[发明专利]一种面向推荐的情绪型对话方法

说明书

本发明公开了一种面向推荐的情绪型对话方法。该方法主要有以下几个步骤：(1)对话数据集的预处理；(2)预测推荐内容模型训练；(3)基于Sequence‑to‑Sequence模型，将历史对话、推荐目标序列、知识图谱、当前回复等作为Encoder的输入，并通过双向GRU模型进行编码，Decoder处加入情绪嵌入模块，由历史对话得到用户当前情绪，在不干扰知识输出的前提下，生成符合用户当前情绪的对话回复；(4)面向推荐的情绪型对话模型调用，通过Sequence‑to‑Sequence编解码，得到最终的对话回复输出。该方法证明了对话机器人不仅仅只拥有单一的知识输出或情绪输出的能力，而且可以将知识输出与情绪输出结合，使对话生成更加类人，进而提升用户体验。

技术领域

本发明涉及一种面向推荐的情绪型对话方法，属于计算机自然语言处理领域。

背景技术

随着数字化信息时代的到来，大量社交软件应运而生的对话数据量正以惊人的速度增加。这种数字化趋势为深度学习与智能对话技术在订票助手、智能推荐、智能客服等领域的应用创造了新的机遇。作为人工智能的一条重要分支，智能对话技术已经不仅仅被期望拥有智商，即知识的获取与表达，更应该拥有情商，即用户情绪的捕捉，并根据用户当前的情绪生成对应的回复。对于目前已有的智能对话推荐系统，可以不错地提取相关知识，完成推荐任务，但无法根据用户的回复，感知用户的情绪，并调整回复策略。如何利用当前计算机技术实现拥有“双商”的面向推荐的情绪型对话机器人，是一个值得研究的问题。

实现一个文本对话机器人的两大基本模块主要是自然语言理解模块(NLU)和自然语言生成模块(NLG)。其中，自然语言生成是对话系统的核心内容，通常包含三种解决方案：基于人工模板(rule-based)、基于知识库检索(query-based)和基于深度学习的序列到序列(Sequence-to-Sequence)生成模型。每种方案各有优劣和适用场景，(1)rule-based：在特定领域内可以给出精准回答，但移植性和拓展性较差，适用于订票助手等封闭域(closed-domain)聊天应用。(2)query-based：知识库拥有较好的扩充性且输出答案不存在语法错误，但对话的连贯性较差，会出现所答非所问的情况，适用于问答系统等应用。(3)Sequence-to-Sequence：可以通过数据驱动直接实现自然语言生成，省去了自然语言理解的过程，但其需要大量的语料支持，适用于大部分的开放域(open-domain)智能聊天机器人。

运用深度学习实现智能对话的基础框架是Encoder-Decoder，对其Encoder或Decoder的改写，可以实现不同的对话应用：智能客服、智能推荐、闲聊机器人、多轮对话机器人、问答机器人、情绪感知型聊天机器人等。

1950年，Alan Mathison Turing提出了著名的图灵测试，如果计算机能够像人类一样用自然语言进行交流，那么就可以被认为具有人工智能。即要求计算机拥有像人一般的智商、情商以及学习能力。

Zhou等人首次在大规模的中文对话生成中加入了情绪因素，提出了情感聊天机(ECM)，通过在Decoder端加入情绪嵌入(Emotion Embedding)模块、内部记忆(InternalMemory)模块和外部记忆(External Memory)模块，实现了由输入语句生成对应五种情绪的回复。

Song等人基于情感表达的两种方式：采用较强的情感词以及隐式地结合不同中立词来增加情感体验的强度，提出了一种情感对话系统，在Sequence-to-Sequence框架中扩展了基于词典的注意力机制，实现了显示或隐式地表达期望情感，同时成功地生成连贯且有意义的回复。

Rashkin等人针对用来训练和评测的公开情绪对话数据集非常缺乏的问题，提出了一个英文情感对话的基线方法和数据集，该模型采用了Transformer作为编解码，并在编码的过程中增加了情感标签的辅助信息。