本技術實施例屬于計算機，特別是涉及一種對話的應答方法、裝置、終端設備及存儲介質(zhì)。

背景技術：

1、對話語言模型是一種機器學習模型，旨在模擬和實現(xiàn)自然、流暢的人與人之間的對話過程。對話語言模型可以理解和生成自然語言文本，即理解用戶以自然語言輸入的內(nèi)容，并生成以自然語言描述的與用戶輸入內(nèi)容相關且有明確意義的回應。用戶在與對話語言模型進行多輪對話時，由于多輪對話中常需要結合上文語境對用戶進行回應，因此為了更為準確地回應用戶，對話語言模型常需要結合當前對話中的所有對話內(nèi)容理解當前問題的意圖。

2、在現(xiàn)有技術中，對話語言模型一般是直接根據(jù)當前對話過程中的所有歷史信息理解當前問題的意圖，因此，當歷史信息長度較長時，會顯著降低語言對話模型的回應速度，且會大大增加資源消耗。

技術實現(xiàn)思路

1、有鑒于此，本技術實施例提供了一種對話的應答方法、裝置、終端設備及存儲介質(zhì)，用以提高對話模型的回應速度。

2、本技術實施例的第一方面提供了一種對話的應答方法，包括：

3、響應于用戶發(fā)送的待應答的目標對話語句，獲取所述目標對話語句所在對話場景下的所有歷史對話語句；

4、將所述目標對話語句和所述所有歷史對話語句輸入至預設的內(nèi)容替換模型中，確定所述目標對話語句中的若干對話文字對應的目標指代詞；所述內(nèi)容替換模型用于根據(jù)所述所有歷史對話語句，確定所述對話文字在所述所有歷史對話語句中所指代的所述目標指代詞；

5、將所述目標指代詞替換了所述對話文字后的目標對象語句輸入至預設的排序算法中，生成所述對話場景的摘要信息；

6、將所述摘要信息輸入至預設的對話語言模型中，生成所述目標對話語句對應的回應信息。

7、在第一方面的一種可能的實現(xiàn)方式中，所述將所述目標對話語句和所述所有歷史對話語句輸入至預設的內(nèi)容替換模型中，確定所述目標對話語句中的若干對話文字對應的目標指代詞，包括：

8、將所述目標對話語句和所述所有歷史對話語句輸入至所述內(nèi)容替換模型中，確定所述對話文字對應的多個候選指代詞以及各個所述候選指代詞對應的指代概率；

9、將所述指代概率大于概率閾值的所述候選指代詞確定為待替換詞；

10、基于所述所有歷史對話語句對所有所述待替換詞進行篩選，將在所述所有歷史對話語句中出現(xiàn)過的所述待替換詞確定為所述目標指代詞。

11、在第一方面的一種可能的實現(xiàn)方式中，所述內(nèi)容替換模型包括編碼層和全連接層；

12、在所述將所述目標對話語句和所述所有歷史對話語句輸入至所述內(nèi)容替換模型中，確定所述對話文字對應的多個候選指代詞以及各個所述候選指代詞對應的指代概率之前，還包括：

13、將所述目標對話語句和所述所有歷史對話語句分別輸入至預設的特征提取算法中，生成所述目標對話語句對應的第一特征向量和各個所述歷史對話語句對應的第二特征向量；所述第一特征向量用于表示所述目標對話語句中各個所述對話文字的文本特征和位置特征；所述第二特征向量用于表示所述歷史對話語句中各個文字的文本特征和位置特征；

14、所述將所述目標對話語句和所述所有歷史對話語句輸入至所述內(nèi)容替換模型中，確定所述對話文字對應的多個候選指代詞以及各個所述候選指代詞對應的指代概率，包括：

15、將所述第一特征向量和所述第二特征向量輸入至所述編碼層中，以對所述第一特征向量和所述第二特征向量進行編碼，生成編碼特征；

16、將所述編碼特征輸入至所述全連接層中，確定所述多個候選指代詞和各個所述候選指代詞對應的指代概率。

17、在第一方面的一種可能的實現(xiàn)方式中，所述將所述目標指代詞替換了所述對話文字后的目標對象語句輸入至預設的排序算法中，生成所述對話場景的摘要信息，包括：

18、基于各個所述對話文字在所述目標對話語句中的先后次序，逐一將所述對話文字對應的所有所述目標指代詞輸入至所述排序算法中，生成所述對話文字對應的排序結果；

19、基于各個所述排序結果對應的所述對話文字在所述目標對話語句中的位置生成所述摘要信息。

20、在第一方面的一種可能的實現(xiàn)方式中，所述基于各個所述對話文字在所述目標對話語句中的先后次序，逐一將所述對話文字對應的所有所述目標指代詞輸入至所述排序算法中，生成所述對話文字對應的排序結果，包括：

