一种结合上下文信息的对话系统主题识别方法及装置

技术领域

本发明涉及主题识别领域，具体涉及一种结合上下文信息的对话系统主题识别方法及装置。

背景技术

人机对话系统是语音识别技术走向实用的一个重要的应用，人机对话系统可以实现通过计算机识别人通过自然语音所表达的思想。主题识别是对话系统中一个重要的部分，其主要功能是利用各种机器学习和深度学习方法，针对输入的句子进行识别和分类，甄别出其在既定主题类别中的具体分类，从而判断出当前句子的具体主题。主题识别常用判别模型或生成模型等dnn、卷积神经网络、双向lstm等。

一般主题识别仅针对当前句子信息进行识别，一方面容易造成信息丢失，另一方面由于模型的黑盒性质可能存在错误跳转。例如在医疗对话中，如访客上文询问“可以做A项目吗”被正确识别为A主题，之后的聊天中如果没有明显提及A主题的信息或者描述一些同时存在于A主题与其他主题共有的信息时，就可能出现未识别或者错误识别。传统的主题识别只能针对单个句子进行识别，而忽略上下文信息所包含的主题信息，因此导致主题识别正确率不高，识别效果不好。

有鉴于此，提出一种能够结合上下文信息的主题识别方法是亟需解决的重要问题之一。

发明内容

针对上述提到的单个句子的主题识别准确度低等问题。本申请的实施例的目的在于提出了一种结合上下文信息的对话系统主题识别方法及装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种结合上下文信息的对话系统主题识别方法，包括以下步骤：

S1，获取主题数据集，根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库；

S2，将对话系统中的待识别对话的当前句子进行预处理后输入经训练的单句主题识别模型，预测出当前句子的第一主题及其对应的预测概率值；

S3，识别出当前句子及其之前的所有句子的所有实体，并根据当前句子的所有实体及其类别建立对话槽位表，槽位库中的实体类别包括对话槽位表中的实体类别；

S4，响应于对话槽位表在槽位库中匹配成功的次数，确定当前句子的第二主题及其对应的匹配概率值；

S5，响应于预测概率值与匹配概率值中数值较大的其中一个所对应主题为第一主题或第二主题，确定为当前句子的主题。

在一些实施例中，步骤S1中根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库，具体包括：

S11，采用命名实体识别对主题数据集中的每个句子的实体进行识别；

S12，根据每个句子的主题与识别出的每个类别的实体得到槽位库中的每行槽位；

S13，重复步骤S11-S12，得到主题数据集中多个句子对应的槽位库。

在一些实施例中，对话系统中的每个句子的预处理过程具体包括：

采用结巴分词对每个句子进行分词，得到每个句子中的至少一个单词；

采用Word2vec对每个单词进行处理，得到词向量嵌入表示；

将每个句子的词向量嵌入表示进行拼接，得到合并矩阵。

在一些实施例中，单句主题识别模型为基于机器学习的文本分类模型，单句主题识别模型至少包括全连接层和softmax层。

在一些实施例中，单句主题识别模型的训练过程包括：

将主题数据集中的每个句子进行预处理，得到合并矩阵；

采用独热编码将主题数据集中的主题编码为1*n维度的第一向量；

将合并矩阵输入全连接层和softmax层，得到第二向量；

计算第二向量与第一向量的交叉熵损失函数，逐步迭代优化单句主题识别模型的参数。

在一些实施例中，步骤S4还包括：

S41，判断对话槽位表是否为空，若是，则直接将第一主题作为当前句子的主题，否则将对话槽位表中不同类别的实体之间构成实体对，并将对话槽位表的实体对在槽位库中进行匹配；

