本發(fā)明涉及一種用于保持對話系統(tǒng)對話連貫性的方法及系統(tǒng)。

背景技術(shù)：

在人機(jī)對話系統(tǒng)中，用戶和對話系統(tǒng)聊天的輪數(shù)是衡量該對話系統(tǒng)好壞的最直觀的指標(biāo)。為了提高用戶和對話系統(tǒng)聊天的輪數(shù)，必須保障對話系統(tǒng)對話連貫性，一方面，在用戶討論的聊天主題下，對話系統(tǒng)需要盡可能在這個主題進(jìn)行相關(guān)回復(fù)，避免答非所問；另一方面：當(dāng)用戶切換到新的聊天主題時，對話系統(tǒng)也需要切換到新的聊天主題下。

現(xiàn)有技術(shù)中，較為常用的保持對話系統(tǒng)對話連貫性的方法為：獲取前面N輪的歷史對話，并從中提取出關(guān)鍵詞，然后將這些關(guān)鍵詞跟當(dāng)前用戶的對話輸入相結(jié)合，作為系統(tǒng)輸入，由于該方法中包含前N輪對話的關(guān)鍵詞信息，因而可以在一定程度上保持對話的連貫性。

但是，現(xiàn)有技術(shù)的缺陷在于：一方面，N的取值很難確定，如果取得過小，例如，N＝1，那么只能包含前面一輪的歷史對話信息，因而容易受限于局部信息；如果取得過大，又可能會超出上下文的范圍，引入無關(guān)信息；另一方面，從N輪歷史對話中很有可能獲取過多的關(guān)鍵詞，當(dāng)相關(guān)度低甚至無關(guān)的關(guān)鍵詞被引入時會給對話系統(tǒng)帶來噪音，而且，無關(guān)的關(guān)鍵詞越多，噪音越大，會嚴(yán)重影響對話質(zhì)量。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種用于保持對話系統(tǒng)對話連貫性的方法及系統(tǒng)，根據(jù)當(dāng)前對話輸入的內(nèi)容，實(shí)時地從所有以往話題中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，并從切割出的相關(guān)話題集合中，挖掘出最具有代表性的當(dāng)前話題關(guān)鍵詞，由于所挖掘出的關(guān)鍵詞包含了上下文信息，將當(dāng)前對話輸入內(nèi)容與當(dāng)前話題關(guān)鍵詞一并作為系統(tǒng)輸入，可以保持對話系統(tǒng)對話連貫性，從而實(shí)現(xiàn)人機(jī)對話達(dá)到持續(xù)深入的效果。

為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案是：

一方面，本發(fā)明提供一種用于保持對話系統(tǒng)對話連貫性的方法，包括，根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合；從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞；根據(jù)當(dāng)前對話輸入和當(dāng)前話題關(guān)鍵詞，確定應(yīng)答輸出。

進(jìn)一步地，根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，具體包括，將當(dāng)前對話輸入標(biāo)記為Q0，并對歷史對話重新標(biāo)記，其中，歷史對話為[Q1,A1]，[Q2,A2]，…[Qi,Ai]，…[Qn,An]，重新標(biāo)記后的歷史對話為S1，S2，S3，S4，…,S_2i-1,S_2i,…S_2n-1,S_2n，其中，n為歷史對話的總數(shù)量，[Qi,Ai]為第i輪歷史對話，Qi為第i輪歷史對話中的對話輸入，Ai為第i輪歷史對話中的應(yīng)答輸出，S_2i-1為Qi重新標(biāo)記后對應(yīng)的句子，S_2i為Ai重新標(biāo)記后對應(yīng)的句子；根據(jù)當(dāng)前對話輸入和重新標(biāo)記后的歷史對話，按照預(yù)先設(shè)定的話題切割規(guī)則進(jìn)行話題切割，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步地，話題切割規(guī)則為：計(jì)算S1與Q0的之間語義相似度M_1，0，若M_1，0<T，則S1與Q0不屬于同一話題，若M_1，0≥T，則繼續(xù)計(jì)算，其中，T為預(yù)先設(shè)置的話題分割閾值；計(jì)算S2分別與S1和QO之間的語義相似度M_2,1,M_2,0，若max(M_2,1,M_2,0)<T，則S1與Q0屬于同一話題，若max(M_2,1,M_2,0)≥T，則繼續(xù)計(jì)算；計(jì)算S3分別與S2，S1和QO之間的語義相似度M_3,2，M_3,1，M_3,0，若max(M_3,2,M_3,1,M_3,0)<T，則S2，S1與Q0屬于同一話題，若max(M_3,2,M_3,1,M_3,0)≥T，則繼續(xù)計(jì)算；以此類推，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步地，計(jì)算每兩個句子之間語義相似度的步驟包括，將兩個句子分別轉(zhuǎn)換成句子向量，以獲得第一句子向量和第二句子向量；計(jì)算第一句子向量與第二句子向量之間的余弦值，并將此余弦值記為兩個句子間的語義相似度。