21、對于任一所述對話文字，若所述對話文字對應的目標指代詞的數(shù)量為1，則確定所述目標指代詞為所述對話文字對應的排序結果；

22、若所述對話文字對應的目標指代詞的數(shù)量大于1，則獲取各個所述目標指代詞在所述對話場景中的出現(xiàn)位置，并基于所述出現(xiàn)位置對所有所述目標指代詞進行排序以生成所述對話文字對應的排序結果。

23、在第一方面的一種可能的實現(xiàn)方式中，在所述將所述目標對話語句和所述所有歷史對話語句輸入至預設的內(nèi)容替換模型中，確定所述目標對話語句中的若干對話文字對應的目標指代詞之前，還包括：

24、獲取用戶輸入的待訓練模型，通過將訓練樣本輸入至所述待訓練模型中進行處理，生成初始結果；所述訓練樣本包括訓練向量矩陣和期望指代詞；

25、基于所述初始結果和所述期望指代詞確定所述初始結果的誤差值；

26、基于所述誤差值對所述待訓練模型進行更新，直至所述誤差值滿足預設的訓練停止條件，將所述誤差值滿足所述訓練停止條件時對應的所述待訓練模型作為所述內(nèi)容替換模型。

27、本技術實施例的第二方面提供了一種對話的應答裝置，包括：

28、歷史語句獲取模塊，用于響應于用戶發(fā)送的待應答的目標對話語句，獲取所述目標對話語句所在對話場景下的所有歷史對話語句；

29、指代詞確定模塊，用于將所述目標對話語句和所述所有歷史對話語句輸入至預設的內(nèi)容替換模型中，確定所述目標對話語句中的若干對話文字對應的目標指代詞；所述內(nèi)容替換模型用于根據(jù)所述所有歷史對話語句，確定所述對話文字在所述所有歷史對話語句中所指代的所述目標指代詞；

30、摘要生成模塊，用于將所述目標指代詞替換了所述對話文字后的目標對象語句輸入至預設的排序算法中，生成所述對話場景的摘要信息；

31、回應信息生成模塊，用于將所述摘要信息輸入至預設的對話語言模型中，生成所述目標對話語句對應的回應信息。

32、本技術實施例的第三方面提供了一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述第一方面所述的對話的應答方法。

33、本技術實施例的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述第一方面所述的對話的應答方法。

34、本技術實施例的第五方面提供了一種計算機程序產(chǎn)品，當所述計算機程序產(chǎn)品在計算機上運行時，使得所述計算機執(zhí)行上述第一方面所述的對話的應答方法。

35、與現(xiàn)有技術相比，本技術實施例具有以下優(yōu)點：

36、在本技術實施例中，終端設備可以響應于用戶發(fā)送的待應答的目標對話語句，獲取目標對話語句所在的對話場景下的所有歷史對話語句；終端設備在獲取到對話場景下的所有歷史對話語句之后，可以將目標對話語句和所有歷史對話語句輸入至開發(fā)人員預先設定的內(nèi)容替換模型中；終端設備可以通過內(nèi)容替換模型確定目標對話語句中的若干對話文字對應的目標指代詞；其中，內(nèi)容替換模型可以用于根據(jù)輸入的所有歷史對話語句，確定各個對話文字在所有歷史對話語句中所指代的目標指代詞；終端設備在確定出各個對話文字對應的目標指代詞之后，可以用目標指代詞替換目標對象語句中的對話文字，并將目標指代詞替換了對話文字后的目標對象語句輸入至開發(fā)人員預先設定的排序算法中；終端設備可以通過排序算法生成對話場景對應的摘要信息；最后，終端設備可以將生成的摘要信息輸入至開發(fā)人員預先設定的對話語言模型中，以通過對話語言模型生成目標對話語句對應的回應信息。在本技術實施例中，終端設備可以通過內(nèi)容替換模型確定目標對話語句中的各個對話文字在歷史對話語句中所指代的目標指代詞，并根據(jù)各個對話文字對應的目標指代詞生成摘要信息。通過本實施例提供的方法，對話語言模型可以不需要對對話場景下的所有對話語句進行語義理解，而是可以直接根據(jù)終端設備生成的摘要信息進行回應。因此，本實施例提供的方法可以提高終端設備在與用戶進行對話時的回應速度，并有效減少對話語言模型的資源消耗。