S42，若对话槽位表中的其中一个实体对与槽位库中其中一行槽位的实体相同，则匹配成功，并记录下槽位库中其中一行槽位的实体所对应的第三主题；

S43，重复步骤S42将对话槽位表与槽位库进行匹配，并获得对话槽位表在槽位库中匹配成功的总次数以及至少一个第三主题及其对应的匹配成功的次数。

在一些实施例中，步骤S4具体包括：

将至少一个第三主题所对应的匹配成功的次数中匹配次数最高的第三主题作为第二主题；

将至少一个第三主题所对应的匹配成功的次数中匹配次数最高的数值与对话槽位表在槽位库中匹配成功的总次数相除得到匹配概率值。

在一些实施例中，还包括：对槽位库中的槽位进行增加、删除或修改，并重复步骤S2-S5调整当前句子的主题的识别效果。

第二方面，本申请的实施例提供了一种结合上下文信息的对话系统主题识别装置，包括：

槽位库构建模块，被配置为获取主题数据集，根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库；

主题预测模块，被配置为将对话系统中的待识别对话的当前句子进行预处理后输入经训练的单句主题识别模型，预测出当前句子的第一主题及其对应的预测概率值；

对话槽位表构建模块，被配置为识别出当前句子及其之前的所有句子的所有实体，并根据当前句子的所有实体及其类别建立对话槽位表，槽位库中的实体类别包括对话槽位表中的实体类别；

匹配模块，被配置为响应于对话槽位表在槽位库中匹配成功的次数，确定当前句子的第二主题及其对应的匹配概率值；

主题确定模块，被配置为响应于预测概率值与匹配概率值中数值较大的其中一个所对应主题为第一主题或第二主题，确定为当前句子的主题。

第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

相比于现有技术，本发明具有以下有益效果：

(1)本发明提出的一种结合上下文信息的对话系统主题识别方法及装置通过构建槽位库和对话槽位表以结合上下文信息，避免信息丢失导致主题识别错误等问题。

(2)本发明提出的一种结合上下文信息的对话系统主题识别方法及装置中所采用的单句主题识别模型并没有严格的要求和限制，增加了方法的实用性和适应性。

(3)本发明提出的一种结合上下文信息的对话系统主题识别方法及装置可以通过对槽位库中的内容进行增加或删除，以调整主题识别的效果，以适应不同的对话环境，并有效提高识别的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请的一个实施例可以应用于其中的示例性装置架构图；

图2为本发明的实施例的结合上下文信息的对话系统主题识别方法的流程示意图；

图3为本发明的实施例的结合上下文信息的对话系统主题识别装置的示意图；

图4是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示出了可以应用本申请实施例的结合上下文信息的对话系统主题识别方法或结合上下文信息的对话系统主题识别装置的示例性装置架构100。

如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。

需要说明的是，本申请实施例所提供的结合上下文信息的对话系统主题识别方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，结合上下文信息的对话系统主题识别装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。

图2示出了本申请的实施例提供的一种结合上下文信息的对话系统主题识别方法，包括以下步骤：

S1，获取主题数据集，根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库。

具体地，主题数据集是从对话系统中抽取的文本，并对文本进行单句主题标注得到的数据集，主题数据集中的每个句子均标注出对应的主题，也就是，每个句子对应一个主题，该主题为已标注主题。对话系统中抽取的文本可以选择大量医疗对话日志数据由访客发出的文本。主题数据集的形式一般是由多条数据构成，每条数据的形式如“割双眼皮多少钱--双眼皮”这样的句子与主题对应的形式。构建槽位库的过程中，一个句子只能构建一行槽位数据，根据主题数据集里每个句子所对应的主题就可在槽位库中对应查到相应槽位中主题与不同类别的实体之间的关系，槽位库的首行分别为主题以及不同的实体类别。由主题数据集中的多个句子组成的槽位库为具有普遍意义的表，包含每个句子及其对应的主题与每个句子中的实体之间的关系特征，有利于查表寻找相对应的主题，槽位库中包含主题数据集中上下文信息。槽位库是作为上下文信息的预存储，对话槽位表是识别过程中的临时存储匹配。主题数据集不仅是构成槽位库的重要信息来源，还可以用来训练单句主题识别模型。在分类任务中为保证训练得到的单句主题识别模型具有良好的效果，主题数据集的数据量应该保证充足，根据经验主题数据集的数据量应至少在主题类别数的1000倍以上，且各个类别的主题数据分布相对均衡。因此，主题数据集来源自实际对话中的句子构成的数据集，并且均衡的包含所定义的各类主题。在此情况下，训练得到的单句主题识别模型所识别的结果更加准确。

