CN117932036A - 对话处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开提出一种对话处理方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及大语言模型、自然语言处理、知识图谱、深度学习等人工智能技术领域。具体实现方案为：获取第一用户当前对话的主题及第一用户关联的第一历史对话库；确定当前对话的主题与第一历史对话库中每个历史对话间的相似度；根据相似度，从第一历史对话库中获取多个候选历史对话；基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话；基于参考对话、当前对话的主题，生成答复语句。

Description

对话处理方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及大语言模型、自然语言处理、知识图谱、深度学习等人工智能技术领域，具体涉及一种对话处理方法、装置、电子设备及存储介质。

背景技术

随着人工智能技术的发展，大语言模型和其应用得到了人们的广泛关注。所以，如何提升大语言模型在对话中生成的答复语句的个性化程度和准确性，成为了提升用户使用体验、增加应用核心竞争力等亟待解决的问题。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本公开的目的在于提出一种对话处理方法、装置、电子设备及存储介质，可以提高生成的答复语句的可靠性和个性化程度，提高了对话质量，增加了用户聊天的满意度。

根据本公开第一方面，提供了一种对话处理方法，包括：

获取第一用户当前对话的主题及所述第一用户关联的第一历史对话库；

确定所述当前对话的主题与所述第一历史对话库中每个历史对话间的相似度；

根据所述相似度，从所述第一历史对话库中获取多个候选历史对话；

基于每个所述候选历史对话的遗忘系数及权重，从所述多个候选历史对话中获取参考对话；

基于所述参考对话、所述当前对话的主题，生成答复语句。

根据本公开第二方面，提供了一种对话处理装置，包括：

第一获取模块，用于获取第一用户当前对话的主题及所述第一用户关联的第一历史对话库；

第一确定模块，用于确定所述当前对话的主题与所述第一历史对话库中每个历史对话间的相似度；

第二获取模块，用于根据所述相似度，从所述第一历史对话库中获取多个候选历史对话；

第三获取模块，用于基于每个所述候选历史对话的遗忘系数及权重，从所述多个候选历史对话中获取参考对话；

生成模块，用于基于所述参考对话、所述当前对话的主题，生成答复语句。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的对话处理方法。

根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的对话处理方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现如第一方面所述的对话处理方法的步骤。

本公开提供的对话处理方法、装置、电子设备及存储介质，存在如下有益效果：

本公开实施例中，首先获取第一用户当前对话的主题及第一用户关联的第一历史对话库，确定当前对话的主题与第一历史对话库中每个历史对话间的相似度，然后根据相似度，从第一历史对话库中获取多个候选历史对话，并基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话，最后再基于参考对话、当前对话的主题，生成答复语句。由此，通过在用户关联的历史对话库中，筛选与当前对话主题相似且时效性高的历史语句，作为参考信息，辅助生成答复语句。从而，提高了答复语句的可靠性和个性化程度，提高了对话质量，增加了用户聊天的满意度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1是根据本公开一实施例提出的对话处理方法的流程示意图；

图2是本公开提供的一种用户画像图谱的结构示意图；

图3是根据本公开另一实施例提出的对话处理方法的流程示意图；

图4是根据本公开另一实施例提出的对话处理方法的流程示意图；

图5是本公开提供的一种更新后的用户画像图谱的结构示意图

图6是根据本公开另一实施例提出的对话处理方法的流程示意图；

图7是根据本公开一实施例提出的对话处理装置的结构示意图；

图8示出了适于用来实现本公开实施方式的示例性电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例涉及大语言模型、自然语言理解、知识图谱、深度学习等人工智能技术领域。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

大语言模型(Large Language Model，LLM)，即大模型，是基于海量文本数据训练的深度学习模型。它不仅能够生成自然语言文本，还能够深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。

自然语言理解(Natural Language Understanding,NLU)，俗称人机对话。人工智能的分支学科。研究用电子计算机模拟人的语言交际过程，使计算机能理解和运用人类社会的自然语言如汉语、英语等，实现人机之间的自然语言通信，以代替人的部分脑力劳动，包括查询资料、解答问题、摘录文献、汇编资料以及一切有关自然语言信息的加工处理。

知识图谱(Knowledge Graph)，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

下面参考附图描述本公开实施例的对话处理方法、装置、电子设备及存储介质。

其中，需要说明的是，本实施例的对话处理方法的执行主体为对话处理装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

