[发明专利]一种面向出行领域的车载多轮对话方法

说明书

本发明涉及一种面向出行领域的车载多轮对话方法，属于人工智能技术领域。该方法主要包括对话意图识别过程、置信状态跟踪过程以及对话策略生成过程。对话意图识别过程主要包括构建长短期记忆网络、完成意图识别网络结构设计、对学习模型进行训练与交叉验证等；置信状态跟踪过程主要包括对每个槽构建专用状态跟踪器、训练置信跟踪器，并设计数据库查询方法进行查询等。对话策略生成过程主要包括设计总体回报函数与Q网络，搭建深度增强学习模型，依据对话状态的全局置信概率分布与策略回报选择所有可能的并行对话路径等。本方法能够为用户提供快捷高效与人性化的用户体验，在面向出行领域的车载多轮对话领域具有重要的理论意义和应用价值。

技术领域

本发明属于人工智能技术领域，特别是面向出行领域的人车交互技术领域，涉及一种面向出行领域的车载多轮对话方法。

背景技术

近年来，人机对话在在移动终端、智能家居、智慧医疗、智能网联汽车等各个领域的产品层出不穷，理解人类语言并能够与人类对话，给出相应信息反馈的机器人成为了大多数人的需求。任务驱动的多轮对话是人机对话的主要形态之一，目前国内外在任务型多轮对话系统方面的研究如火如荼，主要是针对智能客服领域，但是在出行领域，人车对话交互涉及多方面专有的知识，这使得这些对话系统无法满足人车交互的需要。

现有技术中，人车交互多采用关键词、关键句匹配的方式判断客户问题是否命中知识库，若严格限制用户的对话方式，则将造成对话过程机械、交互自然度低。且当用户对意图表述不清楚、对话过程中存在省略、重复等不符合语法逻辑现象，或是更改先前对话所提信息时，整个多轮对话周期会变长，降低了用户体验。

对于目前存在的问题，迫切需要开发一种针对特定领域的多轮对话交互技术，而大数据与深度学习近年来在自然语言处理方向的显著进展为车载多轮对话提供了新的思路。

发明内容

有鉴于此，本发明的目的在于提供一种面向出行领域的车载多轮对话方法，实现在车载人机对话中提供快捷高效与人性化的用户体验。

为达到上述目的，本发明提供如下技术方案：

一种面向出行领域的车载多轮对话方法，该方法基于深度学习，所述深度学习包括：基于长短期记忆网路的意图识别、与卷积神经网络绑定的循环神经网络置信状态跟踪、深度增强学习下的策略网络；该方法包括以下步骤：

S1、获取出行领域下的多伦对话训练数据集，意图识别模型训练数据集与置信状态跟踪模型训练数据集，构建长短期记忆网络；

S2、对于给定的意图识别模型训练数据集，在超参数选择约束下，对学习模型进行训练与交叉验证，最终生成模型用于识别用户意图，并将结果提交给用于对话管理的策略网络；

S3、搭建与卷积神经网络绑定的循环神经网络进行置信状态跟踪任务，对每个槽构建专用状态跟踪器，利用卷积神经网络提取特征向量，通过循环神经网络计算对话置信状态；

S4、通过数据驱动训练置信跟踪器，并设计数据库查询方法进行查询；

S5、通过意图类别，置信状态和数据库真值向量构建对话状态，设计总体回报函数与Q网络，搭建深度增强学习模型；

S6、通过调整Q网络对迭代的Bellman目标参数进行求解，利用出行领域的多轮对话数据集进行端到端的模型训练；

S7、依据对话状态的全局置信概率分布与策略回报选择所有可能的并行对话路径，最终生成下一时刻对话动作。

进一步，在步骤S1中，对多轮对话中的每一轮对话进行编码，得到对话的编码向量z_t是在对话轮次t时，输入为的分布式向量表示，即输入后，得到的一堆预测概率向量；构建长短期记忆网络，并将最后一步输出层作为出行领域中的不同意图的概率表示：