聊天内容排序方法、装置、机器人设备及可读存储介质

技术领域

本发明涉及人机交互技术领域，尤其涉及一种聊天内容排序方法、装置、机器人设备及可读存储介质。

背景技术

当前市面上大部分的机器人都缺乏主动聊天的能力，一方面是主动聊天涉及的话题广，话题的分布与聊天对象的年龄、职业、爱好等密切相关；另一方面是用户在切换不同的话题时，机器人无法跟随用户的聊天内容进行相应的切换且不生搬硬套。

因此，亟需一种能够有效地挑选出最适合回复当前用户的会话内容的机器人聊天方案。

发明内容

为了解决上述技术问题，本申请实施例提供了一种聊天内容排序方法、装置、机器人设备及可读存储介质，具体方案如下：

第一方面，本申请实施例提供了一种聊天内容排序方法，包括：

获取针对用户对话内容的预设数量的候选回复内容；

对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合，其中，所述特性分集合包括矛盾检查特性分、事实检查特性分、用户偏好检查特性分、规则模板检查特性分、对话下一句检查特性分、语义一致性检查特性分和状态分类映射检查特性分；

根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值；

按照所述目标排序分值对各候选回复内容进行排序，并将目标排序分值最高的候选回复内容确定为目标回复内容。

根据本申请实施例的一种具体实施方式，所述“对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合”，包括：

调用预设检查器，其中，所述预设检查器包括矛盾检查器、事实检查器、用户偏好检查器、规则模板检查器、对话下一句检查器、语义一致性检查器和状态分类映射检查器；

基于所述预设检查器对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合。

根据本申请实施例的一种具体实施方式，所述方法还包括：

各所述预设检查器并行对所述候选回复内容进行评分处理。

根据本申请实施例的一种具体实施方式，所述“对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合”之后，所述方法还包括：

对全部候选回复内容的特性分集合中各类型的特性分进行排序；

按照同一类型的特性分的各候选回复内容的排序位次、候选回复内容的预设数量以及所述特性分的分值进行位序惩罚计算，以得到对于各类型特性分的惩罚分值；

基于所述惩罚分值更新所述特性分集合，以得到目标特性分集合；

所述“根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值”，包括：

根据所述目标特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值。

根据本申请实施例的一种具体实施方式，所述方法还包括：

获取所述用户对话内容中的历史对话数据；

根据所述历史对话数据中的用户聊天信息以及机器人聊天信息，计算当前候选回复内容的排序标注；

基于预设权重训练模型以及所述排序标注，计算得到各类型特性分的权重信息。

第二方面，本申请实施例提供了一种聊天内容排序装置，包括：

获取模块，用于获取针对用户对话内容的预设数量的候选回复内容；

特性检测模块，用于对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合，其中，所述特性分集合包括矛盾检查特性分、事实检查特性分、用户偏好检查特性分、规则模板检查特性分、对话下一句检查特性分、语义一致性检查特性分和状态分类映射检查特性分；

线性回归模块，用于根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值；

排序模块，用于按照所述目标排序分值对各候选回复内容进行排序，并将目标排序分值最高的候选回复内容确定为目标回复内容。

根据本申请实施例的一种具体实施方式，所述特性检测模块，具体用于调用预设检查器，其中，所述预设检查器包括矛盾检查器、事实检查器、用户偏好检查器、规则模板检查器、对话下一句检查器、语义一致性检查器和状态分类映射检查器；

基于所述预设检查器对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合。

根据本申请实施例的一种具体实施方式，各所述预设检查器并行对所述候选回复内容进行评分处理。

第三方面，本申请实施例提供了一种机器人设备，所述机器人设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行第一方面及第一方面任一实施方式所述的聊天内容排序方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面及第一方面任一实施方式所述的聊天内容排序方法。

本申请实施例提供了一种聊天内容排序方法、装置、机器人设备及可读存储介质，包括：获取针对用户对话内容的预设数量的候选回复内容；对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合，其中，所述特性分集合包括矛盾检查特性分、事实检查特性分、用户偏好检查特性分、规则模板检查特性分、对话下一句检查特性分、语义一致性检查特性分和状态分类映射检查特性分；根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值；按照所述目标排序分值对各候选回复内容进行排序，并将目标排序分值最高的候选回复内容确定为目标回复内容。本发明通过对回复内容进行多样筛选的方式，有效优化了人机交互过程中机器人的回复质量。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提供的一种聊天内容排序方法的方法流程示意图；

