[发明专利]对话回复生成方法和装置、电子设备及存储介质

权利要求书

1.一种对话回复生成方法，其特征在于，所述对话回复生成方法包括：

获取本地数据库的本地数据以及目标用户端的用户数据；

对所述本地数据进行上下文特征提取，得到本地语义表征向量；

对所述用户数据进行编码处理，得到问题语义向量；

通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量；

通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量；

对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句，其中，所述答案检索语句为SQL语句；

根据所述答案检索语句对所述本地数据库进行检索处理，得到目标回复内容。

2.根据权利要求1所述的对话回复生成方法，其特征在于，所述本地数据包括表名数据以及每一所述表名数据对应的列名数据，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述对所述本地数据进行上下文特征提取，得到本地语义表征向量的步骤，包括：

将所述表名数据和所述列名数据输入至预设的预训练模型中，其中，所述预训练模型包括编码层和注意力层；

通过所述编码层对所述表名数据进行编码处理，得到表特征嵌入向量，并通过所述编码层对所述列名数据进行编码处理，得到列特征嵌入向量；

通过所述注意力层对所述表特征嵌入向量进行语义分析，得到所述表特征表征向量，并通过所述注意力层对所述列特征嵌入向量进行语义分析，得到所述列特征表征向量。

3.根据权利要求1所述的对话回复生成方法，其特征在于，所述图结构模型包括边构建网络以及图注意力网络，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述通过预设的图结构模型对所述本地语义表征向量以及所述问题语义向量进行重构处理，得到图结构表征向量的步骤，包括：

通过所述边构建网络对所述列特征表征向量和所述表特征表征向量进行匹配处理，得到第一边特征；

通过所述边构建网络对所述列特征表征向量和所述问题语义向量进行匹配处理，得到第二边特征；

通过所述边构建网络对所述表特征表征向量和所述问题语义向量进行匹配处理，得到第三边特征；

通过所述图注意力网络和预设的权重参数对所述第一边特征、所述第二边特征、所述第三边特征进行注意力计算，得到所述图结构表征向量。

4.根据权利要求1所述的对话回复生成方法，其特征在于，所述本地语义表征向量包括列特征表征向量和表特征表征向量，所述解码网络包括第一解码网络和第二解码网络，所述通过预设的解码模型对所述图结构表征向量进行解码处理，得到问题序列表征向量和索引表征向量的步骤，包括：

对所述问题语义向量和所述图结构表征向量进行拼接处理，得到融合问题序列隐向量；

通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量；

对所述列特征表征向量、所述表特征表征向量和所述图结构表征向量进行拼接处理，得到融合索引隐向量；

通过所述第二解码网络对所述融合索引隐向量进行解码处理，得到所述索引表征向量。

5.根据权利要求4所述的对话回复生成方法，其特征在于，所述第一解码网络包括自注意力层和GRU层，所述通过所述第一解码网络对所述融合问题序列隐向量进行解码处理，得到所述问题序列表征向量的步骤，包括：

通过所述自注意力层对所述融合问题序列隐向量进行自注意力计算，得到目标问题序列隐向量；

通过所述GRU层对所述目标问题序列隐向量进行解码处理，得到所述问题序列表征向量。

6.根据权利要求1所述的对话回复生成方法，其特征在于，所述对所述问题序列表征向量和所述索引表征向量进行解析处理，得到答案检索语句的步骤，包括：

根据预设的SQL语法规则对所述问题序列表征向量进行解析处理，得到初始检索语句；

根据预设的关系映射表对所述索引表征向量进行解析处理，得到初始索引信息；

根据所述初始索引信息对初始检索语句进行填充处理，得到所述答案检索语句。