[发明专利]语句处理方法、系统和电子设备

说明书

本公开提供了一种语句处理方法，包括确定待处理语句的向量表示，将所述待处理语句的向量表示输入至第一循环神经网络，更新所述第一循环神经网络的隐含层状态作为历史对话的向量表示，其中，若存在已处理语句，所述第一循环神经网络的隐含层状态与所述已处理语句相关，确定与所述待处理语句相关的知识向量，基于所述历史对话的向量表示以及所述知识向量，生成答复语句。本公开还提供了一种语句处理系统、一种电子设备以及一种计算机可读介质。

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种语句处理方法、系统和电子设备。

背景技术

随着电子商务的发展，电子商务平台承担了有关商品的售后需求，但随着业务的发展、用户线上购物数量的增多，传统的人工客服模式已难以适应海量电商用户的售后需求，同时也给企业带来了巨大的人力成本负担。

为解决该现象，基于语音对话性质的导购服务应运而生，即引入对话生成系统(Dialogue Generation System)，通过训练机器学习模型来更准确的捕捉用户的购物需求，同时动态理解用户的需求变化，以模拟自然人的对话方式，引导和帮助用户完成在电商网站上的购物行为以及完善各类售后服务。

在实现本发明的过程中，发明人发现现有技术中至少存在以下问题：现有的对话生成模型，由于缺乏关于对话内容的背景知识，无法有效生成相应答复，或者经常生成与对话内容不相关的万能答复，例如“哈哈”、“我不知道”，阻碍提升对话生成系统的效率。

发明内容

有鉴于此，本公开提供了一种语句处理方法、系统和电子设备。

本公开的一个方面提供了一种语句处理方法，包括确定待处理语句的向量表示，将所述待处理语句的向量表示输入至第一循环神经网络，更新所述第一循环神经网络的隐含层状态作为历史对话的向量表示，其中，若存在已处理语句，所述第一循环神经网络的隐含层状态与所述已处理语句相关，确定与所述待处理语句相关的知识向量，基于所述历史对话的向量表示以及所述知识向量，生成答复语句。

根据本公开的实施例，所述确定所述待处理语句的向量表示包括，将所述待处理语句中的词转化为词向量，将所述词向量有序输入至第二循环神经网络，获得所述第二循环神经网络的隐含层状态作为所述待处理语句的向量表示，其中，所述第二循环神经网络的隐含层状态与已处理语句无关。

根据本公开的实施例，所述确定与所述待处理语句相关的知识向量包括，确定与所述待处理语句相关的多个候选条目，确定所述候选条目的候选条目向量，确定各个所述候选条目向量与所述待处理语句的向量表示之间的相关度系数，以及基于所述相关度系数以及所述候选条目向量，确定知识向量。

根据本公开的实施例，所述确定与所述待处理语句相关的知识向量包括，确定与所述待处理语句相关的多个候选条目，确定所述候选条目的候选条目向量，确定各个所述候选条目向量与所述历史对话的向量表示之间的相关度系数，以及基于所述相关度系数以及所述候选条目向量，确定知识向量。

根据本公开的实施例，所述确定与所述待处理语句相关的多个候选条目包括以下至少一种，确定与所述待处理语句匹配的候选条目，确定与所述待处理语句中的实体内容相似的候选条目，或者，在存在已处理语句的情况下，确定与所述已处理语句相关的候选条目。

根据本公开的实施例，所述方法还包括，在所述候选条目的数量超过预设数量的情况下，忽略部分候选条目。

根据本公开的实施例，所述基于所述历史对话的向量表示以及所述知识向量，生成答复语句包括，将所述历史对话的向量表示、所述知识向量以及前一次预测的词的词向量输入至第三循环神经网络，基于所述第三循环神经网络的隐含层状态确定当前预测词，并循环执行上述操作直至生成完整的答复语句，其中，所述第三循环神经网络的隐含层状态与已处理语句无关，在不存在前一次预测的词的情况下，将默认起始符作为前一次预测的词。