[发明专利]一种对话处理方法、装置、电子设备及存储介质

权利要求书

1.一种对话处理方法，其特征在于，包括：

从当前对话中获得待处理信息，所述待处理信息至少包括待回复文本；

确定与所述待回复文本对应的第一候选回复文本；

确定与所述第一候选回复文本对应的第一行为类别；

基于预定义的行为类别确定方式，确定出用于推动所述当前对话积极进行的所述第一行为类别；

将与用于推动所述当前对话积极进行的所述第一行为类别对应的所述第一候选回复文本确定为对话回复文本；

输出所述对话回复文本；

其中，所述待处理信息还包括与所述待回复文本对应的对话策略信息，所述对话策略信息为用于确定对话策略的信息；所述基于预定义的行为类别确定方式，确定出用于推动所述当前对话积极进行的所述第一行为类别，包括：

将所述待回复文本、所述对话策略信息和所述第一行为类别输入至训练好的行为策略确定模型，获得所述行为策略确定模型输出的用于推动所述当前对话积极进行的所述第一行为类别；

其中，所述行为策略确定模型是通过强化学习和第一对话，对待训练的行为策略确定模型进行训练而获得的；

通过强化学习和所述第一对话，对待训练的行为策略确定模型进行训练，包括：

从所述第一对话中，获得相对应的第一待回复文本和第一对话策略信息；

基于所述第一待回复文本和所述第一对话策略信息，确定相应的第二行为类别、第一对话回复文本和用户回复文本；其中，所述第二行为类别是基于待训练的行为策略确定模型确定出的用于推动所述第一对话积极进行的行为类别，所述用户回复文本为用户针对所述第一对话回复文本输入的回复文本；

将所述第一待回复文本、所述第一对话策略信息、所述第二行为类别和所述用户回复文本输入到训练好的奖励模型中，获得所述奖励模型输出的第一奖励值；其中，所述奖励模型是通过使用训练样本对基础模型进行训练获得的，所述训练样本包括用户输入文本、第二对话策略信息、第三行为类别、用户回复文本和第二奖励值；

基于所述第一奖励值，对待训练的行为策略确定模型的模型参数进行更新。

2.根据权利要求1所述的对话处理方法，其特征在于，所述确定与所述第一候选回复文本对应的第一行为类别，包括：

将所述待回复文本和所述第一候选回复文本输入至训练好的行为分类模型，获得所述行为分类模型输出的所述第一行为类别；其中，所述行为分类模型是通过使用训练样本对基础模型进行训练而获得的，所述训练样本中包括用户输入文本、机器回复文本和行为类别。

3.根据权利要求1所述的对话处理方法，其特征在于，所述基于所述第一奖励值，对待训练的行为策略确定模型的模型参数进行更新，包括：

基于所述第一奖励值，获得所述第一对话的整体奖励值；

按照优化所述整体奖励值的目标，对待训练的行为策略确定模型的模型参数进行更新。

4.根据权利要求3所述的对话处理方法，其特征在于，所述基于所述第一奖励值，获得所述第一对话的整体奖励值，包括：

将所述第一奖励值输入到预先建立的整体奖励值确定模型中，获得所述整体奖励值确定模型输出的所述整体奖励值。

5.根据权利要求1所述的对话处理方法，其特征在于，所述待处理信息还包括与所述待回复文本对应的上下文文本；所述确定与所述待回复文本对应的第一候选回复文本，包括：

将所述待回复文本和所述上下文文本输入至训练好的候选回复生成模型，获得所述候选回复生成模型生成并输出的所述第一候选回复文本；

其中，所述候选回复生成模型是通过使用训练样本对基础模型训练出的模型，所述训练样本包括用户输入文本、上下文文本和机器回复文本。