CN102968409A - 智能人机交互语义分析方法及交互系统 - Google Patents

Abstract

本发明提供一种智能人机交互语义分析方法及系统。本发明主要是利用一种智能化的语义网络对用户输入的语音信号进行精确语义匹配、关系语义匹配、模糊关系匹配，按照从精确到模糊的顺序进行语义分析，具有系统化、高扩展性和高可行性的特点，可以有效地对用户的自然语言输入进行分析和推理，尤其支持用户模糊语言输入分析，使用户能够更自然、方便的与智能设备进行交互，从而提高消费电子设备的智能化程度。

Description

智能人机交互语义分析方法及交互系统

技术领域

本发明涉及智能人机交互技术领域，特别是智能人机交互语义分析方法及交互系统。

背景技术

智能技术在消费性电子领域得到迅速发展和普及。如何使得消费电子设备更加适应消费者需求、更加智能化的理解并响应用户需求也成为消费电子智能技术所追求的目标。语音识别技术的发展较大程度提高了人机交互的水平，而语义分析技术作为理解自然语言的关键部分，承载着如何充分分析和理解用户自然语言输入语义的重任，因此对于智能系统的智能化程度具有决定性的作用。然而，传统的语义分析在简单语音输入的语义分析方面效果较好，对于复杂语音输入不具备系统化的语义分析能力，不能满足日益提高的人机交互智能化需求。

发明内容

本发明的目的在于，解决传统的交互方法和交互系统不能系统化地进行复杂语义分析的技术问题。

本发明的目的及解决其技术问题是采用以下技术方案来实现的。

一种智能人机交互语义分析方法，所述方法利用语义网络辅助实现交互。所述语义网络包括基本概念库、句型关系模板、常识知识库以及语义关系库，所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系。所述方法包括以下步骤：接收用户输入的语音信号并将其转变为可识别文本；对所述可识别文本的内容进行预处理，将所述可识别文本转变为可进行语义分析的内容；利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果；如果未获得所述精确语义匹配结果，则利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果；如果未获得所述关系语义匹配结果，则利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果；执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

一种智能人机交互语义分析系统，包括：语义网络、语音输入及语音识别模块、自然语言处理模块、语义分析模块以及反馈模块。语义网络，包括：基本概念库、句型关系模板、常识知识库以及语义关系库，所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系。自然语言处理模块用于接收用户输入的语音信号并将其转变为可识别文本。语义分析模块，所述语义分析模块包括第一匹配模块、第二匹配模块以及第三匹配模块。第一匹配模块用于利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果。如果所述第一匹配模块未获得所述精确语义匹配结果，则所述第二匹配模块利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果。如果所述第二匹配模块未获得所述关系语义匹配结果，则所述第三匹配模块利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果。反馈模块用于执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

本发明提供的智能人机交互语义分析方法和系统将用户输入内容经过语音识别之后，按照从精确到模糊的顺序进行语义分析，具有系统化、高扩展性和高可行性的特点，可以有效地对用户的自然语言输入进行分析和推理，尤其支持用户模糊语言输入分析，使用户能够更自然、方便的与智能设备进行交互，从而提高消费电子设备的智能化程度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是本发明第一实施例提供的智能人机交互语义分析方法的流程示意图。

图2是图1中步骤S13的具体流程示意图。

图3是语义网络的原理示意图。

图4是语义网络的关联示例示意图。

图5是图1中步骤S15的具体流程示意图。

图6是本发明第二实施例提供的智能人机交互语义分析系统的结构示意图。

图7是图6中第一匹配模块的具体结构示意图。

图8是图6中第三匹配模块的具体结构示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的智能人机交互语义分析方法和系统的具体实施方式、方法、步骤、特征及其功效，详细说明如下。

有关本发明的前述及其他技术内容、特点及功效,在以下配合参考图式的较佳实施例的详细说明中将可清楚呈现。通过具体实施方式的说明,当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用，并非用来对本发明加以限制。

请参考图1，图1是本发明第一实施例提供的智能人机交互语义分析方法的流程示意图。本发明提出的智能人机交互语义分析方法只要利用语义网络辅助实现交互。所述语义网络是一种典型的人工智能语义网络结构，具备分析推理功能，而且所述语义网络单元不同于传统人工智能网络，其主要针对知识库设计。为了实现对用户输入的自然语言进行分析，首先需要将所搜集的应用领域专属知识转化为可分析推理的语义网络。在所述语义网络中至少包括了基本概念库、句型关系模板、常识知识库以及语义关系库。所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系，这些关系例如可以用关系号来标示。请参照图1，于本实施例中，所述方法具体包括以下步骤：