進(jìn)一步地，將句子轉(zhuǎn)換成句子向量的步驟具體包括，對句子進(jìn)行分詞，以獲得至少一個詞；在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；對匹配出的所有詞向量進(jìn)行計(jì)算，以獲得句子對應(yīng)的句子向量。

進(jìn)一步地，從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞，具體包括，對相關(guān)話題集合中的每個句子進(jìn)行分詞，以獲得至少一個詞；在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；計(jì)算每個詞向量對應(yīng)的方差，其中，方差的計(jì)算公式為，D_i＝(C_i-C₁)²+(C_i-C₂)²+...+(C_i-C_i-1)²+(C_i-C_i+1)²+...+(C_i-C_m)²，其中，D_i為第i個詞向量對應(yīng)的方差，C_i為第i個詞對應(yīng)的詞向量，m為總的詞向量的個數(shù)；選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞。

另一方面，本發(fā)明提供一種用于保持對話系統(tǒng)對話連貫性的系統(tǒng)，包括，話題切割模塊：用于根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合；關(guān)鍵詞提取模塊：用于從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞；應(yīng)答模塊：用于根據(jù)當(dāng)前對話輸入和當(dāng)前話題關(guān)鍵詞，確定應(yīng)答輸出。

進(jìn)一步地，話題切割模塊，具體用于，將當(dāng)前對話輸入標(biāo)記為Q0，并對歷史對話重新標(biāo)記，其中，歷史對話為[Q1,A1]，[Q2,A2]，…[Qi,Ai]，…[Qn,An]，重新標(biāo)記后的歷史對話為S1，S2，S3，S4，…,S_2i-1,S_2i,…S_2n-1,S_2n，其中，n為歷史對話的總數(shù)量，[Qi,Ai]為第i輪歷史對話，Qi為第i輪歷史對話中的對話輸入，Ai為第i輪歷史對話中的應(yīng)答輸出，S_2i-1為Qi重新標(biāo)記后對應(yīng)的句子，S_2i為Ai重新標(biāo)記后對應(yīng)的句子；根據(jù)當(dāng)前對話輸入和重新標(biāo)記后的歷史對話，按照預(yù)先設(shè)定的話題切割規(guī)則進(jìn)行話題切割，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步地，話題切割規(guī)則為：計(jì)算S1與Q0的之間語義相似度M_1，0，若M_1，0<T，則S1與Q0不屬于同一話題，若M_1，0≥T，則繼續(xù)計(jì)算，其中，T為預(yù)先設(shè)置的話題分割閾值；計(jì)算S2分別與S1和QO之間的語義相似度M_2,1,M_2,0，若max(M_2,1,M_2,0)<T，則S1與Q0屬于同一話題，若max(M_2,1,M_2,0)≥T，則繼續(xù)計(jì)算；計(jì)算S3分別與S2，S1和QO之間的語義相似度M_3,2，M_3,1，M_3,0，若max(M_3,2,M_3,1,M_3,0)<T，則S2，S1與Q0屬于同一話題，若max(M_3,2,M_3,1,M_3,0)≥T，則繼續(xù)計(jì)算；以此類推，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步地，關(guān)鍵詞提取模塊，具體用于，對相關(guān)話題集合中的每個句子進(jìn)行分詞，以獲得至少一個詞；在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；計(jì)算每個詞向量對應(yīng)的方差，其中，方差的計(jì)算公式為，D_i＝(C_i-C₁)²+(C_i-C₂)²+...+(C_i-C_i-1)²+(C_i-C_i+1)²+...+(C_i-C_m)²，其中，D_i為第i個詞向量對應(yīng)的方差，C_i為第i個詞對應(yīng)的詞向量，m為總的詞向量的個數(shù)；選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞。