图2a示出了本申请实施例提供的一种聊天内容排序方法中的对话状态映射规则的示意图之一。

图2b示出了本申请实施例提供的一种聊天内容排序方法中的对话状态映射规则的示意图之二。

图3示出了本申请实施例提供的一种聊天内容排序装置的装置模块示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

参考图1，为本申请实施例提供的一种聊天内容排序方法的方法流程示意图，本申请实施例提供的聊天内容排序方法，如图1所示，包括：

步骤S101，获取针对用户对话内容的预设数量的候选回复内容；

具体地，本实施例提供的聊天内容排序方法可以应用于包括语音交互系统的机器人设备中，例如陪伴机器人等。在具体实施过程中，本实施例的机器人设备能够和用户实现日常聊天交互，并进行会话沟通。

当用户与机器人设备进行对话过程中，所述机器人设备实时获取针对用户对话内容的预设数量的候选回复内容。

具体地，所述机器人可以记录与用户进行对话的全部对话内容。本实施例中的用户对话内容指当前需要机器人进行回复的用户语料数据。本实施例中的候选回复内容为机器人回复所述用户语料数据的候选语料数据。

在一种具体实施例中，所述语音交互系统包括多类型的上游处理模块，用于处理用户对话内容，以得到针对当前用户语料数据的预设数量的候选回复内容。所述候选回复内容为所述上游处理模块的输出结果。

举例来说，上游处理模块对用户语料数据处理后，得到通过匹配方式获取的5条QA回复内容、通过小型生成模型(GPT2-chinese)生成的8条回复内容、通过大型生成模型(CPM-large)生成的8条回复内容、通过实体琐事回复生成模型生成的5条回复内容、通用状态图模型生成的1条回复内容等27条候选回复内容。

在具体实施例中，所述候选回复内容的预设数量根据用户的当前语料数据以及上游处理模块的具体设置方式来决定，本实施例对此不作限定。

本实施例不对所述匹配方式、所述小型生成模型(GPT2-chinese)、所述大型生成模型(CPM-large)、所述实体琐事回复生成模型以及所述通用状态图模型进行具体限定，各方式及模型均可以根据实际应用场景选择相应的方法进行训练。

步骤S102，对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合，其中，所述特性分集合包括矛盾检查特性分、事实检查特性分、用户偏好检查特性分、规则模板检查特性分、对话下一句检查特性分、语义一致性检查特性分和状态分类映射检查特性分；

在具体实施例中，本实施例对候选回复内容进行多方面的量化评分处理，以便于后续对各候选回复内容进行排序处理。

具体地，所述矛盾检查特性分用于评价各候选回复内容是否与当前用户对话内容中机器人的人设信息以及机器人的前后文信息存在矛盾。

举例来说，如果当前用户对话内容中机器人的人设信息是男性、8岁，则候选回复内容中表明机器人为女性的或具有明显女性标识或超过年龄段范围的内容，将会得到极低的特性分。

在具体实施过程中，所述人设信息可以根据实际应用场景进行自适应设置，可以设置的选项包括例如性别、年龄、身份、职业等，本实施例对此不作限定。

所述事实检查特性分用于评价各候选回复内容是否与事实情况不符。

举例来说，若候选回复内容中包括“太阳时从西边升起的”，则此部分候选回复内容将得到极低的事实检查特性分。

所述用户偏好检查特性分用于评价各候选回复内容是否贴近与用户的爱好。

举例来说，若用户画像中表明用户更喜欢篮球和足球，则若候选回复内容中包括篮球或足球的信息，则此部分候选回复内容将得到更高的用户偏好检查特性分。

所述规则模板检查特性分用于评价各候选回复内容是否符合基本的语法和文法的表达，符合基本的语法和文法的表达候选回复内容将得到更高的规则模板检查特性分。

所述对话下一句特性分用于评价各候选回复内容与用户对话内容的关联度，关联度更高的候选回复内容将得到更高的对话下一句特性分。

所述语义一致性特性分用于评价各候选回复内容与用户对话内容的语义重复度，语义重复度更高的候选回复内容将得到更低的语义一致性特性分。

所述对话状态映射特性分用于评价各候选回复内容的对话表达习惯，更贴近用户对话内容的表达意图的候选回复内容将得到更高的对话状态映射特性分。

根据本申请实施例的一种具体实施方式，所述“对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合”，包括：