在本公开中，对话处理装置可以配置于任一应用程序或网站等的对话系统中，对话系统可以通过本公开实施例中提供的对话处理方法，生成答复内容与用户进行对话。

图1是根据本公开一实施例提出的对话处理方法的流程示意图。

如图1所示，该对话处理方法，包括：

S101：获取第一用户当前对话的主题及第一用户关联的第一历史对话库。

其中，第一用户，可以是任一触发对话系统的用户。触发对话系统的操作，可以包括点击进入对话系统的聊天界面、或点击具有对话功能的程序或网站中的特定控件等等，可以根据实际应用需要来预先设置，本公开对此不做限定。

本公开实施例中，在当前对话界面内包含第一用户与系统聊天的对话内容时，可以对界面内的对话内容进行分析总结后，获取当前对话的主题。

需要说明的是，在本公开中，当前对话不仅可以是由第一用户发起的，也可以是由对话系统主动发起的。也就是说，在第一用户触发对话系统，但当前对话界面中没有对话内容的情况下，对话系统可以根据预先构建的用户画像图谱分析第一用户的行为习惯，确定第一用户当前最可能感兴趣的话题，作为当前对话的主题，再基于该主题发起对话。

下面结合图2对用户画像图谱是如何构建的来进行说明，图2是用户画像图谱的结构示意图。

在本公开中，可以通过离线等方式采集对话系统所应用的程序或网站等的各个用户的行为数据，从行为数据中抽取每个用户关联的行为标签，如贴吧名称、兴趣点、消费分类、帖子标签(tag)等等。例如，采集到用户a和用户b的行为习惯，分别对用户a和用户b的行为习惯抽取行为标签后，可以得到用户a关联的行为标签包括兴趣点a、兴趣点b、消费分类b，以及与tag1和tag2对应的帖子内容，用户b关联的行为标签包括贴吧a内的热帖a和热门话题b、兴趣点b、消费分类b、以及与tag3、tag4、和tag5对应的帖子内容。

然后，将用户标识a和b以及关联的行为标签作为用户画像图谱中的节点，再根据用户的点击、消费等行为，确定用户标识节点和行为标签节点间的连接关系，从而构建用户画像图谱，如图2所示。由图2可知，还可以基于用户对兴趣点的点击次数、对消费分类的消费次数，以及对帖子内容或贴吧等的浏览时长、及点赞等行为确定的权重，得到用户标识节点对于各行为标签节点的向量表征。

本公开实施例中，可以先根据用户画像图谱中各节点向量表征，计算第一用户和行为标签间的向量的相似度。然后基于相似度从大到小的顺序，确定多个候选主题。再根据贴吧等途径获取的最新热点话题及用户最新的行为习惯，对多个候选主题进行排序和筛选，确定一个相似度最高的候选主题，作为第一用户当前最可能感兴趣的话题。

本公开实施例中，各个用户关联的历史对话库可以是根据用户关联的历史对话内容来预先构建的。在进行对话时，可以根据第一用户的标识(如用户名、账号等)，查找到第一用户关联的第一历史对话库。

S102：确定当前对话的主题与第一历史对话库中每个历史对话间的相似度。

需要说明的是，第一历史对话库中可以包括各个历史对话对应的摘要、关键词等等。因此，在计算当前对话的主题与第一历史对话库中每个历史对话间的相似度时，可以是当前对话的主题与每个历史对话的关键词间的相似度，或者也可以是当前对话的主题与每个历史对话的摘要间的相似度等，本公开对此不做限定。

S103：根据相似度，从第一历史对话库中获取多个候选历史对话。

本公开实施例中，可以根据相似度从高到低的顺序，将前N个对应的历史对话确定为候选历史对话。其中，N可以为任意正整数，如5、10等，本公开对此不做限定。

S104：基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话。

其中，遗忘系数，表示的是每个历史对话对当前答复内容的影响程度，可以根据历史对话中用户的情绪波动程度以及对应的产生时间与当前时间的时间间隔来确定。用户的情绪波动越大，时间间隔越小，遗忘系数就会越大，对当前答复内容的影响程度也就越大。

需要说明的是，遗忘系数是随着时间变化更新的，历史对话产生时间与当前时间的间隔越长，遗忘系数越小。当历史对话的遗忘系数小于某个值时，就可以在第一历史对话库中删除该历史对话。

