[发明专利]对话管理方案和对话管理语料的构建方法

说明书

本申请公开了一种对话管理方案和对话管理语料的构建方法，其中，方法包括：根据对话场景、定义意图、词槽和/或动作构建基于规则的对话流树；遍历对话流树，转化成对话管理训练语料的格式，以构建与对话流树能力相适应的对话管理模型；在开发阶段，通过与用户模拟器或人工智能训练师进行交互，并在人机对话体验达到预设效果后，通过上线运行收集用户的真实交互数据，并且引入用户的反馈，持续不断地迭代增强对话管理模型，以实现对话管理。本申请实施例的对话管理方案和对话管理语料的构建方法，采用对话流的开发模式相比于相关技术中的纯技能开发模式具有设计思路更清晰、表达更直观、开发更高效等特点，从而既能作为融入专家知识的规则，又能够解决对话管理语料生成或构造困难的问题。

技术领域

本申请涉及人机对话和自然语言理解技术领域，特别涉及一种对话管理方案和对话管理语料的构建方法。

背景技术

从人工智能研究的初期开始，人们就致力于开发智能化的人机对话系统，为人民服务，代替一部分人工。人机对话被广泛的应用到各个领域和应用中，尤其是以任务为导向的任务型人机对话系统，如苹果的siri、微软的cortana、百度度秘、阿里小蜜等个人助手，可穿戴设备、智能家居、智能客服等也都纷纷包含了任务型对话系统。高质量的任务型对话系统可以快速、高效、不间断的为人们提供服务，从而提升服务体验，在帮助企业提高服务质量的同时又能有效降低人力成本。

第一代对话系统主要是基于规则的对话系统，采用人工梳理业务逻辑编写成规则的方式进行对话匹配和管理。如图1所示，需要编写一系列的条件关系式并进行逻辑组合，基于规则的优势在于内部逻辑透明，易于分析调试。但是该种方式高度依赖专家的人工知识，工作量大，覆盖率低，灵活性和可拓展性差。同时，基于规则的人机对话系统完全由系统主导，难以避免系统问，用户答的限定套路，而且对于偏离业务预先设计好的对话路径时，对话系统无法灵活处理，服务体验较差。

随着人工智能的发展，机器学习和深度学习被应用到人机对话系统中。基于模型的任务型对话系统结构如图2所示，主要包括三大部分：语义理解(Natural LanguageUnderstanding，NLU)、对话管理(Dialog Management，DM)和语言生成(Natural LanguageGeneration，NLG)。语义理解(NLU)：主要作用是对用户输入的句子或者语音识别的结果进行处理，提取用户的对话意图以及用户所传递的信息词槽。对话管理(DM)：对话管理分为两个子模块，对话状态追踪(Dialog State Tracking，DST)和对话策略学习(Dialog PolicyLearning，DPL)，其主要作用是根据NLU的结果来更新系统的状态，并生成相应的系统动作。自然语言生成(NLG)：将DM输出的系统动作文本化，用文本的形式将系统的动作表达出来。

基于模型的对话系统泛化能力强，且具有学习能力，即随着对话积累，对话能力不断增强。但模型效果高度依赖于语料，尤其是初期语料不足，模型效果较差，对话能力难以达到最低服务要求。该种类型的对话管理语料形如图3，它不是用户输入的自然语言，而是包含意图和词槽以及历史状态的对话流，因此需要人工标注成结构化的数据。在意图较多，语义槽较多的情况下，对话状态繁多，流程跳转极其复杂，很容易出现编写混乱的情况。此外，基于模型的对话管理，内部运行完全黑盒，对话不受控制，也无法合理利用专家知识。

申请内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一目的在于提出一种对话管理方案和对话管理语料的构建方法，快速实现一个人机对话系统，采用对话流的开发模式相比于相关技术中的纯技能开发模式具有设计思路更清晰、表达更直观、开发更高效等特点，从而既能作为融入专家知识的规则，又能够解决对话管理语料生成或构造困难的问题。

本发明的第二个目的在于提出一种电子设备。

本发明的第三个目的在于提出一种计算机可读存储介质。