对话模型训练方法、对话方法、系统、设备及介质

本发明提供一种对话模型训练方法、对话方法、系统、设备及介质，涉及人机交互技术领域，该方法包括：根据样本对话中的当前样本用户输入信息和历史样本对话信息，生成当前样本对话状态信息；基于待训练策略网络和待训练价值网络进行树搜索，得到当前样本回复动作信息，以及当前样本回复动作信息对应的对话轨迹的全局奖励值；根据当前样本回复动作信息模拟生成的下一样本对话状态信息、当前样本对话状态信息、当前样本回复动作信息和全局奖励值，构建样本数据；根据样本数据，对待训练策略网络和待训练价值网络进行联合训练，以构建对话模型。本发明实现在对话时综合考虑长期回报和策略优化，由此提升多轮对话的生成质量、交互能力和用户体验感。