在具体的实施例中，步骤S1中根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库，具体包括：

S11，采用命名实体识别对所述主题数据集中的每个句子的实体进行识别；

S12，根据每个句子的主题与识别出的每个类别的实体得到槽位库中的每一行槽位；

S13，重复步骤S11-S12，得到所述主题数据集中多个句子对应的槽位库。

具体地，命名实体识别(Named Entity Recognition，简称NER)是信息提取、问答系统、句法分析、机器翻译等应用领域的重要基础工具，在自然语言处理技术走向实用化的过程中占有重要地位。一般来说，命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。以医疗对话的其中一个任务为例，NER需要识别症状、部位、技术、材料、仪器5种类别的实体，构建出的槽位库如表1所示：

表1槽位库示例表

根据上表可知：以上槽位库中主题与症状、部位、技术、材料、仪器5种类别下的实体之间建立对应关系。

在具体的实施例中，对话系统中的主题数据集用于训练单句主题识别模型之前需要将主题数据集中的每个句子进行预处理，对话系统中的待识别对话的当前句子在输入经训练的单句主题识别模型进行预测之前也需要进行预处理，对话系统中的每个句子的预处理过程具体包括：

采用结巴分词对每个句子进行分词，得到每个句子中的至少一个单词；

采用Word2vec对每个单词进行处理，得到词向量嵌入表示；

将每个句子的词向量嵌入表示进行拼接，得到合并矩阵。

具体地，例如：句子“整形多少钱”，进行分词后得到【整形，多少钱】两个词，这两个词分别采用word2vec进行嵌入(embedding)得到两个向量v1和v2。v1和v2都是1*n的词向量嵌入表示，其中n为word2vec固定的维度，再将v1和v2进行竖向拼接，得到维度为2*n的合并矩阵A＝[v1；v2]，当句子有多个词的时候，预先定义最大词数m，多的丢弃少的补0向量，依上面方法拼接成m*n的合并矩阵。合并矩阵可以作为单句主题识别模型的输入。在深度学习领域，embedding是指将低维的自然原始数据嵌入高维空间，在自然语言处理中则是将文本进行编码转化为高维空间中的向量以便于进行计算。常见的embedding方法有：onehot、word2vec、glove、elmo、bert等。

在具体的实施例中，单句主题识别模型为基于机器学习的文本分类模型，单句主题识别模型至少包括全连接层和softmax层。单句主题识别模型的网络结构没有固定的限制，可以是分类任务常用的任意一种模型，如CNN、RNN、LSTM、GRU、Transformer等任意一种。因此对于网络结构的限制较小，适用于多种单句主题识别模型。

在具体的实施例中，单句主题识别模型的训练过程包括：

将主题数据集中的每个句子进行预处理，得到合并矩阵；

采用独热编码将主题数据集中的主题编码为1*n维度的第一向量；

将合并矩阵输入全连接层和softmax层，得到第二向量；

计算第二向量与第一向量的交叉熵损失函数，逐步迭代优化单句主题识别模型的参数。

具体地，针对主题数据集中每一行的主题类别，使用独热(onehot)编码将主题编码为1*n维度的第一向量，第一向量为由0和1构成的01向量。将合并矩阵输入全连接层，输出维度为1*n维度的第三向量，将第三向量输入softmax层进行归一化处理，输出归一化后的向量为第二向量，并且计算第二向量与第一向量的交叉熵，逐步迭代优化后得到经训练的单句主题识别模型。

S2，将对话系统中的待识别对话的当前句子进行预处理后输入经训练的单句主题识别模型，预测出待识别对话的当前句子的第一主题，并得到第一主题对应的预测概率值。

具体地，对话系统中的待识别对话的当前句子进行预处理后得到合并矩阵A’，将合并矩阵A’输入经训练的单句主题识别模型中，预测得到当前句子所对应的第一主题，并且还可以得到当前句子预测结果为第一主题的预测概率值P1。

