[发明专利]对话状态跟踪方法、系统、电子设备及存储介质

说明书

本发明公开一种对话状态跟踪方法，包括：在每轮对话中，获取用户语句表示信息和系统动作表示信息；基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；获取当前状态槽的特征向量信息；根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，槽值集合包含对应于所有状态槽的所有可能的状态值。本发明实施例由于槽值集合对应于所有状态槽，所以实现了槽之间的参数的共享，通过这些共享参数不仅可以在槽间传输知识，还减少了参数数量，简化了状态跟踪系统，提升了对话状态跟踪效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种对话状态跟踪方法、系统、电子设备及存储介质。

背景技术

面向任务的口语对话系统(SDS)是一个可以不断与人交互以通过语音完成预定义任务的系统。它通常由三个模块组成：输入，输出和控制。控制模块也被称为对话管理。它有两个任务：对话状态跟踪(DST，Dialogue State Tracker)和决策。在每轮对话中每次对话转向时，状态跟踪器都会根据从输入模块接收到的信息来维护系统的内部状态。然后根据对话政策并基于对话状态选择机器动作来指导对话。

对话状态是机器对整个对话理解的编码。传统上，它通常被分解为三个不同的组件部分：用户的目标，用户的行为和对话历史。其中，用户的目标是最重要的，这往往只是由插槽值对来表示。

对话状态跟踪的目的在于从包含错误的识别和理解结果中对用户的实际意图进行估计。尽管近年来深度学习等新的机器学习方法大大降低了识别和理解的错误率，但良好的对话状态跟踪方法可有效地克服识别和理解错误，从而进一步改善用户体验。

虽然对话状态跟踪本质上也是一个分类问题，但作为辅助对话策略决策的一个关键步骤，DST维护的是一个概率分布，那么这里就引入了两个问题：(1)怎样衡量一个概率分布的优劣；(2)在哪一轮评估合适。

最近，对话状态跟踪挑战(DSTC，Dialogue State Tracker Challenge)被组织起来以提供共享任务来比较DST算法。提出了各种模型，例如，基于规则的模型，生成统计模型和区分统计模型。而最先进的是深度学习型方法。但是，大多数这些模型都有一些限制。首先，有些模型只能在固定领域本体上工作，即插槽和值是事先定义的，不能动态改变。但是，这在实践中并不灵活。例如，在旅游信息领域经常增加新的餐馆或酒店，这导致了本体的变化。其次，在许多方法中，每个插槽的模型都不相同。因此，参数的数量与状态槽的数量成正比。第三，有些模型基于文本的delexicalization提取特征，这取决于预定义的语义词典，在大规模领域，很难手动构建所有插槽和值的语义词典。

发明内容

本发明实施例提供一种对话状态跟踪方法、系统、电子设备及存储介质，用于至少解决上述技术问题之一。

第一方面，本发明实施例提供一种对话状态跟踪方法，包括：

在每轮对话中，获取用户语句表示信息和系统动作表示信息；

基于所述用户语句表示信息和所述系统动作表示信息分别确定用户语句特征和系统动作特征；

获取当前状态槽的特征向量信息；

根据所述用户语句特征、系统动作特征和特征向量信息确定对应于所述当前状态槽的预测向量值；

基于所述预测向量值确定所述当前状态槽在槽值集合上的概率分布，所述槽值集合包含对应于所有状态槽的所有可能的状态值。

第二方面，本发明实施例提供一种对话状态跟踪系统，包括：

信息提取程序模块，用于在每轮对话中，获取用户语句表示信息和系统动作表示信息；