[发明专利]一种基于深度学习的端到端目标引导型对话方法

权利要求书

1.一种基于深度学习的端到端目标引导型对话方法，其特征在于，所述方法包括如下步骤：S1：获取上一轮用户对话和当前对话历史，根据上一轮用户对话和当前对话历史初始化序列到序列模型；所述序列到序列模型包括编码器和解码器；

S2：确定当前知识库实体的行号；其具体步骤为：

S2.1：编码器对上一轮用户对话及当前对话历史进行编码，得到隐含向量和解码器当前隐含向量，并计算相似度向量；

S2.2：采用softmax对S2.1得到的相似度向量计算得到注意力权重；

S2.3：得到编码器当前的上下文向量，采用注意力权重与隐含向量相乘得到；

S2.4：建立一个多层神经网络并对其进行训练；

S2.5：根据训练得到的多层神经网络进行行的分类；

S3：确定当前知识库实体的列号；其具体步骤为：

S3.1：根据每一列的知识实体向量和解码器的当前隐含向量计算相似度向量；

S3.2：对S3.1得到的相似度向量，根据softmax计算注意力权重得分；

S3.3：根据注意力权重得分与每一列的知识实力向量相乘得到知识实体的列的分类；

S4：通过注意力机制的得到最佳匹配实体；

S5：迭代执行步骤S2-S4直至最终输出下一轮对话。

2.根据权利要求1所述的基于深度学习的端到端目标引导性对话方法，其特征在于，所述编码器在给定对话历史和用户上一轮对话之后，编码器对输出内容进行编码抽象，得到上个上下文向量，并将该上下文向量传送至解码器。

3.根据权利要求1所述的基于深度学习的端到端目标引导型对话方法，其特征在于，所述解码器接收编码器传送的上下文向量，并从词库中生成相对应的下一个词。

4.根据权利要求1所述的基于深度学习的端到端目标引导型对话方法，其特征在于，所述注意力机制通过计算解码状态与知识实体之的相关程度，得到隐层向量的权重。