[发明专利]用于人机对话的方法、神经网络系统和用户设备

权利要求书

1.一种用于人机对话的方法，其特征在于，包括：

神经网络系统获取用户输入的自然语言问题；

所述神经网络系统将所述自然语言问题转化为问题向量；

所述神经网络系统从知识库中通过文本检索，获得与所述自然语言问题相关的至少一个知识答案，每个所述知识答案与一个知识答案向量对应；

所述神经网络系统根据所述问题向量和至少一个所述知识答案向量，计算获得基于所述知识库的中间结果向量，所述中间结果向量用于指示所述问题向量和每个所述知识答案向量的相似度；

所述神经网络系统将所述问题向量和所述中间结果向量作为输入，通过计算以所述问题向量和所述中间结果向量作为条件的输出序列的联合概率，生成所述自然语言问题的自然语言答案。

2.根据权利要求1所述的方法，其特征在于，所述根据所述问题向量和至少一个所述知识答案向量，计算获得基于所述知识库的中间结果向量，包括：

将所述问题向量和至少一个所述知识答案向量作为所述神经网络系统的第二神经网络模块的输入，通过所述第二神经网络模块计算所述问题向量与每个所述知识答案向量的相似度，其中，所述相似度构成所述中间结果向量的元素。

3.根据权利要求1或2所述的方法，其特征在于，所述知识答案为三元组，所述知识答案向量为三元组向量，所述三元组向量是将所述三元组作为所述神经网络系统的第四神经网络模块的输入计算获得的。

4.根据权利要求3所述的方法，其特征在于，所述三元组向量是根据以下步骤确定的：

将所述三元组的主语、谓语和宾语分别用第一独热向量、第二独热向量和第三独热向量表示；

将所述第一独热向量、所述第二独热向量和所述第三独热向量分别与投影矩阵运算，获得第一低维向量、第二低维向量和第三低维向量，其中，所述投影矩阵为所述第四神经网络模块的参数；

根据所述第一低维向量、所述第二低维向量和所述第三低维向量，计算获得所述三元组向量。

5.根据权利要求1或2所述的方法，其特征在于，所述将所述自然语言问题转化为问题向量，包括：

将所述自然语言问题作为所述神经网络系统的第一神经网络模块的输入，将所述自然语言问题的词序列表示为低维向量序列；

通过所述第一神经网络模块的递归神经网络模型或卷积神经网络模型，对所述低维向量序列进行运算，获得所述问题向量。

6.根据权利要求1或2所述的方法，其特征在于，所述将所述问题向量和所述中间结果向量作为输入，通过计算以所述问题向量和所述中间结果向量作为条件的输出序列的联合概率，生成所述自然语言问题的自然语言答案，包括：

将所述问题向量和所述中间结果向量作为所述神经网络系统的第三神经网络模块的输入，通过所述第三神经网络模块的递归神经网络模型或卷积神经网络模型，计算以所述问题向量和所述中间结果向量作为条件的输出序列的联合概率，生成所述自然语言答案。

7.根据权利要求6所述的方法，其特征在于，所述将所述问题向量和所述中间结果向量作为输入，通过计算以所述问题向量和所述中间结果向量作为条件的输出序列的联合概率，生成所述自然语言问题的自然语言答案，包括：

将所述问题向量和所述中间结果向量作为输入，通过所述第三神经网络模块的基于注意attention向量技术的递归神经网络模型，计算输出序列的概率，生成所述自然语言答案。

8.根据权利要求1或2所述的方法，其特征在于，所述神经网络系统的参数是通过最大化训练数据上的似然函数的结果得到的，其中，所述训练数据包括多组所述自然语言问题和所述自然语言答案。