[发明专利]一种面向推荐的情绪型对话方法

权利要求书

1.一种面向推荐的情绪型对话方法，实现在不干扰推荐内容的前提下，生成符合用户当前情绪的对话回复；其特征在于，具体操作步骤如下：

(1)对话数据集的预处理：通过训练情绪文本分类模型，预测对话数据集中历史对话与回复句的情绪标签值，将情绪预测标签结果保留在数据集中；

(2)预测推荐内容模型训练：根据数据集中的推荐目标序列以及历史对话信息，通过用户画像中用户喜好对最终推荐目标序列的干预，训练并预测当前目标是否完成以及下一个推荐的目标实体，得到最终的推荐目标序列；

(3)情绪型对话模型训练：基于Sequence-to-Sequence模型，将知识模块、推荐目标序列模块、历史对话模块、当前回复模块等作为Encoder，在Decoder处加入情绪嵌入模块，进行训练；在不干扰知识输出的前提下，完成对用户情绪的捕获并以此改善对话回复；

(4)面向推荐的情绪型对话模型调用：通过调用上述训练模型，首先根据用户画像预测最终的推荐目标序列，再预测当前输入语句的情感标签值，加上历史对话作为上下文输入，通过Sequence-to-Sequence编解码，得到最终的对话回复输出。

2.根据权利要求1所述的面向推荐的情绪型对话方法，其特征在于，所述步骤(1)通过级联ERNIE与TextCNN模块，构建情绪文本分类网络，文本分类训练数据集中包含喜欢like、悲伤sad、愤怒anger、厌恶disgust、高兴happiness、其他null六类情绪文本语料；该文本分类网络模型的损失函数为在预测值与真实值之间做交叉熵：

其中n为样本数，q为输出类别数，是真实值向量y⁽ⁱ⁾中非0即1的元素，是预测值向量中非0即1的元素；i表示第i个样本；j表示第j个分类类别；

训练后得到分类模型，应用于百度开源的DuRecDial数据集，并将该数据集中的历史对话及对应回复，通过该文本分类网络模型进行情绪预测，得到每句对应的情绪预测标签值，将预测结果保留在数据集中，同时，数据集中保留历史对话、当前回复、三元组形式的知识图谱信息、推荐目标序列、用户画像字段。

3.根据权利要求1所述的面向推荐的情绪型对话方法，其特征在于，所述步骤(2)基于DuRecDial数据集中的推荐目标序列以及用户画像字段，构建推荐目标预测网络，该网络包含两个模块：判断当前目标完成情况模块以及预测下一个推荐实体模块；其中，判断当前目标完成情况模块采用的网络模型为TextCNN，将历史对话和当前对话进展情况作为输入，输出为预测当前目标完成的概率：

P_GC(l＝1|X,g_t-1) (2)

其中，X表示历史对话，t表示当前对话轮次，g_t-1表示上一句话的对话目标，P_GC表示目标完成概率；若概率值小于0.5，表示未完成，则将上一句对话目标返回作为下一轮对话目标；若概率值大于0.5，表示当前对话目标已完成，则进入下一阶段，即下一个推荐目标预测；

预测下一个推荐实体模块采用了基于CNN的多分类网络，同时根据用户画像中用户的喜好，在该网络中加入对应的Attention机制，对应用户喜好的推荐目标将会被分配更高的权重值；通过该Attention对最终推荐目标序列的干预，训练并预测当前目标是否完成，并预测下一个对话的目标实体，得到最终的推荐目标序列；其概率模型写为：

其中，P为用户画像，代表用户的喜好与厌恶，X为历史对话，G原始推荐目标，g^tp为下一个候选对话推荐目标，P_GP表示对话目标预测概率，t表示当前对话轮次。