[发明专利]用于对话内的多角度论述的系统

权利要求书

1.一种由一个或多个处理器实现的方法，所述方法包括：

接收(402)由计算系统(102)在用户与面向用户的代理(202，302)之间的对话期间捕获的用户界面输入，所述面向用户的代理(202，302)至少部分地在所述计算系统上执行；

通过使用针对每个子代理的经训练的机器学习模型处理所述用户界面输入，来使用一组子代理(206-212，308-314)处理(404)所述用户界面输入，以生成一组候选响应，其中每个子代理和每个对应机器学习模型被定制为针对一组对话特征中的不同对话特征；

使用一组特征监测过程处理(406)所述一组候选响应中的每个候选响应，以针对每个候选响应生成与所述一组对话特征相对应的一组对话特征值；

通过将针对每个候选响应的所述一组对话特征值(306)与针对所述对话的一组全局优先级目标(318)进行比较，来从所述一组候选响应中选择(408)对所述用户界面输入的响应，其中所述一组全局优先级目标包括针对所述一组对话特征中的每个特征的预定值；

利用所选择的所述响应更新(410)每个子代理的一个或多个方面；以及

引起(412)所述计算系统基于所选择的所述响应绘制从所述面向用户的代理的输出。

2.根据权利要求1所述的方法，其中利用所选择的所述响应更新每个子代理的一个或多个方面包括：

通过将所选择的输出与对应于每个子代理的所述候选输出进行比较，来更新与该特定子代理相对应的所述机器学习模型中的一个或多个权重。

3.根据权利要求1所述的方法，其中被定制为针对不同对话特征的针对每个子代理的所述机器学习模型通过以下被训练：

应用(504)训练实例的第一部分作为所述机器学习模型的输入以生成预测输出，其中所述训练实例使用所述一组特征监测过程被标记为对应于所述对话特征；以及

通过将所述预测输出与所述训练实例的第二部分进行比较来更新(506)所述机器学习模型中的一个或多个权重，其中所述训练实例的所述第二部分是对所述训练实例的所述第一部分的响应。

4.根据权利要求3所述的方法，其中每个经训练的机器学习模型包括编码器循环神经网络和解码器循环神经网络。

5.根据权利要求4所述的方法，其中所述编码器循环神经网络和所述解码器循环神经网络包括长短期记忆单元。

6.根据权利要求1所述的方法，其中通过将针对每个候选响应的所述一组对话特征值与针对所述对话的一组优先级目标进行比较来从所述一组候选响应中选择对所述用户界面输入的响应包括：

确定每组对话特征值与所述一组优先级目标中针对每个特征的所述预定值之间的距离；以及

选择与最短距离相对应的所述候选响应。

7.根据权利要求6所述的方法，其中确定每组对话特征值与所述一组优先级目标中针对每个特征的所述预定值之间的距离包括：

确定每组对话特征值与所述一组优先级目标中针对每个特征的所述预定值之间的Mahalanobis距离。

8.根据权利要求1所述的方法，其中所述一组对话特征至少包括情绪、困惑、客观相关性、个性和详细度。