[发明专利]基于问答系统的对话处理方法、装置和系统及移动设备

说明书

本发明公开了一种基于问答系统的对话处理方法、装置和系统及移动设备。其中，该方法包括：接收当前输入的问题；基于检索模型获取问题的至少一个候选答案，并基于生成模型获取问题的第一答案，其中，检索模型为基于搜索技术获取结果的模型，生成模型为基于训练模型获取结果的模型；至少根据第一答案和至少一个候选答案进行评估处理，生成问题的输出答案。本发明解决了现有的自动问答系统准确度低、可控性差的技术问题。

技术领域

本发明涉及信息技术领域，具体而言，涉及一种基于问答系统的对话处理方法、装置和系统及移动设备。

背景技术

随着网络和信息技术的快速发展，互联网成为人们获取信息的主要手段，从互联网上获取信息的手段大致有两种：一种是通过搜索引擎搜索关键词来获取相关信息；另一种是通过向网站或社交软件提供的客服来询问问题并获取相应的答案。前者基于关键词搜索，用户很难将自己的检索意图表达清楚，搜索引擎返回的相关网页很多，用户很难快速定位到所需的信息；后者基于自然语言来提问，可以清楚地表达出用户的意图，但是人工问答需要提供大量的客服来解答，造成人力成本的急剧增长。为了解决人力成本问题，各大网站或产品厂商采取“自动回复”的聊天机器人来为用户解答问题，例如，韩国的simsimi、苹果的Siri、京东客服、小i机器人、微软小冰、微软小娜(Cortana)等。

语聊，不仅是微软小冰这种以尝鲜逗乐为主的问答系统的核心，在面向电子商务等垂直领域的对话系统中也发挥着重要作用。良好的聊天回复能力，可以提高自助问答的趣味性，使人机交互更加流畅，是机器智能的重要体现。对于简单的用户问题，例如机器人自身的设定信息和寒暄类问题，可以通过预设知识点，在交互过程中通过模板匹配或分类来定位和解答。对于其他比较复杂的问题，现有技术通常有两种处理方法：

第一种，基于检索模型的处理。即依托已有的问答库做出回复。对于通用/开放领域的知识问答，可以通过维护大量通用/开放领域知识，使用检索的方式找出最匹配答案；

第二种，基于生成模型的处理。即根据提问直接生成回复。这里的回复生成并非基于模板填充属性后的答案生成，而是指使用基于Google Cho等人的文章《Learning PhraseRepresentations using RNN Encoder-Decoder for Statistical MachineTranslation》提出的Sequence-to-Sequence序列建模方法，利用Recursive NeuralNetwork模型对输入的问题进行「编码」得到其语义向量表示，再根据该语义来「解码」生成回复。由于编码模型和解码模型已预先经过大规模问答数据的训练，因此具有编码语义、生成流畅表述的能力。生成模型能接受各种形式的自然语言输入，并依此生成相关且流畅的回复。

但是，上述两种方案都存在一些缺陷，例如，检索模型依赖于问答库，对于问答库可覆盖的用户问题，效果不错，而对于无法覆盖的用户问题，难以给出合理的回复；生成模型要大量高质量的问答对来训练，对于同一个问题，输出结果可能存在差异，可控性较差，无法保证质量。

针对上述现有的自动问答系统准确度低、可控性差的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于问答系统的对话处理方法、装置和系统及移动设备，以至少解决现有的自动问答系统准确度低、可控性差的技术问题。

根据本发明实施例的一个方面，提供了一种基于问答系统的对话处理方法，包括：接收当前输入的问题；基于检索模型获取问题的至少一个候选答案，并基于生成模型获取问题的第一答案，其中，检索模型为基于搜索技术获取结果的模型，生成模型为基于训练模型获取结果的模型；至少根据第一答案和至少一个候选答案进行评估处理，生成问题的输出答案。