S11：接收用户输入的语音信号并将其转变为可识别文本。

用户输入的自然语音信号一般通过人机交互接口输入和被采集，该接口例如可以是设备上的麦克风。语音信号通过语音识别技术被转变为可识别文本，在可识别文本的基础上实现自然语音语义分析。

S12：对所述可识别文本的内容进行预处理，将所述可识别文本转变为可进行语义分析的内容。

对所述可识别文本的内容进行预处理例如包括对所述可识别文本进行分词、噪声词去除或专有领域知识标注等处理。进一步的，所述语义网络还包括背景词库，所述背景词库包括通用词库及专有领域词库，可以利用所述背景词库对所述可识别文本进行分词的处理。

S13：利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果。

S14：如果未获得所述精确语义匹配结果，则利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果。

S15：如果未获得所述关系语义匹配结果，则利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果。

步骤S13~S15均属于语义分析步骤。本发明中的语义分析分为三步：精确语义匹配(步骤S13)、关系语义匹配(步骤S14)、模糊关系匹配(步骤S15)，但是，并不是所有的可进行语义分析的内容都必须经过这三步分析，如果在步骤S13中已经得到精确语义匹配结果，就不需要进行步骤S14以及步骤S15，如果在步骤S13中没有得到精确语义匹配结果，则进行步骤S14，如果在步骤S14中得到关系语义匹配结果，就不需要进行步骤S15，如果在步骤S14中没有得到关系语义匹配结果，则进行步骤S15。也就是说步骤S13~S15是根据每步的匹配结果依次选择进行的。

在步骤S13中，由于所述语义网络中的基本概念库包含了含义精确的条目，例如：基本概念、基本概念的扩展概念，从而可以与可进行语义分析的内容进行精确匹配，实现语义分析的目的。

例如，所述基本概念库包含精确的控制指令概念、应用名称概念、影视名称概念、音乐名称概念、导演演员名称概念、电视台名称概念等一系列基本概念，以及基本概念的扩展概念，例如，对电影类型概念“动作片”扩展得出的“武打片”、“功夫片”等，属于基本概念的扩展概念，所述基本概念及其基本概念的扩展概念构成含义精确的条目。而所述基本概念与所述扩展概念之间的对应关系存放在所述语义关系库中，语义关系还存放有基本概念本身的关系，这些关系都可以由对应的关系号来标示，例如100标示电影类型概念，100a标示电影类型概念的扩展概念等等。

请参照图2，进一步的，步骤S13可以包括以下步骤：

步骤S131：根据所述语义关系库中的与所述基本概念库中的基本概念相关的关系，在所述语义网络中的基本概念库中查找与所述可进行语义分析的内容直接精确匹配的基本概念，获得所述精确语义匹配结果；

步骤S132：如果不具有直接精确匹配的基本概念，则根据所述语义关系库中的所述基本概念与所述扩展概念之间的对应关系在所述基本概念库的扩展概念中查找与所述可进行语义分析的内容直接精确匹配的扩展概念，获得所述精确语义匹配结果。

如果输入的语音内容被预处理为“动作片”，且该“动作片”并无上下文逻辑，则利用语义关系库中电影类型概念的关系，例如关系号100在所述基本概念库中的电影类型概念中找到“动作片”这一基本概念，从而认为，所述语音输入的内容可被精确匹配，无需进行后续语义分析过程即可确定用户的意图。

如果输入的语音内容被预处理为“武打片”，且该“武打片”并无上下文逻辑，在所述基本概念库的电影类型概念中查找不到“武打片”，那么根据所述关系网络中电影类型概念与其扩展概念的关系(100a)即可在基本概念库中的电影类型扩展概念中查找到“武打片”这一扩展概念，从而认为，所述语音输入的内容为可被精确匹配，无需进行后续语义分析过程即可确定用户的意图。上面所述的关系号可以存储在所述语义网络的一个词表中。词表中包括可进行语义分析的词的ID以及每个词所对应的关系号。例如，在智能电视的应用中，将针对人名、应用名、控制词汇、影视名等采用多对多的方式进行构建，在每一步的语义分析过程中，每个词所对应的关系号根据具体适用场景进行预设，亦可根据需要扩充关系数量，增加关系定义。每个词的ID都是唯一的，因此可以根据所述可进行语义分析的内容中的词在所述词表中查找到与该次对应的关系号，在根据关系号在所述语义关系库中查找相应的关系，这些关系可能会指向基本概念库、句型关系模板或常识知识库中的一个。例如输入的语音内容被预处理为“武打片”，在词表中，“武打片”的ID对应的关系号为100，而在语义关系库中100表示的是电影类型概念，指向基本概念库，因此就可以在基本概念库中的电影类型概念里查找。如果在语义关系库中关系号指向的是句型关系模板，那么就在句型关系模板中查找，依此类推。请参照图3，图3是语义网络的原理示意图。