调用预设检查器，其中，所述预设检查器包括矛盾检查器、事实检查器、用户偏好检查器、规则模板检查器、对话下一句检查器、语义一致性检查器和状态分类映射检查器；

基于所述预设检查器对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合。

具体地，本实施例通过设置多种检查器的方式，来实现所述评分处理。

具体的，所述矛盾检查器的工作方式为：

通过预训练模型(BERT或其它预训练模型)将机器人的历史对话信息以及机器人的人设信息进行编码，得到矩阵U＝n*u，n为所述历史对话信息和所述人设信息的数量，n的数据可根据计算性能设置上限，本实施例对此不作限定；通过所述预训练模型对所述候选回复内容进行编码得到矩阵V＝27*v。对U矩阵和V矩阵进行系列操作，得到u，v，|u-v|，u*v等不同交互处理的表征；基于逻辑回归模型softmax对不同表征进行分类计算，以得到包括蕴含、矛盾和中立的分类结果以及矛盾特性分情况；将根据各矛盾特性分情况的分类结果对得分进行调整，其中，分类结果为矛盾的矛盾特性分直接赋值为0，分类结果为蕴含的矛盾特性分为原分值，分类结果为中立的矛盾特性分为原分值的一半；最后，按照调整后的矛盾特性分对各候选回复内容进行排序。

在具体实施例中，所述机器人的历史对话信息以及机器人的人设信息存储在机器人设备的存储器中，本实施例不对所述存储器进行具体限定，可以根据实际应用场景选择合适的存储方式进行存储。

所述事实检查器的工作方式为：

构建一个离线库，该离线库包括维基百科及百度百科的知识库，并建立相关索引等；通过实体抽取及实体链指等技术对各候选回复内容进行实体识别及提取，例如当候选回复内容为“姚明的身高是170cm”，则提取的实体为“姚明”。当实体为“姚明”，候选回复内容为“他的身高是170cm”时，能够结合上下文链得到“他”为“姚明”；通过elasticsearch等技术通过“姚明”及其他实体等快速从所述离线库中找到相关的内容及语料片段；

基于预训练模型以及逻辑回归模型softmax处理所述候选回复内容和所述相关的内容及语料片段，得到事实特性分情况，并按照与前述矛盾特性分相同的处理方式对所述事实特性分进行计算和排序。

所述用户偏好检查器的的工作方式为：

构建一个用户兴趣爱好表，所述用户兴趣爱好表中包括用户的爱好信息及机器人使用习惯信息等，所述用户兴趣爱好表可以通过规则模板、实体抽取、语义匹配等手段分析用户的历史聊天内容及机器人设备使用习惯来进行获取；对所述预训练模型进行微调，得到语义相似性模型分类器，微调时的训练数据可以使用如lcqmc集等；通过构建的用户兴趣爱好表等提取出当前用户的兴趣爱好等相关内容，如偶像信息；

将当前用户的兴趣爱好等相关内容与候选回复内容输入到所述语义相似度模型分类器，以得到得到相似度分类结果及用户偏好特性分情况；

按照与前述矛盾特性分相同的处理方式对用户偏好特性分情况进行计算和排序。

所述规则模板检查器的工作方式为：

基于预设语法规则以及预设文法规则对各候选回复内容进行评分。

举例来说，所述预设语法规则以及所述预设文法规则包括：回复内容的标点符号、数字及英文字母等的占比不得超过预设比例；回复内容的句子长度不能少于预设字数；回复内容中不能出现较多安全回复词，所述安全回复词例如“好的”、“那当然了”、“你说的对”、“我也是这么想的”；重复字词的出现比例不能超过预设比例；拟声词的数量过多等。

计算出各候选回复内容在全部预设语法规则以及预设文法规则下的得分；统计出所有候选回复内容中的最大得分及最小得分情况，记为max_value和min_value；将每个候选回复内容的得分(value)减去最小得分min_value后再除以最大得分max_value减最小得分min_value的得分商值，即(value-min_value)/(max_value-min_value+0.001)，其中，所述0.001是为了防止除数为0的情况；所述得分商值即规则模板特性分；对各候选回复内容的规则模板特性分进行排序。

所述对话下一句检查器的工作方式为：

通过开源的闲聊对话语料，如DuConv、C3、NaturalConv等数据集构建下一句预测(Next Sentence Predict，简称NSP)正例，同时使用随机抽样，或上下句颠倒等方式构建负例，使用ERNIE预训练模型进行微调，训练出一个可预测NSP的模型；使用所述可预测NSP的模型处理用户回复内容以及候选回复内容，可以得到各候选回复内容的分类结果以及对话下一句特性分情况；按照与前述矛盾特性分相同的处理方式对所述对话下一句特性分情况进行计算和排序。

