[发明专利]一种基于意图-槽值规则树的任务型多轮对话方法

说明书

本发明属于自然语言处理技术领域，具体提供一种基于意图‑槽值规则树的任务型多轮对话方法。本发明首先根据标准多轮对话语料的业务规则，建立由意图‑槽值联合信息为根和叶、槽值信息为中间结点的意图‑槽值规则树，在对话过程中，采用神经网络方法提取用户语句中的意图和槽值，并以深度优先遍历意图‑槽值规则树的方式进行对话，从而有效地将业务规则与神经网络方法进行了结合，避免了传统基于规则的方法的人工工作量大、泛化能力不强，而神经网络方法在训练样本较少情况下对话质量下降等问题；另外，通过首先匹配树的根和叶结点、再匹配树中间结点的方法来定位对话起点，进一步改善了初始对话的准确性。

技术领域

本发明属于自然语言处理技术领域，涉及任务型机器人对话方法，具体为一种基于意图-槽值规则树的任务型多轮对话方法。

背景技术

自从计算机问世以来，如何更好的进行人机交互一直是人们关注的话题。对话系统是自然语言处理中的重要任务之一，能够让机器像人类一样使用自然语言与人类交流。任务型对话系统旨在帮助用户完成特定的任务，如业务咨询、机票订购等。

任务型对话系统通常包括自然语言理解、对话管理和自然语言生成三个模块，自然语言理解模块主要对用户输入的语句提取句子级别的语义信息(即意图)和词级别的语义信息(即槽位信息，下文简称槽值)，对话管理模块根据当前提取的意图和槽值，结合上下文，组织对话策略，产生下一步对话动作；最后自然语言生成模块则将对话管理中生成的对话动作映射到自然语言表达，进而回复用户。

对上述对话系统各模块的不同实现，形成了不同的任务型对话方法。传统方法是基于规则的，首先基于业务规则生成机器人与用户的标准多轮对话文本，再根据这些文本制定相应的对话规则和标准回复；基于规则的方法存在的主要问题是人工制定规则工作量大和泛化能力较弱，当用户输入的句子与制定的规则不完全匹配时，容易造成对话质量的下降。相比之下，近年来基于神经网络的方法在对话质量方面有显著改善，利用训练好的神经网络模型，该类方法可以捕捉文本的语义及上下文信息，从而较为准确地估计用户意图，形成合理的对话策略；但基于神经网络的对话方法面临一个主要问题，即对话性能非常依赖于标注训练样本的数量，当训练样本较少时，模型精度明显下降，对话质量不理想；而对特定业务领域，有效训练样本往往是不足的，需要大量人工的采集和标注。

因此，针对特定业务领域，任务型对话方法需要解决好在对话语料有限的情况下，如何实现高质量对话的问题。

发明内容

本发明的目的在于针对现有基于规则、神经网络的任务型对话方法各自存在的问题，提供一种基于意图-槽值规则树的任务型多轮对话方法，进而实现高质量的任务型多轮对话。

为实现上述目的，本发明采用的技术方案为：

一种基于意图-槽值规则树的任务型多轮对话方法，包括：构建意图-槽值规则树与模型和多轮对话两个阶段；其特征在于，

所述构建意图-槽值规则树与模型包括以下步骤：

A1.意图-槽值规则树构建；

A1-1.初始化：

A1-1-1.设置槽值集合S和意图-槽值集合U，并初始化S和U均包含一个值为“无类别”的字符串元素；

A1-1-2.设置意图-槽值哈希表UH，并初始化为空；

A1-2.对多轮对话语料库中的每一棵多轮对话树作：

所述多轮对话树的层数为偶数，树的奇数层结点存储用户语句、且奇数层结点只有一个子结点，树的偶数层结点存储机器人语句、且偶数层结点有一个或多个子结点；

A1-2-1.设置一个初始为空的意图-槽值规则树T；

A1-2-2.设置一个初始为空的槽值级联字符串和一个初始为空的意图-槽值联合字符串