如果在步骤S13中无法获取精确语义匹配结果，则继续进行步骤S14。

于步骤S14中，根据所述语义关系库中与所述句型关系模板相关的关系，在所述句型关系模板中查找与所述可进行语义分析的内容的句型关系直接匹配的句型关系，根据所匹配的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述关系语义匹配结果。也就是说，语义网络根据句型关系模板对所述可进行语义分析的内容重新进行界定后还需要利用基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述关系语义匹配结果，这中间都是要借助语义关系库的。

具体来讲，可进行语义分析的内容如果无法获得精确语义匹配结果，可以分为三种情况，第一类内容是没有上下文关系，但是仍无法获得精确语义匹配结果；第二类内容是具有上下文关系，并可以由句型关系对其内容做出界定的内容；第三类内容是具有上下文关系，无法直接通过句型关系对其进行界定。

针对第一类内容，由于其没有上下文关系，可以通过词频关系、计算距离等方式将其与基本概念库中的概念进行语义关联，如果关联度可以限定在一定阈值范围内，则可以认为得到了关系语义匹配结果。如果这样仍很难得到关系语义匹配结果，还是可以通过模糊匹配进行语义分析。

针对第二类内容，由于所述句型关系模板中包括各种句型关系，通过将所述可进行语义分析的内容与所述句型关系进行匹配，如果符合某一种句型关系，则在一定程度上可以界定所述内容的所属语义分类，然后再根据其中所述内容的具体词语并利用词表找到这些词的关系号，在语义关系库中找到对应的基本概念库中的关系，最后在基本概念库进行匹配，确定具体语义，获得所述关系语义匹配结果。图4所示为语义网络的关联示例示意图，表示了一个语义网络中基本概念、句型关系之间的联系。基本概念之间通过“角色类型”、“同义”、“包含”、“来自”构成句型关系，还包括统计关联关系、包含关系、逆向关系、相同专有领域关系等，从而形成一个智能语义网络。

针对第三类内容，也就是在步骤S14中未获得所述关系语义匹配结果，则进行步骤S15。

请参照图5，于步骤S15中，进一步包括以下步骤：

S151：根据所述语义关系库中的模糊语义关系对所述可进行语义分析的内容与所述句型关系网络进行关联分析，将所述可进行语义分析的内容依赖于所述句型关系模板中的其中一种句型关系，根据所依赖的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述模糊语义匹配结果。

所述模糊语义关系包括上下文关系、概念聚类分类关系、领域分类关系、常用场景分类关系、语境关联关系或组合关联关系等，并且还可以根据应用场景的变化对所述关系进行补充。

S152：根据所述语义关系库中与所述常识知识库相关的关系并利用所述常识知识库进行常识知识学习，根据学习结果得到所述模糊语义匹配结果，所述模糊语义匹配结果包括语义分析结果或推理知识结果。

所述常识知识库包括常识概念，所述常识概念的关联领域或所述常识概念的关联组合，可以通过交互学习机制结合互联网信息与用户行为数据建立常识知识库，实现常识知识库的自我更新，将其中符合用户习惯的知识作为学习结果加入常用常识知识库，剩余知识作为备用常识知识库存在，形成常识知识库。进一步的，常识知识库还可以进入用户个性化提取机制，对特定群体、领域用户或个体用户的使用个性进行提取，以实现个性化的用户需求。

需要说明的是，整个语义网络，包括其中的基本概念库、语义关系库、句型关系模板等都可以通过这种方式进行更新，使系统能够越用越聪明。由于网络资源和用户行为数据均不断变化，整个结合过程可视为“自动学习”或“交互学习”过程，请参照图3。进一步的，可以利用交互学习机制根据特定领域、特定人群或用户个体的互联网信息或用户行为习惯与偏好对所述语义网络进行更新，包括对所述语义网络的基本概念库、句型关系模板、常识知识库或语义关系库进行更新。

