[发明专利]训练方法和装置、对话处理方法和系统及介质

权利要求书

1.一种强化学习模型的训练方法，包括：

获取用于训练所述强化学习模型的未标注数据和标注数据；

基于所述未标注数据，参考所述标注数据生成用于训练所述强化学习模型的经验池；

利用所述经验池训练所述强化学习模型。

2.如权利要求1所述的方法，其中，所述基于所述未标注数据，参考所述标注数据生成用于训练所述强化学习模型的经验池包括：

基于所述未标注数据，与环境进行交互，生成所述经验池。

3.如权利要求2所述的方法，其中，

所述经验池包括由第一状态、动作、奖励分数和第二状态构成的序列；

其中，所述第一状态和动作是基于所述未标注数据获取的；所述第二状态是在所述环境处于第一状态的情况下，被施加所述动作后，所述环境迁移到的状态。

4.如权利要求3所述的方法，其中，

所述奖励分数包括在所述环境处于第一状态的情况下，被施加所述动作后，在所述标注数据的引导下做出的反馈。

5.如权利要求3所述的方法，其中，

所述奖励分数还包括所述动作的可信度。

6.如权利要求1所述的方法，其中，所述利用所述经验池训练所述强化学习模型还包括：

在训练所述强化学习模型的过程中，根据训练结果更新所述经验池；

利用更新的所述经验池对所述强化学习模型进行训练。

7.如权利要求3所述的方法，其中，

所述未标注数据为医疗对话数据；和/或

所述标注数据为医疗病例数据。

8.如权利要求7所述的方法，其中，

所述动作是基于所述医疗对话数据获取的任一对话动作；

所述第一状态是所述医疗对话数据中在所获取的所述对话动作之前的所有历史信息。

9.如权利要求1-8任一项所述的方法，其中，所述训练方法用于训练用于医疗对话系统的强化学习模型。

10.一种对话处理方法，包括：

获取对话信息；

基于强化学习模型生成回复信息；

基于所述回复信息对所述对话信息进行响应；

其中，所述强化学习模型是通过如下方法训练得到的：

获取用于训练所述强化学习模型的未标注数据和标注数据；

基于所述未标注数据，参考所述标注数据生成用于训练所述强化学习模型的经验池；

利用所述经验池训练所述强化学习模型。

11.如权利要求10所述的方法，其中，所述基于所述未标注数据，参考所述标注数据生成用于训练所述强化学习模型的经验池包括：

基于所述未标注数据，与环境进行交互，生成所述经验池。

12.如权利要求11所述的方法，其中，

所述经验池包括由第一状态、动作、奖励分数和第二状态构成的序列；

其中，所述第一状态和动作是基于所述未标注数据获取的；所述第二状态是在所述环境处于第一状态的情况下，被施加所述动作后，所述环境迁移到的状态。

13.如权利要求12所述的方法，其中，

所述奖励分数包括在所述环境处于第一状态的情况下，被施加所述动作后，在所述标注数据的引导下做出的反馈。

14.如权利要求12所述的方法，其中，

所述奖励分数还包括所述动作的可信度。

15.如权利要求12所述的方法，其中，

所述未标注数据为医疗对话数据；和/或

所述标注数据为医疗病例数据。