其中，候选历史对话的权重，可以是根据历史对话中表示对话意图的关键词的出现频率，以及用户在对话时的情绪波动程度等来确定的值，用于描述每个历史对话在历史对话库中的重要程度。

需要说明的是，在将历史对话存入到第一历史库中的时候，就可以确定历史对话的权重和遗忘率，并将其与历史对话进行关联存储。因此，在选取参考对话时，可以直接从第一历史对话库中获取每个候选历史对话的遗忘系数及权重。

可选地，可以先确定多个候选历史对话中，对应遗忘系数最大和/或权重最高的至少一个历史对话。然后将至少一个历史对话中产生时间与当前时间的时间间隔最小，且小于时间阈值的一个历史对话，确定为参考对话。

需要说明的是，当历史对话的产生时间与当前时间的时间间隔小于时间阈值时，该历史对话的时效性高，对生成答复语句才可能具有较好的参考价值。其中，时间阈值可以是根据业务需求来确定的值，例如可以为10天、30天等，本公开对此不做限定。

本公开实施例中，通过基于历史对话的遗忘系数、权重以及产生时间，确定辅助生成答复语句的参考对话，可以保证筛选的参考对话更可靠、更具有参考价值，从而促进了答复语句的质量和个性化程度的提高。

S105：基于参考对话、当前对话的主题，生成答复语句。

本公开实施例中，可以通过将参考对话和当前对话的主题，输入到对话系统的语言模型中，由语言模型生成答复语句。

需要说明的是，语言模型可以是大语言模型(Large Language Model，LLM)，如GPT、文心一言等，或者也可以是其他能够生成回复语句的语言模型，本公开对此不做限定。

可选地，在至少一个历史对话中每个历史对话的产生时间，与当前时间的时间间隔均大于时间阈值的情况下，可以基于当前对话的主题，生成答复语句。

可以理解的是，当历史对话的产生时间，与当前时间的时间间隔大于时间阈值时，该历史对话可能无法准确反映用户当前的对话偏好，可能会导致答复语句的偏差和语义错误。所以此时在生成答复语句时，可以不参考历史对话信息，直接生成与当前对话主题相关的答复语句。由此，可以避免使用产生时间久远的历史对话作为语句生成的参考信息，进一步保证了答复语句的准确性和时效性。

本实施例中，首先获取第一用户当前对话的主题及第一用户关联的第一历史对话库，确定当前对话的主题与第一历史对话库中每个历史对话间的相似度，然后根据相似度，从第一历史对话库中获取多个候选历史对话，并基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话，最后再基于参考对话、当前对话的主题，生成答复语句。由此，通过在用户关联的历史对话库中，筛选与当前对话主题相似且时效性高的历史语句，作为参考信息，辅助生成答复语句。从而，提高了答复语句的可靠性和个性化程度，提高了对话质量，增加了用户聊天的满意度。

图3是本公开另一实施例提出的对话处理方法的流程示意图。

如图3所示，该对话处理方法，包括：

S301：获取第一用户当前对话的主题及第一用户关联的第一历史对话库。

S302：确定当前对话的主题与第一历史对话库中每个历史对话间的相似度。

S303：根据相似度，从第一历史对话库中获取多个候选历史对话。

S304：基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话。

上述S301至S304的描述说明可以具体参见上述实施例，在此不再赘述。

需要说明的是，在一些应用场景中，如游戏、文创等，可能需要对话系统模拟某个角色的说话特点，来与用户进行对话。因此，在生成答复语句之前，还需要确定目标模拟的角色。

S305：确定对话系统在当前对话中的角色类型。

其中，角色类型，可以是根据性别、年龄范围、职业、说话语气或习惯、人物关系等等中的至少一项进行分类的。或者，对话系统中的角色还可以包括由影视、游戏等设定的某些特定角色，本公开对此不做限定。

需要说明的是，对话系统在一轮对话过程中扮演的角色类型是固定不变的，并且是在每轮对话开始之前就确定好的。对话系统在一轮对话过程中扮演的角色类型，可以是由第一用户按照自身需求选定的，或者也可以由对话系统根据第一用户关联的历史喜好来选定的。在选定好的扮演的角色类型之后，就会将其存储到系统中，之后在每次生成答复语句的时候，调用存储的角色类型。

