[发明专利]方法、装置以及程序

说明书

技术领域

本公开涉及能够提高对话行为的推定精度的方法、装置以及程序。更具体而言，例如涉及对话行为推定方法、对话行为推定装置以及程序，尤其涉及使用被进行机器学习的预定模型来推定说话文的对话行为的对话行为推定方法、对话行为推定装置以及程序。

背景技术

对话行为推定技术是推定用户说的话所意味的对话行为的技术。作为这种技术，已提出了使用如下神经网络的技术，即该神经网络使用以一句话为单位赋予了对话行为的语料库，将对对话行为有贡献的高频度的词句作为语言特征来学习，还使用与前一句话等的上下文(语境)信息来学习上下文依赖(上下文相关)的对话行为(例如参照非专利文献1)。在非专利文献1中，使用可处理时间序列信息的递归神经网络，学习上下文依赖以及语言特征的对话行为。

现有技术文献

非专利文献

非专利文献1：Nal Kalchbrenner,Phil Blunsom,“Recurrent Convolutional Neural Networks for Discourse Compositionality”,arXiv preprint arXiv:1306.3584,2013.

发明内容

发明所要解决的问题

然而，在上述非专利文献1所提出的方法中，存在学习时的教师数据不足，无法获得足够的推定精度这一问题。

本公开是鉴于上述情形而做出的，其目的在于提供能够提高对话行为的推定精度的方法、装置以及程序。

用于解决问题的技术方案

本公开的一个技术方案涉及的方法，包括：取得学习用数据，所述学习用数据包括：第1文句，其为推定对象的第1时刻的第1说话文的文本数据；第2文句，其为所述第1时刻之前的时刻的、与所述第1说话文连续的第2说话文的文本数据；行为信息，其表示与所述第1文句关联的行为；属性信息，其表示与所述第1文句关联的属性；以及对话行为信息，其表示作为与所述第1文句关联的行为和属性的组合的对话行为，使用所述学习用数据，使预定模型同时学习两种以上的任务，将所述学习得到的结果作为学习结果信息存储于存储器，在所述学习中，作为所述任务之一，使用所述学习用数据所包含的所述行为信息来作为教师数据，使所述预定模型学习所述第1说话文与所述行为信息的关联，作为所述任务之一，使用所述学习用数据所包含的所述属性信息来作为教师数据，使所述预定模型学习所述第1说话文与所述属性信息的关联，作为所述任务之一，将所述学习用数据所包含的所述对话行为信息作为教师数据，使所述预定模型学习所述第1说话文与所述对话行为信息的关联。

另外，本公开的一个技术方案涉及的装置，具备：取得部，其取得学习用数据，所述学习用数据包括：第1文句，其为推定对象的第1时刻的第1说话文的文本数据；第2文句，其为所述第1时刻之前的时刻的、与所述第1说话文连续的第2说话文的文本数据；行为信息，其表示与所述第1文句关联的行为；属性信息，其表示与所述第1文句关联的属性；以及对话行为信息，其表示作为与所述第1文句关联的行为和属性的组合的对话行为；学习部，其使用所述学习用数据，使预定模型同时学习两种以上的任务；以及存储部，其将所述学习得到的结果作为学习结果信息进行存储，所述学习部，作为所述任务之一，使用所述学习用数据所包含的所述行为信息来作为教师数据，使所述预定模型学习所述第1说话文与所述行为信息的关联，作为所述任务之一，使用所述学习用数据所包含的所述属性信息来作为教师数据，使所述预定模型学习所述第1说话文与所述属性信息的关联，作为所述任务之一，将所述学习用数据所包含的所述对话行为信息作为教师数据，使所述预定模型学习所述第1说话文与所述对话行为信息的关联。

此外，这些总括性或者具体的技术方案既可以通过系统、方法、集成电路、计算机程序或计算机可读取的CD-ROM等记录介质来实现，也可以通过系统、方法、集成电路、计算机程序和记录介质的任意组合来实现。

发明效果

根据本公开的方法等，能够提高对话行为的推定精度。

附图说明

图1是表示实施方式1涉及的对话行为推定系统的构成例的框图。

图2是表示实施方式1涉及的对话行为推定系统的构成的另一例的框图。

图3是表示实施方式1涉及的学习用数据的一例的图。

图4是表示实施方式1涉及的学习部的详细构成的一例的框图。

图5是表示实施方式1涉及的神经网络模型的概略的图。

图6是表示实施方式1涉及的对话数据的一例的图。