[发明专利]基于知识库的对话生成方法、装置、终端及存储介质

说明书

本发明公开了一种基于知识库的对话生成方法、装置、终端及存储介质，其通过将用户输入数据与知识库的三元组、占位符集拼接后，再利用对话网络模型的编码段进行编码，且在编码过程中循环更新语义向量得到最终语义向量，再利用最终语义向量取出最终关注内容，然后利用解码端进行解码，并当解码结果中存在占位符时，利用最终语义向量查询知识库得到局部记忆指针，再根据局部记忆指针从知识库中查询到目标数据以替换占位符，从而得到最终解码结果，再根据最终解码结果进行回复。通过上述方式，本发明能够结合外部知识库的知识储备，并通过反复更新语义向量以提取到真正语义，再通过对话网络模型对用户输入的内容进行准确回复。

技术领域

本申请涉及人工智能领域，特别是涉及一种基于知识库的对话生成方法、装置、终端及存储介质。

背景技术

随着科技的发展，AI(Artificial Intelligence，人工智能)正逐步改变着我们的生活方式，例如智能问答就是其中一种。当客户通过文字或语音在线咨询时，可以由线上的智能客服为客户进行智能应答。智能问答可以有效缓解客户服务的等待状况，提升服务质量，因而有着非常广阔的前景。

目前，现有的对话系统仍然存在OOV(out of vocabulary)问题，即用户输入的内容超出了对话系统的词库，导致对话系统无法做出准确回复；此外，对话系统中利用的模型，其在进行网络结构压缩时，会导致语义的信息出现损失的情况，导致最终生成的回复结果不够准确，影响用户的体验。

发明内容

本申请提供一种基于知识库的对话生成方法、装置、终端及存储介质，以解决现有的智能对话系统对话时的回复内容不够准确的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种基于知识库的对话生成方法，包括：获取用户输入数据、预设知识库的三元组数据以及预设的占位符集，利用用户输入数据、三元组数据和占位符集构建模型输入数据，并将模型输入数据向量化，得到初始语义向量；将初始语义向量输入至预先训练好的对话网络模型的编码端，利用编码端对初始语义向量进行编码，得到隐状态，再利用隐状态、对话网络模型中的记忆矩阵对初始语义向量进行更新，得到最终语义向量；利用最终语义向量取出最终关注内容并输出至对话网络模型的解码端；利用解码端对最终关注内容解码得到词分布，通过词分布输出初始解码结果；当初始解码结果中存在占位符时，通过最终语义向量与知识库做指针网络，得到局部记忆指针，再通过局部记忆指针的分布得到分布最大的目标数据作为输出，利用目标数据替换占位符，得到最终解码结果；根据最终解码结果对用户的输入进行回复。

作为本申请的进一步改进，将初始语义向量输入至预先训练好的对话网络模型的编码端，利用编码端对初始语义向量进行编码，得到隐状态，再利用隐状态、对话网络模型中的记忆矩阵对初始语义向量进行更新，得到最终语义向量，包括：将初始语义向量输入至编码端进行编码，得到隐状态；将隐状态添加至记忆矩阵中，得到更新后的记忆矩阵；利用更新后的记忆矩阵和初始语义向量计算得到从初始语义向量中取出的关注内容；利用关注内容更新初始语义向量，得到更新后的语义向量，并对更新后的语义向量再次进行编码；重复执行上述步骤，直至达到预设次数为止，得到最终语义向量。

作为本申请的进一步改进，利用最终语义向量取出最终关注内容并输出至对话网络模型的解码端之后，还包括：通过最终语义向量查询知识库，得到记忆分布的全局记忆指针；最终语义向量与知识库做指针网络，得到局部记忆指针，包括：通过全局记忆指针从知识库中筛选出目标数据集，再通过最终语义向量与目标数据集做指针网络，得到局部记忆指针。

作为本申请的进一步改进，通过最终语义向量查询知识库，得到记忆分布的全局记忆指针，包括：通过最终语义向量查询知识库中的每一条数据，再利用最终语义向量和记忆矩阵做内积相似度计算，并对计算结果执行sigmoid函数，得到记忆分布的全局记忆指针。