可选地，第一用户没有选定角色类型的情况下，对话系统可以根据第一用户历史使用的角色类型及与每个角色类型的聊天频率，将聊天频率最高的角色类型，确定为当前对话中的角色类型。

或者，在第一用户没有历史使用的角色类型的情况下，也可以根据与第一用户相似的第二用户历史使用的角色类型及与每个角色类型的聊天频率，确定当前对话中的角色类型。

本公开实施例中，通过将历史使用频率最高的角色类型，确定为当前对话的目标角色类型，可以更好地满足用户的偏好和需求，减少在选择角色上的时间成本，提高用户的满意度。

可选地，可以根据用户画像图谱中每个用户关联的行为标签，确定与第一用户相似的第二用户。

可以理解的是，如果不同用户具有相似的行为习惯，那么他们就很有可能会喜欢相同类型的角色。因此，可以先根据用户画像图谱中第一用户关联的行为标签，确定第一用户对应的候选主题，然后查看图谱中其他用户的行为标签，将行为标签与该候选主题进行匹配，将相似度最高的用户确定为与第一用户相似的第二用户。

由此，通过用户画像图谱中每个用户关联的行为标签，确定与第一用户相似的第二用户，可以提高第二用户确定的准确性和可靠性，为提高确定第一用户偏好的角色类型的准确性提供了条件。

需要说明的是，也可以将第一用户或第二用户最近使用的角色类型，确定为对话系统在当前对话中的角色类型，本公开对此不做限定。

S306：基于参考对话，当前对话的主题及与角色类型关联的提示信息，生成答复语句。

其中，角色类型关联的提示信息，可以包括角色类型对应的性别、年龄范围、职业、说话语气或习惯、扮演人物关系等方面对应的描述信息。例如，提示信息可以为“中年女性、教师、严厉”、或“男性、父亲、和蔼”等。

本实施例中，在确定语句生成的参考对话之后，先确定对话系统在当前对话中的角色类型，然后基于参考对话，当前对话的主题及与角色类型关联的提示信息，生成答复语句。由此，通过基于目标角色类型对应的提示语句，生成具有角色个性化风格的答复语句，可以进一步提高答复语句的多样性和质量，增强了用户的交互感。

图4是本公开另一实施例提出的对话处理方法的流程示意图。

如图4所示，该对话处理方法，包括：

S401：获取当前周期内的用户增量数据。

其中，用户增量数据中包含用户标识及关联的行为标签。

可以理解的是，用户画像图谱是基于历史的用户行为数据来构建的，但新的用户行为数据是在不断产生的，且历史数据对于分析用户的喜好的影响程度是随时间下降的，所以之前构架的用户画像图谱在确定目标用户的对话主题偏好等方面的效果就可能会降低。因此需要定期地对用户画像图谱进行更新，来保证当前使用的用户画像图谱是最新、最完整的，进而保证对话系统确定的对话主题的准确性。

本公开实施例中，可以预设一个更新周期，在当前周期内新产生的用户行为数据内抽取行为标签，与用户标识进行关联，作为用户增量数据，来更新用户画像图谱。

需要说明的是，更新周期可以是根据实际情况来确定的。例如，新增的用户行为数据的量级较大的情况下，可以缩短周期，本公开对此不做限定。

S402：基于用户标识及行为标签，对当前的用户画像图谱进行遍历。

本公开实施例中，可以先在当前的用户画像图谱中，依次根据用户增量数据中的各个用户标识查找是否包含该用户标识。然后，再根据用户增量数据中用户标识关联的行为标签，确定是否与该用户标识在当前的用户画像图谱中关联行为标签相同。

S403：在当前的用户画像图谱中包含用户标识，且未包含用户增量数据中的至少一个行为标签的情况下，基于至少一个行为标签对当前的用户画像图谱中的行为标签进行更新，获取更新后的用户画像图谱。

本公开实施例中，当用户画像图谱中包含用户增量数据中的任一用户标识的情况下，可以在当前的用户画像图谱中，查找用户标识关联的行为标签是否与用户增量数据中用户标识关联的行为标签相对应。在当前的用户画像图谱中没有用户增量数据中的至少一个行为标签的情况下，可以将不包含的行为标签，作为用户标识的邻居节点增加到当前的用户画像图谱中，与用户标识建立连接关系，然后采用聚合函数对用户画像图谱中新增的节点和边进行训练，完成对用户画像图谱的更新。