S3，识别出当前句子及其之前的所有句子的所有实体，并根据当前句子的所有实体及其类别建立对话槽位表，槽位库中的实体类别包括对话槽位表中的实体类别。

具体的，构建一个对话槽位表，该对话槽位表中以实体类别作为首行，槽位库中的实体类别包括对话槽位表中的实体类别，在优选的实施例中，该对话槽位表中实体类别与槽位库中实体类别相同，在其他实施例中，该对话槽位表中实体类别至少与槽位库的其中一个实体类别相同，以便于实现后续对话槽位表在槽位库中的匹配。同样采用NER识别当前句子中的所有实体，并将所有实体根据不同的类别存入对话槽位表中，因此建立出当前句子所对应的对话槽位表。对话槽位表是用于存储对话进行至当前时刻所出现的所有槽位信息，每个实体类别下都可能存在多个实体值。在与槽位库进行匹配过程中，其中一个实体类别下的多个实体值均需要另一个实体类别下的多个实体值组合搭配形成实体对与槽位库中的槽位进行匹配，下面以医疗对话为例具体说明对话槽位表的格式。

例如，当前句子为：我眼睛比较小，想咨询内切双眼皮和埋线双眼皮哪个好？

根据上述当前句子所得到对话槽位表如表2所示。

表2对话槽位表

根据表2的对话槽位表根据不同类别的实体可以构建两组实体对，一组是“眼睛，内切”，另一组是“眼睛，埋线”。由于槽位库中每一行均是不同类别的实体与主题之间建立的关系，因此在对话槽位表中同一类别的实体不能构建出实体对。对话槽位表根据不同类别的实体构建两组实体对以方便下面与槽位库进行匹配。

S4，响应于对话槽位表在槽位库中匹配成功的次数，确定当前句子的第二主题及其对应的匹配概率值。

在具体的实施例中，步骤S4还包括：

S41，判断对话槽位表是否为空，若是，则直接将第一主题作为当前句子的主题，否则将对话槽位表中不同类别的实体之间构成实体对，并将对话槽位表的实体对在槽位库中进行匹配；

S42，若对话槽位表中的其中一个实体对与槽位库中其中一行的实体相同，则匹配成功，并记录下槽位库中其中一行的实体所对应的第三主题；

S43，重复步骤S42将对话槽位表与槽位库进行匹配，并获得对话槽位表在槽位库中匹配成功的总次数以及至少一个第三主题及其对应的匹配成功的次数。

具体地，步骤S41中的对话槽位表为空的情况是指当前句子以及当前句子之前所有句子中都不包含任意一种实体，一般发生在对话开头尚未进行有效沟通的时候，例如对话开始句子是“你好”就属于这种情况，此时主题A1一般识别为“无主题”，因此直接返回经训练的单句主题识别模型预测出的当前句子的第一主题。

例如，对话内容为：

访客：我要咨询美容。

此时，对话槽位表为空。

访客：我要咨询眼睛的美容。

此时，对话槽位表如表3所示：

表3

如果对话槽位表不为空，说明从当前对话中识别出实体，则将对话槽位表中的数据在槽位库中进行匹配，当槽位库里的某一行对应的槽位所填的数值完全存在于对话槽位存储表中，则该行对应的主题与当前句子匹配成功1次。由于每个主题在槽位库里存在多行记录，因此每个主题可以被匹配成功多次。

表2的对话槽位表在槽位库中的匹配过程如表4所示：

表4

由表3可知，表2的对话槽位表在槽位库中匹配成功2次，匹配成功的第三主题均为双眼皮，即表3中的第二行和第三行对应的槽位在对话槽位表中分别都能匹配成功。结合上下文信息更多的是体现在应用过程中能够结合上下文信息进行查表，而非传统的只能针对单句进行识别。

具体地，对话槽位表是建立在当前句子以及当前句子之前的句子的基础上，随着每个句子进入，对话槽位表进行更新，以获得具有上下文信息的对话槽位表，并能够在槽位库中获得准确的匹配。根据对话系统中的待识别对话中的每一个句子都采用以上方法构建对话槽位表，并且将对话槽位表在槽位库进行匹配。统计所有匹配成功的第三主题，并记录每个第三主题被成功匹配的次数，最后汇总得到所有第三主题匹配成功的次数。

