CN105304084A - 一种实现机器人记忆主人强相关信息的方法 - Google Patents

Abstract

本发明提出一种实现机器人记忆主人强相关信息的方法，涉及机器人交互技术领域。本发明主要利用VSM向量空间模型以及自然语言近似推理等技术实现机器人的记忆功能，本发明通过VSM向量空间模型将自然语音中的有关主人的强相关信息转化为特征向量并储存于本地，当主人在此询问其相关信息时，机器人就会向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案。通过本发明所述的方法，实现了机器人的记忆功能，在与主人进行闲聊时，还能对主人的一些相关信息记录。通过该方法实现了机器人的记忆功能，能够对主人的一些相关信息进行记忆，并能够与主人之间产生互动。

Description

一种实现机器人记忆主人强相关信息的方法

技术领域

本发明涉及机器人交互技术领域，具体的是指一种实现机器人记忆主人强相关信息的方法。

背景技术

机器人是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动，它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。机器人是高级整合控制论、机械电子、计算机、材料和仿生学的产物。目前在工业、医学、农业甚至医学领域中均有重要用途。

随着科学技术的进步以及人们生活水平的提高，机器人已经逐渐进入人们的家庭，市场上已经出现了一些家用机器人，家用机器人是为人类服务的特种机器人，主要从事家庭服务，维护、保养、修理、运输、清洗、监护等工作，上述机器人都只能按照预先设定的程序来进行相关的功能，不具备记忆性功能，不能与人之间产生互动，不能对主人的一些相关信息进行记录等。

发明内容

针对现有技术的不足，本发明提出一种实现机器人记忆主人强相关信息的方法，通过该方法实现了机器人的记忆功能，能够对主人的一些相关信息进行记忆，并能够与主人之间产生互动。

本发明提出一种实现机器人记忆主人强相关信息的方法，包括如下步骤：

S100、主人通过语音与机器人交互，机器人通过语音识别将上述语音转化为自然语音并储存于本地以及网络端；

S200、当上述自然语音的内容中包括主人的强相关信息时，智能引擎会将其中的强相关信息根据用户唯一标识存储起来；

S300、智能引擎将自然语音中有关主人的强相关信息根据用户唯一标识存储于本地；

S400、利用VSM向量空间模型技术将有关主人的强相关信息转化为特征向量；

S500、当主人再次询问强相关信息的时候，机器人通过句法分析判断关键词的先后顺序，再根据向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案。

进一步的，所述强相关信息包括性别、年龄、爱好及职业。

本发明的有益效果：本发明通过VSM向量空间模型将自然语音中的有关主人的强相关信息转化为特征向量并储存于本地，当主人在此询问其相关信息时，机器人就会向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案。通过本发明所述的方法，实现了机器人的记忆功能，在与主人进行闲聊时，还能对主人的一些相关信息记录。

附图说明

图1为本发明的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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他实施例，都属于本发明保护的范围。

本发明提出一种实现机器人记忆主人强相关信息的方法，包括如下步骤：

S100、主人通过语音与机器人交互，机器人通过语音识别将上述语音转化为自然语音并储存于本地以及网络端；

S200、当上述自然语音的内容中包括主人的强相关信息时，智能引擎会将其中的强相关信息根据用户唯一标识存储起来；

S300、智能引擎将自然语音中有关主人的强相关信息根据用户唯一标识存储于本地；

S400、利用VSM向量空间模型技术将有关主人的强相关信息转化为特征向量；

S500、当主人再次询问强相关信息的时候，机器人通过句法分析判断关键词的先后顺序，再根据向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案。

其中，上述强相关信息包括主人的性别、年龄、职业、爱好等信息。

本发明通过VSM向量空间模型将自然语音中的有关主人的强相关信息转化为特征向量并储存于本地，当主人在此询问其相关信息时，机器人就会向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案，参见附图1。通过本发明所述的方法，实现了机器人的记忆功能，在于主人进行闲聊时，还能对主人的一些相关信息记录。VSM向量空间模型将自然语音中的有关主人的强相关信息转化为特征向量具体过程如下：

向量空间模型即把对文本内容的处理简化为向量空间中的向量运算，并且它以空间上的相似度表达语义的相似度。向量空间模型将文档映射为一个特征向量V(d)=(t1,ω1(d)；…；tn,ωn(d))，其中ti(i=1,2,…,n)为一列互不雷同的词条项，ωi(d)为ti在d中的权值,一般被定义为ti在d中出现频率tfi(d)的函数，即在信息检索中常用的词条权值计算方法为TF-IDF函数，其中N为所有文档的数目，n_i为含有词条t_i的文档数目。TF-IDF公式有很多变种，下面是一个常用的TF-IDF公式：

根据TF-IDF公式，文档集中包含某一词条的文档越多，说明它区分文档类别属性的能力越低，其权值越小；另一方面，某一文档中某一词条出现的频率越高，说明它区分文档内容属性的能力越强，其权值越大。

两文档之间的相似度可以用其对应的向量之间的夹角余弦来表示，即文档d_i，d_j的相似度可以表示为：

进行查询的过程中，先将查询条件Q进行向量化，主要依据布尔模型:当t_i在查询条件Q中时，将对应的第i坐标置为1，否则置为0，即

从而文档d与查询Q的相似度为：

根据文档之间的相似度，结合机器学习的一些算法如神经网络算法，K-近邻算法和贝叶斯分类算法等，可以将文档集分类划分为一些小的文档子集。在查询过程中，可以计算出每个文档与查询的相似度，进而可以根据相似度的大小，将查询的结果进行排序。向量空间模型可以实现文档的自动分类和对查询结果的相似度排序，能够有效提高检索效率。

采用上述的方法对自然语言进行处理，可大大提高机器人处理的快捷及准确度，避免了机器人在与人交流时出现反应错误或者不反应的情况。

惟以上所述者，仅为本发明之较佳实施例而已，当然不能以此限定本新型实施之范围，即大凡依本发明权利要求及发明说明书所记载的内容作出简单的等效变化与修饰，皆仍属本发明权利要求所涵盖范围之内。此外，摘要部分和标题仅是用来辅助专利文件搜寻之用，并非用来限制本发明之权利范围。

Claims (2)

1.一种实现机器人记忆主人强相关信息的方法，其特征在于：包括如下步骤：

S100、主人通过语音与机器人交互，机器人通过语音识别将上述语音转化为自然语音并储存于本地以及网络端；

S200、当上述自然语音的内容中包括主人的强相关信息时，智能引擎会将其中的强相关信息根据用户唯一标识存储起来；

S300、智能引擎将自然语音中有关主人的强相关信息根据用户唯一标识存储于本地；

S400、利用VSM向量空间模型技术将有关主人的强相关信息转化为特征向量；

S500、当主人再次询问强相关信息的时候，机器人通过句法分析判断关键词的先后顺序，再根据向量机相似度原则检索储存于本地的语句，检索到后把句子截取输出给用户答案。

2.根据权利要求1所述的一种实现机器人记忆主人强相关信息的方法，其特征在于：所述强相关信息包括性别、年龄、爱好及职业。