[发明专利]一种基于决策树的任务导向型自动对话方法

说明书

本发明公开了一种基于决策树的任务导向型自动对话方法，包括：将法律咨询的结论离散化为分类类别，把与结论相关的当事人的信息离散化为基本属性；接收当事人咨询的问题，通过分类算法抽取基本属性对应的属性值，结论对应的类别值；将收集的实际案例作为训练样本，建立基于决策树的法律咨询分类预测模型；接收新的当事人的咨询，根据所建立的决策树实现咨询对话的过程，并返回当事人咨询的结论。本发明本方法接受用户在线法律咨询，实现与用户的多轮对话，能够返回精准的法律咨询结论，互动效果好、实时性高，极大的缩减了人工工作量。

技术领域

本发明涉及自然语言处理、数据挖掘、大数据分析与对话系统等技术领域，具体涉及一种基于决策树的任务导向型自动对话方法。

背景技术

面向任务的对话系统的研究目标是希望利用自然语言来访问结构化数据库并从中查询数据，可以视为继图形用户界面之后新的人机交互接口。面向任务的对话系统不同于以闲聊和情感陪伴为目的的聊天机器人，是智能客服技术工具化应用的主要发展方向，也是智能问答系统最热门和最有应用价值的子领域之一。

任务驱动式对话系统始自人工智能诸多专家系统的研究，学者们最早通过人工提取特征，设计本体，组织规则，研制了众多数据库自然语言接口(Natural LanguageInterface of Database，NLIDB)，使人们可以通过限定性的自然语言来查询数据，但其只支持上下文无关的单轮对话查询，通用性和可扩展性都很差。后来随着ELIZA系统的成功，多轮对话系统也开始出现。一些系统开始了在某些狭窄领域的商业应用，如机票订购，餐厅预订，导航助理。此类系统称为基于规则或基于模板(Symbolic Rule/Templated Based)的对话系统，是第一代技术。优点是系统内部的规则易懂透明，很容易修补漏洞和进行系统更新。但跨领域的通用性和可扩展性都很差，依赖领域专家的开发和维护，数据被用来设计规则，而不是学习。

随着大数据技术的发展，统计机器翻译(简称SMT)在自动翻译上取得了巨大成功，热潮蔓延到对话系统领域，出现了统计对话系统(Statistical Dialog System)，为第二代技术。此类系统将许多浅层模型(如CRF、HMM)用于对话系统的语言理解和生成，增强学习的方法也开始使用，代表是剑桥大学Steve Young教授团队研发的基于POMDP的对话系统。优点是摆脱了对领域专家的依赖，增强了问答的鲁棒性，但模型却变得难以解释，从而很难维护系统，模型的表征能力也不够强，不足以做到完全端到端学习，系统依然难以跨领域扩展。

2014年，深度学习在计算机视觉和语音识别上的突破性进展，以及深度增强学习在Atari游戏上的成功，使学者们开始将诸多神经网络模型用于对话系统，称为神经对话系统(Neural Dialog System)，为第三代技术。在此基础上，模型的表征能力更强，完全端到端变得可行，微软邓力团队于2016年即开发了一个完全端到端的机器人KB-InfoBot，采用基于概率的软查询来访问结构化数据库，让人们看到了神经网络模型在面向任务的对话系统上的更多可能。但此类对话系统依然有很多局限，包括依靠大规模标注数据的训练，模型仍然很难解释，在神经网络学习和符号自然语言之间缺乏交互。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于决策树的任务导向型自动对话方法，接受用户在线法律咨询，实现与用户的多轮对话，能够返回精准的法律咨询结论，互动效果好、实时性高，极大的缩减了人工工作量。

本发明采用如下技术方案：

一种基于决策树的任务导向型自动对话方法，包括：

1.1)将法律咨询的结论离散化为分类类别，把与结论相关的当事人的信息离散化为基本属性；

1.2)接收当事人咨询的问题，通过分类算法抽取基本属性对应的属性值，结论对应的类别值；

1.3)将收集的实际案例作为训练样本，建立基于决策树的法律咨询分类预测模型；