可选地，在当前的用户画像图谱中未包含用户增量数据中的任一用户标识的情况下，基于任一用户标识及任一用户标识关联的行为标签，对当前的用户画像图谱进行更新，获取更新后的用户画像图谱。

本公开实施例中，当用户画像图谱中不包含用户增量数据中的任一用户标识的情况下，可以基于任一用户标识及任一用户标识关联的行为标签，构建局部图谱，然后再采用聚合函数，将局部图谱与当前的用户画像图谱进行合并，完成对用户画像图谱的更新。由此，通过在已有的用户画像图谱中，增加新用户标识和其关联的行为标签对应的局部图谱，来更新用户画像图谱，可以降低增量构图和在线训练用户画像图谱所需的资源和成本，提高了用户画像图谱的数据完整性和可靠性。

下面结合图5对更新用户画像图谱进行说明。图5为更新后的用户画像图谱的结构示意图，图5中虚线框出的是用户新增数据对应的局部图谱，虚线框外的为当前的用户画像图谱。当前周期内的新增数据中，包含用户a关联的消费分类b，以及用户k关联的贴吧a内的热帖a和热门话题b、兴趣点b、以及与tag6、tag7、和tag8对应的帖子内容。

由图5所示，当前的用户画像图谱中的用户标识包含用户a，但不包含用户a关联的消费分类b，因此可以在局部图谱中增加行为标签消费分类b，与当前的用户画像图谱中的用户a进行关联。并且，当前的用户画像图谱中的用户标识中不包含用户k，则可以先根据用户k关联的贴吧a内的热帖a和热门话题b、兴趣点b、以及与tag6、tag7、和tag8对应的帖子内容，构建一个3阶的局部图谱，并将局部图谱中的兴趣点b、贴吧a以及贴吧a对应的热帖a和热门话题b，与当前的用户画像图谱中的相同行为标签进行合并，从而获取到更新后的用户画像图谱。

本实施例中，通过基于用户增量数据，来更新用户画像图谱。不仅可以增强用户画像图谱的时效性、数据完整性和可靠性，而且为进一步提高对话质量提供了条件。

图6是本公开另一实施例提出的对话处理方法的流程示意图。

如图6所示，该对话处理方法，包括：

S601：对历史对话库进行关键词抽取，确定历史对话库对应的关键词集。

在本公开中，可以利用大语言模型对历史对话库中的每个历史对话进行关键词抽取，然后根据抽取得到的全部关键词构建历史对话库对应的关键词集。

需要说明的是，为了节省历史对话库所需的存储空间，还可以根据各个历史对话的产生时间，在任一产生顺序相邻的两个历史对话的产生时间的间隔大于预设值(如2分钟等)的情况下，将两个历史对话确定为不同的对话轮次，从而将全部的历史对话分为多个轮次内的对话内容。之后再利用大语言模型对每个轮次内的对话内容进行摘要总结和关键词提取，存储到历史对话库中。

S602：确定关键词集中每个关键词在每个历史对话中的出现频率，及每个历史对话的情感类型。

在本公开中，历史对话的情感类型，可以是根据用户在历史聊天过程中的情绪起伏程度来进行等级划分后确定的不同类型，例如可以根据情绪起伏程度从低到高的顺序划分为1级、2级、3级等，本公开对此不做限定。

本公开实施例中，可以统计每个关键词在每个历史对话中的出现频率，并且利用大语言模型识别历史对话中包含情感的词语、分析用户的情绪起伏程度来确定历史对话的情感类型。例如，当历史对话中不包含反映情绪的词语或包含“无聊”等反映用户情绪稳定的词语的情况下，可以确定该历史对话的情感类型为1级；或者，当历史对话中包含“开心”、“生气”、或多种描述情绪的词语的情况下，可以识别到该历史对话的情绪级别较高则可以根据实际业务需求，将情感类型确定为2级或3级。

S603：根据每个关键词在每个历史对话中的出现频率，及每个历史对话的情感类型，确定每个历史对话的权重。

其中，历史对话的权重是指每个历史对话在历史对话库中的重要程度。

本公开实施例中，可以根据经验来确定关键词的出现频率和情感类型分别对历史对话的权重的影响系数，然后分别计算出现频率与对应的影响系数的乘积，以及情感类型级别分别与其对应的影响系数的乘积，将两个乘积的值相加，得到历史对话的权重。