所述语义一致性检查器的工作方式为：

通过预训练模型微调出一个语义相似性模型分类器，微调过程使用的训练数据可以为lcqmc、Phoenix Paraphrasing等；通过所述语义相似性模型分类器对用户对话内容以及候选回复内容进行预测，得到分类结果及语义一致性特性分；按照与前述矛盾特性分相同的处理方式对所述语义一致性特性分进行计算和排序。

所述对话状态映射检查器的工作方式为：

在本实施例中，将对话数据的意图状态分为三段状态表达方式。

举例来说，若对话数据为“问：你好啊；答：你好你好”，则“你好啊”的意图状态为日常交流意图@社交意图@礼仪性表达，记为social_obligation@social@etiquette。而“你好你好”的意图状态为日常交流意图@社交意图@礼仪性回应，记为social_obligation@social@return_etiquette。

在具体实施例中，所有的状态统计可以如下表1所示：

/>

如上表1所示，本实施例将会话过程中的划分为如图2a和图2b中的两类意图状态，并在两类意图状态下进一步对状态进行分类，得到所述三段状态表达方式。

在具体实施例中，对候选回复内容进行状态分类时，应以标点符号将候选回复内容划分成多个句子，每个句子添加一个状态标识，其中，某些状态标识的结果需要根据用户对话内容中的上下文来对所述状态标识来进行标注。

在具体实施过程中，本实施例通过上述标注规则对大规模训练语料进行标注，并基于标注好的语料训练一个分类模型(17分类)，使用所述预训练模型加微调的方式进行训练；将微调好的模型来预测NaturalConv的全语料得出每句话的状态情况，并以标点符号进行切分；

举例来说，如输入例句为“嗨喽，你好！你有关注最近的新闻消息吗？”，则预测输出的act状态分别为：[{'dial_act':'social_obligation@social@etiquette'},{'dial_act':'social_obligation@social@eti quette'},'dial_act':'general_intent@question@whether'}]。

输出的三个状态分别对应“嗨喽”，“你好”和“你有关注最近的新闻消息吗”。此次状态预测过程中所述例句的分类状态的转移情况为social_obligation@social@etiquette->social_obligation@social@etiquette->gen eral_intent@question@whether。

统计两类分类状态的转移情况，其中第一类为对话问句中的最后一句以及回复的第一句(以标点符号切断为一句)的分类状态的转移情况；第二类为各对话中一句话含多个标点符号，可被切割成多个句子的情况的分类状态的转移情况。根据所有的转移情况统计信息，得出两类分类状态的转移情况的出现次数及频率，频率的计算为当前转移情况出现的次数除以总转移情况的次数；

使用所述分类模型(17分类)对用户会话内容以及候选回复内容进行预测，并按照上述转移情况统计方式计算出两类状态的转移情况的出现频率；根据两类频率加总的频率得到所述对话状态映射特性分；并对所述对话状态映射特性分排序。

综上所述，可以通过训练各预设检查器的方式，实现对各候选回复内容的评分处理。需知的，上述预设检查器的训练方式，均为可以实施的一种实施例，并非训练预设检查器的唯一方式，可以根据实际应用场景，选择能够实现同样功能的训练方式来训练得到预设检查器。

根据本申请实施例的一种具体实施方式，所述方法还包括：

各所述预设检查器并行对所述候选回复内容进行评分处理。

在具体实施例中，在获取全部候选回复内容后，全部预设检查器并行计算，能够有效减少聊天内容排序过程的耗时，加快目标回复内容的确定。

步骤S103，根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值；

在具体实施例中，基于线性回归模型处理前述7种类型的预设检查器的特性分，能够得到每一候选回复内容最终进行排序操作的目标排序分值。

根据本申请实施例的一种具体实施方式，所述方法还包括：

获取所述用户对话内容中的历史对话数据；

根据所述历史对话数据中的用户聊天信息以及机器人聊天信息，计算当前候选回复内容的排序标注；

基于预设权重训练模型以及所述排序标注，计算得到各类型特性分的权重信息。

具体地，每一类型的特性分具有相应的权重信息，所述权重信息可以根据用户对话内容的历史数据，以及机器人回复内容的历史数据来对各类型的特性分进行标注，将更贴合用户意图的特性分设置更高的权重，远离用户意图的特性分设置更低的权重。