模糊语义匹配给出的结果并不一定准确，但是必然会输出一个系统认为最匹配的结果。在此过程中，可以使用上下文语境分析技术、词性关系分析技术、常识知识匹配技术、自动学习技术、用户习惯抽取技术等。

具体的，在模糊关系匹配中，语境分析技术主要指上下文语境，通过将语境分析与词性分析、词语关系分析相结合分析来实现模糊关系匹配，如“教育孩子”、“教育要面向现代化”、“兴办教育”这三句话中关于“教育”的理解可以通过上下文语境分析技术实现，即“教育”作为一个概念词，与可以表征为儿童的名词“孩子”后续连接时，即可以认为这句话的意图是把“教育”作为一个动作，而“孩子”是动作的受体。“教育要面向现代化”中同样是教育，但后续连接的是“面向”和“现代化”这两个词，判断这两个词不可能是作为动作的受体，同时“现代化”可以作为一个修饰语存在，进而判断“教育”在其中的真正意义是做一个被修饰语。同样，“兴办教育”中的“教育”有前续连接词“兴办”，通过对“兴办”的词性和“教育”的词性分析可以确定“教育”在本句话中作为名词的释义。将确定好的词性、词语关系以及语境与所述常识知识库中的常识概念，所述常识概念的关联领域或所述常识概念的关联组合进行匹配得到模糊语义匹配结果，也可以将确定好的释义与所述语义网络中的基本概念库、句型关系模板进行匹配，从而获得模糊语义匹配结果。

自动学习技术是将网络抓取知识与用户行为数据进行结合分析，将其中符合用户习惯的知识作为学习结果加入到所述常识知识库中，剩余知识作为备用常识知识库存在。常识知识库的匹配过程需要结合上下文语境分析，对词语和句子有了了解之后，通过分析得出的可以代表含义的概念与常识知识库进行关联，从而得到最终的模糊语义匹配结果。

用户习惯抽取与更新是作为整个语义分析过程的辅助过程，如果这对单个用户的语言习惯和喜好进行个性化的语义分析，语义分析用户体验可能会有大幅度的提升，所以可以针对单个用户进行数据统计，对单个用户的习惯行为进行统计、抽象、分类，从而得到用户个性化的需求。通过个性化分类内容在该用户使用过程中的概率因子，使得其更容易作为常用内容唤起，最终可以提升用户体验。

上述语义分析步骤S13~S15的设定按照精确到模糊的语义分析顺序进行设定，步骤之间的基本概念库与句型关系又相互关联具备关系关联度，并且可以与常识知识库关联，形成一套完整的语义分析方法。

S16：执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

如果用户输入的语音信号为指令性信号，例如开启某某程序、更换桌面等，则将所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果所指示的指令进行标准化输出，并执行用户期望的动作。如果用户输入的语音信号是询问或者查找等信号，则向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果，包括结合常识知识库所给出的推理截获或回答。

本实施例提供的智能人机交互语义分析方法将用户输入内容经过语音识别之后，按照从精确到模糊的顺序进行语义分析，具有系统化、高扩展性和高可行性的特点，可以有效地对用户的自然语言输入进行分析和推理，支持用户模糊语言输入分析，使用户能够更自然、方便的与智能设备进行交互。

请参阅图6，图6是本发明第二实施例提供的智能人机交互语义分析系统的结构示意图。

请参照图6，本发明所提出的智能人机交互语义分析系统包括：语义网络20、语音输入及语音识别模块21、自然语言处理模块22、语义分析模块23、反馈模块24。

语义网络20包括：基本概念库、句型关系模板、常识知识库以及语义关系库，所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系。所述模糊语义关系包括上下文关系、概念聚类分类关系、领域分类关系、常用场景分类关系、语境关联关系或组合关联关系等。所述语义网络20还可以包括背景词库，利用所述背景词库对所述可识别文本进行分词的处理，所述背景词库包括通用词库及专有领域词库。

语音输入及语音识别模块21用于接收用户输入的语音信号并将其转变为可识别文本。自然语言处理模块22用于对所述可识别文本的内容进行预处理，将所述可识别文本转变为可进行语义分析的内容。语义分析模块23包括第一匹配模块231、第二匹配模块232以及第三匹配模块233。所述第一匹配模块231用于利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果；如果所述第一匹配模块231未获得所述精确语义匹配结果，则所述第二匹配模块232利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果；如果所述第二匹配模块232未获得所述关系语义匹配结果，则所述第三匹配模块233利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果。反馈模块24用于执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