S604：根据每个历史对话的情感类型，及历史对话的产生时间与当前时间的时间间隔，确定每个历史对话的遗忘系数。

本公开实施例中，可以根据历史对话的产生时间与当前时间的时间间隔的大小，确定不同时间产生的历史对话在更新遗忘系数时的更新系数。更新系数的取值在0到1之间，历史对话对应的时间间隔越大，其对应的更新系数就越趋近于0，反之，历史对话对应的时间间隔越小，其对应的更新系数就越趋近于1。

在本公开中，历史对话的遗忘系数的计算公式可以如下式(1)所示：

f(0)＝(e*r)

其中，f(0)表示历史对话刚存入历史对话库时对应的遗忘系数。e表示历史对话的情感类型对应的级别，其值可以为1、2或3等。r表示历史对话对应的更新系数。

可以理解的是，随着时间的增加，用户不断与对话系统产生历史对话数据，因此需要基于新增的历史对话对历史对话库进行更新，也需要对历史对话库中时间较远的对话内容进行适当地删除，来控制历史对话库的存储成本，提高历史对话库中的数据质量。因此，可以在每次调取历史对话库的时候，对所有对话历史的遗忘系数都进行更新，计算更新后的遗忘系数的公式可以如下式(2)所示：

f(t)＝f(t-1)*(e*r)

其中，f(t-1)表示上一次(即第t-1次)更新后历史对话的遗忘系数，f(t)表示本次及第t次更新后该历史对话的遗忘系数。

需要说明的是，当历史对话的遗忘系数小于阈值后，可以在历史对话库内删掉该对话历史。其中，阈值可以根据实际应用的情况来确定，本公开对此不作限定。

本实施例中，通过基于历史对话中关键词的出现频率、情感类型以及产生时间，来确定历史对话的权重和遗忘系数，提高了对历史对话数据调用和管理的效率，进而可以控制历史对话库的存储成本，为提高对话处理的效率和质量提供了条件。

图7是本公开一实施例提出的对话处理装置的结构示意图。

如图7所示，该对话处理装置700，包括：

第一获取模块701，用于获取第一用户当前对话的主题及第一用户关联的第一历史对话库；

第一确定模块702，用于确定当前对话的主题与第一历史对话库中每个历史对话间的相似度；

第二获取模块703，用于根据相似度，从第一历史对话库中获取多个候选历史对话；

第三获取模块704，用于基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话；

生成模块705，用于基于参考对话、当前对话的主题，生成答复语句。

在一些实施例中，第三获取模块704，具体用于：

确定多个候选历史对话中，对应遗忘系数最大和/或权重最高的至少一个历史对话；

将至少一个历史对话中产生时间与当前时间的时间间隔最小，且小于时间阈值的一个历史对话，确定为参考对话。

在一些实施例中，第三获取模块705，还用于：

在至少一个历史对话中每个历史对话的产生时间，与当前时间的时间间隔均大于时间阈值的情况下，基于当前对话的主题，生成答复语句。

在一些实施例中，生成模块705，具体用于：

确定对话系统在当前对话中的角色类型；

基于参考对话，当前对话的主题及与角色类型关联的提示信息，生成答复语句。

在一些实施例中，生成模块705，具体用于：

根据第一用户历史使用的角色类型及与每个角色类型的聊天频率，确定当前对话中的角色类型；或者，

根据与第一用户相似的第二用户历史使用的角色类型及与每个角色类型的聊天频率，确定当前对话中的角色类型。

在一些实施例中，生成模块705，还用于：

根据用户画像图谱中每个用户关联的行为标签，确定与第一用户相似的第二用户。

在一些实施例中，对话处理装置700，还包括：

第四获取模块，用于获取当前周期内的用户增量数据，其中，用户增量数据中包含用户标识及关联的行为标签；

查询模块，用于基于用户标识及行为标签，对当前的用户画像图谱进行遍历；

更新模块，用于在当前的用户画像图谱中包含用户标识，且未包含用户增量数据中的至少一个行为标签的情况下，基于至少一个行为标签对当前的用户画像图谱中的行为标签进行更新，获取更新后的用户画像图谱。

