[发明专利]一种基于触发式规则的反馈式对话意图获取方法

权利要求书

1.一种基于触发式规则的反馈式对话意图获取方法，其特征在于，包括以下步骤：

S1：构建数据集；

S2：利用步骤S1得到的数据构建模型；

S3：对步骤S2构建的模型进行训练；

S4：利用步骤S3训练好的模型生成系统对话；

所述步骤S1的具体过程是：

S11：构建游戏环境条件图：数据标注员需要为每个知识定义一个结点，对于存在联系的条件结点对，数据标注员需要手工用一条带权边将其连结起来，以揭示它们之间存在的关系；

S12：构建语义文本数据集：如果采用游戏中预设的对话语料库，则游戏开发者需要预先准备好该预设对话库，无论是采用游戏预设的对话语料库，还是现有大型对话相关语料库，训练的过程都是根据输入的对话来生成输出的对话，数据标注员需要对语料库进行处理操作，揭示语句之间的上下文关系；设原语料库中的某一段文本由语句{u₁,u₂,u₃,...u_n}组成，则数据标注员先对这些语句进行预处理操作，得到预处理完毕后的语句序列{μ₁,μ₂,μ₃,...,μ_n}，然后提取其中存在的对话对{μ_i,μ_j}，作为一条数据，其中1≤ij≤n，重复进行此操作以构建语义文本数据集；

所述步骤S2的具体过程是：

S21：图嵌入编码模型构建：图嵌入编码模型拟采用Node2Vec技术，将NPC对话依赖的背景条件集合{g₁,g₂,g₃,...}编码为对应的图嵌入特征向量{k₁,k₂,k₃,...}，随后将其整合为环境知识特征向量K；

S22：语义编码模型构建：语义编码模型拟采用BERT+GRU Encoder结构，将输入语句U_in编码成输入语义特征向量H_in；

S23：特征分析器模型构建：特征分析器对知识特征向量K和输入语义特征向量H_in进行分析，得到输出语义特征向量H_out；

S24：特征解码模型构建：特征解码模型拟采用GRU Decoder架构，转化输出语义特征向量H_out为最终的输出语句U_out；

所述步骤S3的具体过程是：

S31：图嵌入模型训练：基于游戏环境条件图来训练图嵌入模型，得到合适的能将环境背景条件映射到固定维数向量空间的图嵌入编码模型，在该图嵌入模型训练阶段，先单独对图嵌入Node2Vec模型进行训练，设f(u)为当前游戏触发式规则节点，N_s(u)为在方法s下采样得到的邻居规则节点，则图嵌入模型的损失函数可定义为

S32：语义编码/解码模型训练：固定图嵌入编码模型，基于预设对话语料库对输入语义编码模型、特征分析器、输出语义解码模型组合而成的文本生成模型进行端到端训练，在该语义编码/解码模型训练阶段，不再针对于图嵌入模型进行反向传播，而是对输入语义编码模型、特征分析器、输出语义解码模型组合而成的文本生成模型进行端到端训练，设u_in为输入样本，a为模型输出序列，为y真实输出序列，则语义编码/解码模型的损失函数可定义为

所述步骤S4的具体过程是：

S41：玩家选择输入语句：在游戏中，玩家传递给NPC的语句通常并不是由玩家自己手动逐字生成，而是在游戏开发者为其提供的选项中作出选择，当玩家选择了某一条输入之后，该输入语句会送到系统模型中；

S42：模型进行输出语句生成：训练好的模型通过分析玩家的输入语句，并结合当前游戏环境条件对应的环境知识特征，生成输出语句文本；

S43：NPC表述生成语句：NPC对于生成语句的表述方式取决于游戏开发者的设定，是在电脑屏幕前直接为玩家展示NPC的反馈语句，结合字幕和语音模拟的方式来进行表述，后者消耗更多的运算资源。