进一步的，所述基本概念库中包括基本概念以及与所述基本概念对应的扩展概念，所述语义关系库包括所述基本概念与所述扩展概念之间的对应关系。请参照图7，进一步的所述第一匹配模块231包括第一查找模块2311以及第二查找模块2312。所述第一查找模块2311用于根据所述语义关系库中的与所述基本概念库中的基本概念相关的关系，在所述语义网络中的基本概念库中查找与所述可进行语义分析的内容直接精确匹配的基本概念，获得所述精确语义匹配结果；如果所述第一查找模块2311没有查找到直接精确匹配的基本概念库，则所述第二查找模块2312根据所述语义关系库中的所述基本概念与所述扩展概念之间的对应关系在所述基本概念库的扩展概念中查找与所述可进行语义分析的内容直接精确匹配的扩展概念，获得所述精确语义匹配结果。

进一步的，所述第二匹配模块232根据所述语义关系库中与所述句型关系模板相关的关系，在所述句型关系模板中查找与所述可进行语义分析的内容的句型关系直接匹配的句型关系，根据所匹配的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述关系语义匹配结果。

进一步的，请参照图8，第三匹配模块233包括：第三查找模块2331，所述第三查找模块2331根据所述语义关系库中的模糊语义关系对所述可进行语义分析的内容与所述句型关系网络进行关联分析，将所述可进行语义分析的内容依赖于所述句型关系模板中的其中一种句型关系，根据所依赖的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述模糊语义匹配结果。

所述第三匹配模块233还包括学习模块2332，所述学习模块2332根据所述语义关系库中与所述常识知识库相关的关系并利用所述常识知识库进行常识知识学习，根据学习结果得到所述模糊语义匹配结果，所述模糊语义匹配结果包括语义分析结果或推理知识结果。

所述系统进一步包括更新模块24，利用交互学习机制结合互联网信息或用户行为数据建立并通过将互联网数据或用户行为数据进行分析、归类，并将归类好的数据对所述语义网络进行更新，包括对所述语义网络的基本概念库、句型关系模板、常识知识库或语义关系库进行更新。所述更新模块24利用交互学习机制根据特定领域、特定人群或用户个体的互联网信息或用户行为习惯与偏好对所述语义网络进行更新，包括对所述语义网络的基本概念库、句型关系模板、常识知识库或语义关系库进行更新。

进一步的，所述自然语言处理模块22对所述可识别文本的内容进行预处理包括对所述可识别文本进行分词、噪声词去除或专有领域知识标注的处理。

进一步的，所述语义网络20还可以包括背景词库，利用所述背景词库对所述可识别文本进行分词的处理，所述背景词库包括通用词库及专有领域词库。

进一步的，所述常识知识库结合互联网信息或用户行为数据建立。

进一步的，所述常识知识库结合根据单个用户的互联网信息或用户行为习惯进行更新。

进一步的，所述语义网络20还包括词表，所述词表中包括可进行语义分析的词的ID以及每个词所对应的关系号，根据所述可进行语义分析的内容中的词在所述词表中的关系号，在所述语义关系库中查找相应的关系，并在与此关系对应的基本概念库、句型关系模板或常识知识库中进行语义匹配。

本实施例提供的智能人机交互语义分析系统将用户输入内容经过语音识别之后，按照从精确到模糊的顺序进行语义分析，具有系统化、高扩展性和高可行性的特点，可以有效地对用户的自然语言输入进行分析和推理，支持用户模糊语言输入分析，使用户能够更自然、方便的与智能设备进行交互。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种智能人机交互语义分析方法，其特征在于：所述方法利用语义网络辅助实现交互，所述语义网络包括基本概念库、句型关系模板、常识知识库以及语义关系库，所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系，所述方法包括以下步骤：

接收用户输入的语音信号并将其转变为可识别文本；

对所述可识别文本的内容进行预处理，将所述可识别文本转变为可进行语义分析的内容；

利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果；

如果未获得所述精确语义匹配结果，则利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果；

如果未获得所述关系语义匹配结果，则利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果；

执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

2.如权利要求1所述的方法，其特征在于：所述基本概念库中包括基本概念以及与所述基本概念对应的扩展概念，所述语义关系库包括所述基本概念与所述扩展概念之间的对应关系。

3.如权利要求2所述的方法，其特征在于：所述步骤利用所述语义网络中的语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果，包括：