在一些实施例中，更新模块，还用于：

在当前的用户画像图谱中未包含用户增量数据中的任一用户标识的情况下，基于任一用户标识及任一用户标识关联的行为标签，对当前的用户画像图谱进行更新，获取更新后的用户画像图谱。

在一些实施例中，对话处理装置700，还包括：

第二确定模块，用于对历史对话库进行关键词抽取，确定历史对话库对应的关键词集；

第三确定模块，用于确定关键词集中每个关键词在每个历史对话中的出现频率，及每个历史对话的情感类型；

第四确定模块，用于根据每个关键词在每个历史对话中的出现频率，及每个历史对话的情感类型，确定每个历史对话的权重；

需要说明的是，前述对对话处理方法的解释说明也适用于本实施例的对话处理装置，此处不再赘述。

本实施例中，首先获取第一用户当前对话的主题及第一用户关联的第一历史对话库，确定当前对话的主题与第一历史对话库中每个历史对话间的相似度，然后根据相似度，从第一历史对话库中获取多个候选历史对话，并基于每个候选历史对话的遗忘系数及权重，从多个候选历史对话中获取参考对话，最后再基于参考对话、当前对话的主题，生成答复语句。由此，通过在用户关联的历史对话库中，筛选与当前对话主题相似且时效性高的历史语句，作为参考信息，辅助生成答复语句。从而，提高了答复语句的可靠性和个性化程度，提高了对话质量，增加了用户聊天的满意度。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如对话处理方法。例如，在一些实施例中，对话处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的对话处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对话处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本公开的描述中，所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种对话处理方法，包括：

获取第一用户当前对话的主题及所述第一用户关联的第一历史对话库；

确定所述当前对话的主题与所述第一历史对话库中每个历史对话间的相似度；

根据所述相似度，从所述第一历史对话库中获取多个候选历史对话；

基于每个所述候选历史对话的遗忘系数及权重，从所述多个候选历史对话中获取参考对话；

基于所述参考对话、所述当前对话的主题，生成答复语句。

2.如权利要求1所述的方法，其中，所述基于每个所述候选历史对话的遗忘系数及权重，从所述多个候选历史对话中获取参考对话，包括：

确定所述多个候选历史对话中，对应遗忘系数最大和/或权重最高的至少一个历史对话；

将所述至少一个历史对话中产生时间与当前时间的时间间隔最小，且小于时间阈值的一个历史对话，确定为所述参考对话。

3.如权利要求2所述的方法，其中，在所述确定所述多个候选历史对话中，对应遗忘系数最大和/或权重最高的至少一个历史对话，之后，还包括：

在所述至少一个历史对话中每个历史对话的产生时间，与当前时间的时间间隔均大于时间阈值的情况下，基于所述当前对话的主题，生成答复语句。

4.如权利要求1所述的方法，其中，所述基于所述参考对话、所述当前对话的主题，生成答复语句，包括：

确定对话系统在所述当前对话中的角色类型；

基于所述参考对话，所述当前对话的主题及与所述角色类型关联的提示信息，生成所述答复语句。

5.如权利要求4所述的方法，其中，所述确定对话系统在所述当前对话中的角色类型，包括：

根据所述第一用户历史使用的角色类型及与每个角色类型的聊天频率，确定所述当前对话中的角色类型；或者，

根据与所述第一用户相似的第二用户历史使用的角色类型及与每个角色类型的聊天频率，确定所述当前对话中的角色类型。

6.如权利要求5所述的方法，其中，在所述根据与所述第一用户相似的第二用户历史使用的角色类型及与每个角色类型的聊天频率，确定所述当前对话中的角色类型之前，还包括：

根据用户画像图谱中每个用户关联的行为标签，确定与所述第一用户相似的第二用户。

7.如权利要求6所述的方法，其中，还包括：

获取当前周期内的用户增量数据，其中，所述用户增量数据中包含用户标识及关联的行为标签；

基于所述用户标识及所述行为标签，对当前的用户画像图谱进行遍历；

在所述当前的用户画像图谱中包含所述用户标识，且未包含所述用户增量数据中的至少一个行为标签的情况下，基于所述至少一个行为标签对所述当前的用户画像图谱中的行为标签进行更新，获取更新后的用户画像图谱。

