[发明专利]应用于复合对话任务的对话方法及系统

说明书

本申请公开一种应用于复合对话任务的对话方法，包括：对当前对话置信状态进行结构化处理以得到上层结构化对话状态；基于第一图神经网络对所述上层结构化对话状态进行处理，以确定对应于所述当前对话置信状态的子任务信息；对所述子任务信息和所述当前对话置信状态进行结构化处理以得到底层结构化对话状态；基于第二图神经网络对所述底层结构化对话状态进行处理，以确定相应于所述当前对话置信状态的对话动作。本申请实施例结合HDRL和GNN来解决复合任务，同时实现样本效率。此外，对环境噪声更加稳健，可以进行有效准确的迁移。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种应用于复合对话任务的对话方法及系统。

背景技术

复合任务与多领域对话任务不同。后者经常在关注转移学习的论文中提到。在大多数情况下，多领域对话任务仅涉及单个对话中的一个领域，并且在不同领域上测试该一个领域模型的性能以突出其可转移性。相反，复合对话任务可能在单个对话中涉及多个领域，并且智能体必须完成所有子任务(完成所有领域中的目标)以获得正反馈。

考虑完成复合任务的过程(例如，多领域餐厅预订)。智能体首先选择子任务(例如，预留剑桥餐厅)，然后做出一系列决策以收集相关信息(例如，价格范围，区域)，直到提供用户所需的所有信息并完成这些子任务，然后选择下一个子任务(例如，reserve-SF-restaurant)来完成。状态动作空间将随着子任务的数量而增加。因此，复合任务的对话策略学习需要更多的探索，需要在智能体和用户之间进行更多的对话，以完成复合任务。稀疏奖励问题进一步放大。

使用与解决单领域任务相同的方法解决复合任务可能遇到障碍。复合任务的复杂性使智能体难以学习可接受的策略。然而，在现有技术中多层感知器(MLP)经常在DQN中用于估计Q值。MLP使用扁平对话状态的串联作为其输入。这样，它不能容易地捕获该状态下语义槽的结构信息，导致采样效率低。在本申请中提出了ComNet，它利用图形神经网络(GNN)更好地利用观察中的图形结构(例如，对话状态)并与HDRL方法保持一致。

发明内容

本申请实施例提供一种应用于复合对话任务的对话方法及系统，用于至少解决上述技术问题之一。

第一方面，本申请实施例提供一种应用于复合对话任务的对话方法，包括：

对当前对话置信状态进行结构化处理以得到上层结构化对话状态；

基于第一图神经网络对所述上层结构化对话状态进行处理，以确定对应于所述当前对话置信状态的子任务信息；

对所述子任务信息和所述当前对话置信状态进行结构化处理以得到底层结构化对话状态；

基于第二图神经网络对所述底层结构化对话状态进行处理，以确定相应于所述当前对话置信状态的对话动作。

第二方面，本申请实施例提供一种应用于复合对话任务的对话系统，包括：

第一结构化处理程序模块，用于对当前对话置信状态进行结构化处理以得到上层结构化对话状态；

子任务信息确定程序模块，用于基于第一图神经网络对所述上层结构化对话状态进行处理，以确定对应于所述当前对话置信状态的子任务信息；

第二结构化处理程序模块，用于对所述子任务信息和所述当前对话置信状态进行结构化处理以得到底层结构化对话状态；

对话动作确定程序模块，用于基于第二图神经网络对所述底层结构化对话状态进行处理，以确定相应于所述当前对话置信状态的对话动作。

第三方面，本申请实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本申请上述任一项应用于复合对话任务的对话方法。