在具体的实施例中，步骤S4具体包括：

将至少一个第三主题所对应的匹配成功的次数中匹配次数最高的第三主题作为第二主题；

将至少一个第三主题所对应的匹配成功的次数中匹配次数最高的数值与对话槽位表在槽位库中匹配成功的总次数相除得到匹配概率值。

在具体的实施例中，假设所有第三主题匹配成功的次数为10次，其中X主题为7次，Y主题为2次，Z主题为1次，则选择匹配成功次数最高的X主题作为第二主题，其匹配概率值P2为7/10。

S5，响应于预测概率值与匹配概率值中数值较大的其中一个所对应主题为第一主题或第二主题，确定为当前句子的主题。

具体地，将预测概率值与匹配概率值进行比较，将两者之间数值较大的概率值所对应的主题确定为当前句子的主题。比较预测概率值P1与匹配概率值P2的数值大小，选择数值较大的对应主题作为当前句子的主题输出。若预测概率值P1较大，则将第一主题作为当前句子的主题输出；若匹配概率值P2较大，则将第二主题作为当前句子的主题输出。

在具体的实施例中，还包括：对槽位库中的槽位进行增加、删除或修改，并重复步骤S2-S5调整当前句子的主题的识别效果。

具体地，在必要时可通过人为增加、删减或修改槽位库的数据对识别结果进行跳转，以更好地调整当前句子的主题的识别效果，以获得更加准确的识别结果。本发明能够结合上文信息进行主题识别，因此避免信息丢失识别错误问题。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种结合上下文信息的对话系统主题识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

本申请实施例提供了一种结合上下文信息的对话系统主题识别装置，包括：

槽位库构建模块1，被配置为获取主题数据集，根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库；

主题预测模块2，被配置为将对话系统中的待识别对话的当前句子进行预处理后输入经训练的单句主题识别模型，预测出待识别对话的当前句子的第一主题，并得到第一主题对应的预测概率值；

对话槽位表构建模块3，被配置为识别出当前句子及其之前的所有句子的所有实体，并根据当前句子的所有实体及其类别建立对话槽位表，槽位库中的实体类别包括对话槽位表中的实体类别；

匹配模块4，被配置为响应于对话槽位表在槽位库中匹配成功的次数，确定当前句子的第二主题及其对应的匹配概率值；

主题确定模块5，被配置为响应于预测概率值与匹配概率值中数值较大的其中一个所对应主题为第一主题或第二主题，确定为当前句子的主题。

下面参考图4，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机装置400包括中央处理单元(CPU)401和图形处理器(GPU)402，其可以根据存储在只读存储器(ROM)403中的程序或者从存储部分409加载到随机访问存储器(RAM)404中的程序而执行各种适当的动作和处理。在RAM 404中，还存储有装置400操作所需的各种程序和数据。CPU 401、GPU402、ROM 403以及RAM 404通过总线405彼此相连。输入/输出(I/O)接口406也连接至总线405。

以下部件连接至I/O接口406：包括键盘、鼠标等的输入部分407；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分408；包括硬盘等的存储部分409；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分410。通信部分410经由诸如因特网的网络执行通信处理。驱动器411也可以根据需要连接至I/O接口406。可拆卸介质412，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器411上，以便于从其上读出的计算机程序根据需要被安装入存储部分409。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分410从网络上被下载和安装，和/或从可拆卸介质412被安装。在该计算机程序被中央处理单元(CPU)401和图形处理器(GPU)402执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取主题数据集，根据主题数据集中每个句子的主题与句子中每个类别的实体之间的关系构建具有多行槽位的槽位库；将对话系统中的待识别对话的当前句子进行预处理后输入经训练的单句主题识别模型，预测出当前句子的第一主题及其对应的预测概率值；识别出当前句子及其之前的所有句子的所有实体，并根据当前句子的所有实体及其类别建立对话槽位表，槽位库中的实体类别包括对话槽位表中的实体类别；响应于对话槽位表在槽位库中匹配成功的次数，确定当前句子的第二主题及其对应的匹配概率值；响应于预测概率值与匹配概率值中数值较大的其中一个所对应主题为第一主题或第二主题，确定为当前句子的主题。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。