[发明专利]人机智能交互方法、电子设备及存储介质

说明书

本申请提供一种人机智能交互方法、电子设备及存储介质。方法包括：利用中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，以及利用中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型；再利用经过训练后的第一混合深度学习模型和第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；最后，从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机交互的返回结果。其中，MacBERT模型有利于进行迁移学习，混合深度学习模型有利于提高机器对人类语言理解的准确性。

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种人机智能交互方法、电子设备及存储介质。

背景技术

准确理解人类的语言是人机交互中关键的一步。语言携带的关键信息(比如实体文字、个人意图、情感状态)是机器人执行动作的重要依据。目前主流的智能机器人基本能通过理解用户语言来进行服务，特定专业领域的服务机器人通常需要通过理解用户语言，来满足用户需要。可见对语言进行解析而获得有用信息是智能机器人的必备功能。

目前实现自然语言理解模型主要有两种，一种是基于递归神经网络，一种是基于Transformer的双向编码器表示(BERT)。其中，基于递归神经网络的方式是通过递归神经网络(RNN)以及其变体网络长短期记忆模型(LSTM)、门控循环单元(GRU)等进行语言建模，但是这些模型针对不同的任务时都需要设计新的架构并从开始训练，不能实现迁移学习。另外，采用单一的模型对语言进行语义识别时，识别的准确性有待提高。

发明内容

有鉴于此，本申请实施例的目的在于提供一种人机智能交互方法、电子设备及存储介质，能够提升人机交互中机器人对人类语言理解的准确性，并改善无法迁移学习的问题。

为实现上述技术目的，本申请采用的技术方案如下：

第一方面，本申请实施例提供了一种人机智能交互方法，所述方法包括：

基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，在所述第一混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述MLP用于输出任务结果；

基于中文语言模型MacBERT、双向长短词记忆模型BILSTM、多层神经网络MLP，构建第二混合深度学习模型，在所述第二混合深度学习模型中，所述MacBERT用于将文本序列嵌入成具有语义信息的词向量，所述BILSTM用于根据所述MacBERT输出的词向量得到具有前后语义关系的词向量，所述MLP用于输出任务结果；

利用经过训练后的所述第一混合深度学习模型和所述第二混合深度学习模型，对用户输入的语料进行识别，得到用户的意图和实体；

从预先创建的知识图谱中查找并输出与所述意图和实体对应的结果，以作为人机交互的返回结果。

结合第一方面，在一些可选的实施方式中，基于中文语言模型MacBERT和多层神经网络MLP，构建第一混合深度学习模型，包括：

将MacBERT的输出数据，作为所述MLP的输入数据，以构建第一混合深度学习模型；

利用第一训练数据集，对所述第一混合深度学习模型进行训练，得到经过训练的第一混合深度学习模型，其中，所述第一训练数据集中包括按语料意图被划分为M种意图特征类别的多条语料，所述第一训练数据集中的每条语料设置有与意图特征类别对应的语料标注，M为大于1的整数。

结合第一方面，在一些可选的实施方式中，所述M种意图特征类别包括以下的至少两种类别：

表征病情诊断的第一意图类别；

表征病因分析的第二意图类别；

表征治疗方案的第三意图类别；