在一种可行的实施例中，本实施例提出的机器人设备还包括用户数据库和机器人数据库，所述用户数据库用于存储每一位用户的用户关联信息，所述用户关联信息包括历史对话数据以及人物画像；所述机器人数据库用于存储机器人的设定信息，所述设定信息包括人设信息以及历史聊天信息等。

机器人设备每进行一次对话过程，均可以对所述用户数据库和所述机器人数据库中的数据进行更新，以实现历史数据的积累，便于提升各预设检查器计算特性分以及划分特性分权重的准确度。

根据本申请实施例的一种具体实施方式，所述“对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合”之后，所述方法还包括：

对全部候选回复内容的特性分集合中各类型的特性分进行排序；

按照同一类型的特性分的各候选回复内容的排序位次、候选回复内容的预设数量以及所述特性分的分值进行位序惩罚计算，以得到对于各类型特性分的惩罚分值；

基于所述惩罚分值更新所述特性分集合，以得到目标特性分集合；

所述“根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值”，包括：

根据所述目标特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值。

在具体实施过程中，为防止部分检查器输出的特性分过于接近，无法进行有效排序，本实施例还基于位序惩罚的机制，对各类型的特性分进行惩罚分值计算。

具体的，可以通过公式(length-idx)*confidence/length计算得到所述惩罚分值，其中，length为候选回复内容的预设数量，idx为候选回复内容的排序位次，confidence为特性分的分值。

基于预设检查器输出的特性分值和所述惩罚分值进行计算，可以得到目标特性分值，综合全部目标特性分值，得到所述目标特性分集合。

步骤S104，按照所述目标排序分值对各候选回复内容进行排序，并将目标排序分值最高的候选回复内容确定为目标回复内容。

在具体实施例中，所述目标排序分值最高的候选回复内容，为更使用户感兴趣、更符合文法习惯、更贴切用户会话意图的优异回复。

本实施例提出了一种聊天内容排序方法，本方法能够从多个角度计算候选回复内容与问句之间的相关性，包括但不限于避免会话逻辑矛盾、避免文法错误、避免语句重复等对话问题，提升会话质量，使得回复更加贴合用户问句意图，更加贴合用户兴趣爱好，贴合日常交流表达习惯，从而有效提升了人机交互过程中的机器人回复质量。另外，本实施例提出的聊天内容排序方法在进行多方面评分时为并行处理方式，能够高效地得到各候选回复内容的排序结果，可以使得机器人设备的回复更加智能。

综上，本实施例提出的聊天内容排序方法能够在人机交互过程中，为使机器人向更加主动的方向发展，提供有效助力。

参考图3，为本申请实施例提供的一种聊天内容排序装置300的装置模块示意图，本申请实施例提供的聊天内容排序装置300，如图3所示，包括：

获取模块301，用于获取针对用户对话内容的预设数量的候选回复内容；

特性检测模块302，用于对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合，其中，所述特性分集合包括矛盾检查特性分、事实检查特性分、用户偏好检查特性分、规则模板检查特性分、对话下一句检查特性分、语义一致性检查特性分和状态分类映射检查特性分；

线性回归模块303，用于根据所述特性分集合、各类型的特性分的权重信息以及线性回归模型计算各候选回复内容的目标排序分值；

排序模块304，用于按照所述目标排序分值对各候选回复内容进行排序，并将目标排序分值最高的候选回复内容确定为目标回复内容。

根据本申请实施例的一种具体实施方式，所述特性检测模块302，具体用于调用预设检查器，其中，所述预设检查器包括矛盾检查器、事实检查器、用户偏好检查器、规则模板检查器、对话下一句检查器、语义一致性检查器和状态分类映射检查器；

基于所述预设检查器对所述候选回复内容进行评分处理，以得到每一候选回复内容的特性分集合。

根据本申请实施例的一种具体实施方式，各所述预设检查器并行对所述候选回复内容进行评分处理。

另外，本申请实施例还提供了一种机器人设备，所述机器人设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行前述方法实施例中的聊天内容排序方法。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行前述方法实施例中的聊天内容排序方法。

上述实施例中提到的聊天内容排序装置、机器人设备及计算机可读存储介质的具体实施过程，可以参见上述方法实施例的具体实施过程，在此不再一一赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，所述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。