本發(fā)明提供的用于保持對話系統(tǒng)對話連貫性的方法及系統(tǒng)，根據(jù)當(dāng)前用戶對話輸入的內(nèi)容，實(shí)時地從所有以往話題中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，并從切割出的相關(guān)話題集合中，挖掘出最具有代表性的當(dāng)前話題關(guān)鍵詞，由于所挖掘出的關(guān)鍵詞包含了上下文信息，將當(dāng)前對話輸入內(nèi)容與當(dāng)前話題關(guān)鍵詞一并作為系統(tǒng)輸入，可以保持對話系統(tǒng)對話連貫性，從而實(shí)現(xiàn)人機(jī)對話達(dá)到持續(xù)深入的效果。

附圖說明

圖1是本發(fā)明實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的方法的流程圖；

圖2是本發(fā)明實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的方法的又一流程圖；

圖3是本發(fā)明實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的系統(tǒng)的框圖。

具體實(shí)施方式

下面通過具體的實(shí)施例進(jìn)一步說明本發(fā)明，但是，應(yīng)當(dāng)理解為，這些實(shí)施例僅僅是用于更詳細(xì)具體地說明之用，而不應(yīng)理解為用于以任何形式限制本發(fā)明。

實(shí)施例一

結(jié)合圖1，本實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的方法，包括：

步驟S1：根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合；

步驟S2：從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞；

步驟S3：根據(jù)當(dāng)前對話輸入和當(dāng)前話題關(guān)鍵詞，確定應(yīng)答輸出。

本發(fā)明實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的方法，根據(jù)當(dāng)前對話輸入的內(nèi)容，實(shí)時地從所有以往話題中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，并從切割出的相關(guān)話題集合中，挖掘出最具有代表性的當(dāng)前話題關(guān)鍵詞，由于所挖掘出的關(guān)鍵詞包含了上下文信息，將當(dāng)前對話輸入內(nèi)容與當(dāng)前話題關(guān)鍵詞一并作為系統(tǒng)輸入，可以保持對話系統(tǒng)對話連貫性，從而實(shí)現(xiàn)人機(jī)對話達(dá)到持續(xù)深入的效果。

優(yōu)選地，如圖2所示地，根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，具體包括，

步驟S1.1：將當(dāng)前對話輸入標(biāo)記為Q0，并對歷史對話重新標(biāo)記，其中，歷史對話為[Q1,A1]，[Q2,A2]，…[Qi,Ai]，…[Qn,An]，重新標(biāo)記后的歷史對話為S1，S2，S3，S4，…,S_2i-1,S_2i,…S_2n-1,S_2n，其中，n為歷史對話的總數(shù)量，[Qi,Ai]為第i輪歷史對話，Qi為第i輪歷史對話中的對話輸入，Ai為第i輪歷史對話中的應(yīng)答輸出，S_2i-1為Qi重新標(biāo)記后對應(yīng)的句子，S_2i為Ai重新標(biāo)記后對應(yīng)的句子；

步驟S1.2：根據(jù)當(dāng)前對話輸入和重新標(biāo)記后的歷史對話，按照預(yù)先設(shè)定的話題切割規(guī)則進(jìn)行話題切割，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

