話請求，以預測所述對話請求所對應的回答，所述多對話策略模型是用于進行自然語言處理的模型。