8.如权利要求7所述的方法，其中，在所述基于所述用户标识及所述行为标签，对当前的用户画像图谱进行遍历之后，还包括：

在所述当前的用户画像图谱中未包含所述用户增量数据中的任一用户标识的情况下，基于所述任一用户标识及所述任一用户标识关联的行为标签，对所述当前的用户画像图谱进行更新，获取更新后的用户画像图谱。

9.如权利要求1-8任一所述的方法，其中，所述方法还包括：

对所述历史对话库进行关键词抽取，确定所述历史对话库对应的关键词集；

确定所述关键词集中每个关键词在每个历史对话中的出现频率，及每个所述历史对话的情感类型；

根据所述每个关键词在每个历史对话中的出现频率，及每个所述历史对话的情感类型，确定每个所述历史对话的权重；

根据每个所述历史对话的情感类型，及所述历史对话的产生时间与当前时间的时间间隔，确定每个所述历史对话的遗忘系数。

10.一种对话处理装置，包括：

第一获取模块，用于获取第一用户当前对话的主题及所述第一用户关联的第一历史对话库；

第一确定模块，用于确定所述当前对话的主题与所述第一历史对话库中每个历史对话间的相似度；

第二获取模块，用于根据所述相似度，从所述第一历史对话库中获取多个候选历史对话；

第三获取模块，用于基于每个所述候选历史对话的遗忘系数及权重，从所述多个候选历史对话中获取参考对话；

生成模块，用于基于所述参考对话、所述当前对话的主题，生成答复语句。

11.如权利要求10所述的装置，其中，所述第三获取模块，具体用于：

确定所述多个候选历史对话中，对应遗忘系数最大和/或权重最高的至少一个历史对话；

将所述至少一个历史对话中产生时间与当前时间的时间间隔最小，且小于时间阈值的一个历史对话，确定为所述参考对话。

12.如权利要求11所述的装置，其中，所述第三获取模块，还用于：

在所述至少一个历史对话中每个历史对话的产生时间，与当前时间的时间间隔均大于时间阈值的情况下，基于所述当前对话的主题，生成答复语句。

13.如权利要求10所述的装置，其中，所述生成模块，具体用于：

确定对话系统在所述当前对话中的角色类型；

基于所述参考对话，所述当前对话的主题及与所述角色类型关联的提示信息，生成所述答复语句。

14.如权利要求13所述的装置，其中，所述生成模块，具体用于：

根据所述第一用户历史使用的角色类型及与每个角色类型的聊天频率，确定所述当前对话中的角色类型；或者，

根据与所述第一用户相似的第二用户历史使用的角色类型及与每个角色类型的聊天频率，确定所述当前对话中的角色类型。

15.如权利要求14所述的装置，其中，所述生成模块，还用于：

根据用户画像图谱中每个用户关联的行为标签，确定与所述第一用户相似的第二用户。

16.如权利要求15所述的装置，其中，还包括：

第四获取模块，用于获取当前周期内的用户增量数据，其中，所述用户增量数据中包含用户标识及关联的行为标签；

查询模块，用于基于所述用户标识及所述行为标签，对当前的用户画像图谱进行遍历；

更新模块，用于在所述当前的用户画像图谱中包含所述用户标识，且未包含所述用户增量数据中的至少一个行为标签的情况下，基于所述至少一个行为标签对所述当前的用户画像图谱中的行为标签进行更新，获取更新后的用户画像图谱。

17.如权利要求16所述的装置，其中，所述更新模块，还用于：

在所述当前的用户画像图谱中未包含所述用户增量数据中的任一用户标识的情况下，基于所述任一用户标识及所述任一用户标识关联的行为标签，对所述当前的用户画像图谱进行更新，获取更新后的用户画像图谱。

18.如权利要求1-8任一所述的装置，其中，所述装置还包括：

第二确定模块，用于对所述历史对话库进行关键词抽取，确定所述历史对话库对应的关键词集；

第三确定模块，用于确定所述关键词集中每个关键词在每个历史对话中的出现频率，及每个所述历史对话的情感类型；

第四确定模块，用于根据所述每个关键词在每个历史对话中的出现频率，及每个所述历史对话的情感类型，确定每个所述历史对话的权重；

第五确定模块，用于根据每个所述历史对话的情感类型，及所述历史对话的产生时间与当前时间的时间间隔，确定每个所述历史对话的遗忘系数。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的对话处理方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，其中，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的对话处理方法。

21.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的对话处理方法。