本實(shí)施例中，具體地，話題切割規(guī)則為：

a)計(jì)算S1與Q0的之間語義相似度M_1，0，若M_1，0<T，則S1與Q0不屬于同一話題，若M_1，0≥T，則繼續(xù)計(jì)算b)，其中，T為預(yù)先設(shè)置的話題分割閾值；

b)計(jì)算S2分別與S1和QO之間的語義相似度M_2,1,M_2,0，若max(M_2,1,M_2,0)<T，則S1與Q0屬于同一話題，若max(M_2,1,M_2,0)≥T，則繼續(xù)計(jì)算c)；

c)計(jì)算S3分別與S2，S1和QO之間的語義相似度M_3,2，M_3,1，M_3,0，若max(M_3,2,M_3,1,M_3,0)<T，則S2，S1與Q0屬于同一話題，若max(M_3,2,M_3,1,M_3,0)≥T，則繼續(xù)計(jì)算下一步驟；

以此類推，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步具體地，計(jì)算每兩個句子之間語義相似度的步驟包括，將兩個句子分別轉(zhuǎn)換成句子向量，以獲得第一句子向量和第二句子向量；計(jì)算第一句子向量與第二句子向量之間的余弦值，并將此余弦值記為兩個句子間的語義相似度。

更加具體地，將句子轉(zhuǎn)換成句子向量的步驟具體包括，對句子進(jìn)行分詞，以獲得至少一個詞；在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；對匹配出的所有詞向量進(jìn)行計(jì)算，以獲得句子對應(yīng)的句子向量。

進(jìn)一步優(yōu)選地，結(jié)合圖2所示地，從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞，具體包括，

步驟S2.1：對相關(guān)話題集合中的每個句子進(jìn)行分詞，以獲得至少一個詞；

步驟S2.2：在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；

步驟S2.3：計(jì)算每個詞向量對應(yīng)的方差，其中，方差的計(jì)算公式為，D_i＝(C_i-C₁)²+(C_i-C₂)²+...+(C_i-C_i-1)²+(C_i-C_i+1)²+...+(C_i-C_m)²，其中，D_i為第i個詞向量對應(yīng)的方差，C_i為第i個詞對應(yīng)的詞向量，m為總的詞向量的個數(shù)；

步驟S2.4：選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞。

本實(shí)施例中，詞對應(yīng)的方差越小，表示該詞越處于中心位置，即，該詞與相關(guān)話題集合中的其他詞在語義上越接近；而詞對應(yīng)的方差越大，則表示該詞越處于邊沿位置，即，該詞與相關(guān)話題集合中的其他詞在語義上差異越大。此外，本實(shí)施例選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞，其原因在于，方差最小，表示該詞最能夠表示當(dāng)前話題中所論述的內(nèi)容；方差最大，表示該詞最能夠表示當(dāng)前話題所能達(dá)到的外沿部分，這兩個詞從兩個不同的維度編碼了當(dāng)前話題的上下文信息，能夠更好地把控全局對話信息，從而更好地保持對話連貫性。

實(shí)施例二

結(jié)合圖3，本實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的系統(tǒng)，包括，

話題切割模塊1：用于根據(jù)當(dāng)前對話輸入，實(shí)時地從所有歷史對話中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合；

關(guān)鍵詞提取模塊2：用于從相關(guān)話題集合中挖掘出當(dāng)前話題關(guān)鍵詞；

應(yīng)答模塊3：用于根據(jù)當(dāng)前對話輸入和當(dāng)前話題關(guān)鍵詞，確定應(yīng)答輸出。

本發(fā)明實(shí)施例提供的用于保持對話系統(tǒng)對話連貫性的系統(tǒng)，根據(jù)當(dāng)前對話輸入的內(nèi)容，實(shí)時地從所有以往話題中切割出與當(dāng)前對話屬于同一話題的相關(guān)話題集合，并從切割出的相關(guān)話題集合中，挖掘出最具有代表性的當(dāng)前話題關(guān)鍵詞，由于所挖掘出的關(guān)鍵詞包含了上下文信息，將當(dāng)前對話輸入內(nèi)容與當(dāng)前話題關(guān)鍵詞一并作為系統(tǒng)輸入，可以保持對話系統(tǒng)對話連貫性，從而實(shí)現(xiàn)人機(jī)對話達(dá)到持續(xù)深入的效果。