根据所述语义关系库中的与所述基本概念库中的基本概念相关的关系，在所述语义网络中的基本概念库中查找与所述可进行语义分析的内容直接精确匹配的基本概念，获得所述精确语义匹配结果；

如果不具有直接精确匹配的基本概念，则根据所述语义关系库中的所述基本概念与所述扩展概念之间的对应关系在所述基本概念库的扩展概念中查找与所述可进行语义分析的内容直接精确匹配的扩展概念，获得所述精确语义匹配结果。

4.如权利要求1所述的方法，其特征在于：所述步骤利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果，包括：

根据所述语义关系库中与所述句型关系模板相关的关系，在所述句型关系模板中查找与所述可进行语义分析的内容的句型关系直接匹配的句型关系，根据所匹配的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述关系语义匹配结果。

5.如权利要求1所述的方法，其特征在于：所述步骤利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，包括：

根据所述语义关系库中的模糊语义关系对所述可进行语义分析的内容与所述句型关系网络进行关联分析，将所述可进行语义分析的内容依赖于所述句型关系模板中的其中一种句型关系，根据所依赖的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述模糊语义匹配结果。

6.一种智能人机交互语义分析系统，利用语义网络辅助实现交互，其特征在于：所述系统包括：

语义网络，包括：基本概念库、句型关系模板、常识知识库以及语义关系库，所述语义关系库包括与所述基本概念库、句型关系模板以及常识知识库相关的关系以及模糊语义关系；

语音输入及语音识别模块，用于接收用户输入的语音信号并将其转变为可识别文本；

自然语言处理模块，用于对所述可识别文本的内容进行预处理，将所述可识别文本转变为可进行语义分析的内容；

语义分析模块，包括：

第一匹配模块，用于利用所述语义关系库并结合所述基本概念库对所述可进行语义分析的内容进行精确语义匹配，获取精确语义匹配结果；

第二匹配模块，如果所述第一匹配模块未获得所述精确语义匹配结果，则所述第二匹配模块利用所述语义关系库并结合所述句型关系模板以及所述基本概念库对所述可进行语义分析的内容进行关系语义匹配，获取关系语义匹配结果；

第三匹配模块，如果所述第二匹配模块未获得所述关系语义匹配结果，则所述第三匹配模块利用所述语义关系库中的模糊语义关系进行模糊语义分析并结合所述句型关系模板以及所述基本概念库，获得模糊语义匹配结果，或者利用所述语义关系库并结合所述常识知识库对所述可进行语义分析的内容进行模糊关系匹配，获得模糊语义匹配结果；

反馈模块，用于执行所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果中所包含的指令或向用户返回所述精确语义匹配结果、所述关系语义匹配结果或所述模糊语义匹配结果。

7.如权利要求6所述的系统，其特征在于：所述基本概念库中包括基本概念以及与所述基本概念对应的扩展概念，所述语义关系库包括所述基本概念与所述扩展概念之间的对应关系。

8.如权利要求7所述的系统，其特征在于：所述第一匹配模块包括第一查找模块与第二查找模块，

所述第一查找模块用于根据所述语义关系库中的与所述基本概念库中的基本概念相关的关系，在所述语义网络中的基本概念库中查找与所述可进行语义分析的内容直接精确匹配的基本概念，获得所述精确语义匹配结果；

如果不具有直接精确匹配的基本概念，则所述第二查找模块根据所述语义关系库中的所述基本概念与所述扩展概念之间的对应关系在所述基本概念库的扩展概念中查找与所述可进行语义分析的内容直接精确匹配的扩展概念，获得所述精确语义匹配结果。

9.如权利要求6所述的系统，其特征在于：所述第二匹配模块根据所述语义关系库中与所述句型关系模板相关的关系，在所述句型关系模板中查找与所述可进行语义分析的内容的句型关系直接匹配的句型关系，根据所匹配的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述关系语义匹配结果。

10.如权利要求6所述的系统，其特征在于：第三匹配模块包括：第三查找模块，所述第三查找模块根据所述语义关系库中的模糊语义关系对所述可进行语义分析的内容与所述句型关系网络进行关联分析，将所述可进行语义分析的内容依赖于所述句型关系模板中的其中一种句型关系，根据所依赖的句型关系对所述可进行语义分析的内容重新进行界定，再利用所述语义网络中的基本概念库对将所述重新界定后的可进行语义分析的内容进行语义匹配获取所述模糊语义匹配结果。

Images