優(yōu)選地，話題切割模塊1，具體用于，

將當(dāng)前對話輸入標(biāo)記為Q0，并對歷史對話重新標(biāo)記，其中，歷史對話為[Q1,A1]，[Q2,A2]，…[Qi,Ai]，…[Qn,An]，重新標(biāo)記后的歷史對話為S1，S2，S3，S4，…,S_2i-1,S_2i,…S_2n-1,S_2n，其中，n為歷史對話的總數(shù)量，[Qi,Ai]為第i輪歷史對話，Qi為第i輪歷史對話中的對話輸入，Ai為第i輪歷史對話中的應(yīng)答輸出，S_2i-1為Qi重新標(biāo)記后對應(yīng)的句子，S_2i為Ai重新標(biāo)記后對應(yīng)的句子；

根據(jù)當(dāng)前對話輸入和重新標(biāo)記后的歷史對話，按照預(yù)先設(shè)定的話題切割規(guī)則進(jìn)行話題切割，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

本實(shí)施例中，具體地，話題切割規(guī)則為：

a)計(jì)算S1與Q0的之間語義相似度M_1，0，若M_1，0<T，則S1與Q0不屬于同一話題，若M_1，0≥T，則繼續(xù)計(jì)算b)，其中，T為預(yù)先設(shè)置的話題分割閾值；

b)計(jì)算S2分別與S1和QO之間的語義相似度M_2,1,M_2,0，若max(M_2,1,M_2,0)<T，則S1與Q0屬于同一話題，若max(M_2,1,M_2,0)≥T，則繼續(xù)計(jì)算c)；

c)計(jì)算S3分別與S2，S1和QO之間的語義相似度M_3,2，M_3,1，M_3,0，若max(M_3,2,M_3,1,M_3,0)<T，則S2，S1與Q0屬于同一話題，若max(M_3,2,M_3,1,M_3,0)≥T，則繼續(xù)計(jì)算下一步驟；

以此類推，以獲得所有歷史對話中與當(dāng)前對話輸入屬于同一話題的相關(guān)話題集合。

進(jìn)一步優(yōu)選地，關(guān)鍵詞提取模塊2，具體用于，對相關(guān)話題集合中的每個句子進(jìn)行分詞，以獲得至少一個詞；在預(yù)先訓(xùn)練好的word2vec矩陣中匹配出每個詞對應(yīng)的詞向量；計(jì)算每個詞向量對應(yīng)的方差，其中，方差的計(jì)算公式為，D_i＝(C_i-C₁)²+(C_i-C₂)²+...+(C_i-C_i-1)²+(C_i-C_i+1)²+...+(C_i-C_m)²，其中，D_i為第i個詞向量對應(yīng)的方差，C_i為第i個詞對應(yīng)的詞向量，m為總的詞向量的個數(shù)；選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞。

本實(shí)施例中，詞對應(yīng)的方差越小，表示該詞越處于中心位置，即，該詞與相關(guān)話題集合中的其他詞在語義上越接近；而詞對應(yīng)的方差越大，則表示該詞越處于邊沿位置，即，該詞與相關(guān)話題集合中的其他詞在語義上差異越大。此外，本實(shí)施例選取對應(yīng)方差最小的詞和對應(yīng)方差最大的詞作為當(dāng)前話題關(guān)鍵詞，其原因在于，方差最小，表示該詞最能夠表示當(dāng)前話題中所論述的內(nèi)容；方差最大，表示該詞最能夠表示當(dāng)前話題所能達(dá)到的外沿部分，這兩個詞從兩個不同的維度編碼了當(dāng)前話題的上下文信息，能夠更好地把控全局對話信息，從而更好地保持對話連貫性。

盡管本發(fā)明已進(jìn)行了一定程度的描述，明顯地，在不脫離本發(fā)明的精神和范圍的條件下，可進(jìn)行各個條件的適當(dāng)變化?？梢岳斫?，本發(fā)明不限于所述實(shí)施方案，而歸于權(quán)利要求的范圍，其包括所述每個因素的等同替換。