CN106294616A - 一种基于移动互联网的智能问答机器人系统 - Google Patents

Abstract

一种基于移动互联网的智能问答机器人系统，其包括如下单元：用户移动性单元，用于基于移动互联网平台实现用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定；移动互联网与社交网络单元，用于确定各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈；用户兴趣点挖掘与个性化定制单元，用于发掘用户的兴趣点以及进行个性化信息推送；用户查询与知识库匹配单元，用于经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；智能问答数据库单元，用于对问题知识库和答案知识库中相关内容的更新与优化。

Description

一种基于移动互联网的智能问答机器人系统

技术领域

本发明涉及智能问答机器人技术领域，特别涉及一种基于移动互联网的智能问答机器人系统。

背景技术

基于当前流行的移动互联网平台，进行智能问答机器人系统的研究是一个新兴的研究领域。涉及的研究领域包括基于移动互联网平台上，用户在大学校园中实时位置的动态变化监测，用户活动位置与范围的变化规律，用户活动的常规路线界定与个性化任务推荐，与用户情境要素相结合的人工智能知识库的融合与问答专家系统等一切跟移动互联网上的大学校园智能问答机器人相关的技术领域。该领域涉及到的主要研究对象是大学校园范围内活动的教师、学生和行政人员等，涉及到的主要关键技术包括：情境感知技术、人工智能专家库技术、基于移动互联网平台的Android开发技术，问答与专家系统技术、用户个性化定制与推荐技术、语音识别技术、数据挖掘与知识发现等。其实际应用价值主要体现在：1、当大学校园中出现新报到的教师和学生等用户时，该系统能够辅助这类人群更快的熟悉和适应所在院校的大学环境和文化氛围；2、通过对大学校园内用户活动实时位置的监测与提取，能够辅助用户更好的规划一天的工作和学习任务；3、当新用户在大学校园内迷路时，在当前已存在的地图APP(谷歌地图、百度地图、高德地图等)暂不能详细显示大学校园地图全貌的前提下，本发明的系统可以辅助用户快速而准确的到达目的地；4、当用户经过某地而忘记做计划中的事情时，本发明的系统可以提醒用户去完成即将遗忘的任务；5、用户与其他用户建立好友关系时，结合用户活动的情境要素建立人工智能知识库。当用户在某一时刻经过某地时，本发明的系统可以提醒用户去选择性完成好友需要完成的工作和任务，从而到达团队任务相互协作的目的。

当前，国内外学者针对人工智能问答系统领域的研究做了很多的相关工作。现把与本文研究密切相关的研究进行总结，主要可概括为以下几个方面：

问答系统架构：商业智能应用允许用户查询、理解和分析组织中已存在的数据以获取有用的知识和更好的决策。商业智能应用的核心是数据仓库，它用于在公共数据存储中集成几种异构数据源。因此，在下一代商业智能应用中公共协议应该被考虑：不仅来自于内部数据源，而且来自于不同的外部数据源(例如，大数据，博客，社交网络等)。这些来自于竞争对手的相关更新信息可能为正确的决策提供关键性的信息。这些外部数据通常通过传统Web搜索引擎获得，随着用户在分析返回信息和把这些信息集成到商业智能上做出的巨大努力。Antonio Ferrández等人提出了一种集成数据仓库内部结构化数据和从问答系统获得的外部非结构化数据的技术。该集成通过数据仓库和问答系统的返回数据展示到仪表盘上使得用户能处理各种类型的数据。另外，问答结果通过一种新数据仓库以一种持久的方式存储以方便所得结果和不同问题，或相同问题与不同日期的比较。

基于问答系统的用户兴趣模型：Jonathan Bergeron等人探索性的建立一种自适应的用户兴趣模型。他们提出的模型从用户搜索查询中利用隐含的数据用于从DBpedia中选择类别信息。通过联合从多个查询收集到的类别信息并利用这些类别间的语义关系，从而使得Jonathan Bergeron等人的系统建立用户兴趣模型成为可能。这个模型通过包含年龄和有效期的概念，而被设计成能够对用户随时间变化的兴趣产生应答。当查询一个歧义词时，该系统也包含了准确查找到正确类别的机制。

搜索个性化的行为建模：用户行为为通过个性化改进搜索结果的相关性提供了许多线索。一方面，用户行为为传递更好的相关性提供了特别强烈的信号。该信号是一种单个用户的查询历史和被点击的文档。Paul N.Bennett等人是首先评估短期(会话)行为和长期(历史)行为如何相互影响和如何可能被孤立或联合使用，从而通过搜索个性化而最优化收益相关性贡献的学者。他们关键性的发现包括：在搜索会话开始的时候历史行为提供实质性利益；在扩展搜索会话中，短期会话行为为大多数收益做出贡献；会话和历史行为的联合比使用其中一个更优。他们同样也描述了在一个会话时间周期内每个模型改变的相对个性的特征。他们的发现暗含了搜索系统的设计，这样就使用户个性化搜索行为得到平衡。

个性化Web搜索：在Web搜索中，搜索结果的个性化提供了潜在的重大改进。在许多可观测的用户属性中，近似的用户位置能特别容易让搜索引擎获得并让首次进行Web搜索的用户允许其个性化。然而，作用于用户位置信息是不同的，因为几乎没有Web文档包含一个地址，而该地址能够被解释成约束相关文档的地址。此外，许多文档(如当地新闻报道，彩票结果，体育团的粉丝专页)可能对物理地址没有响应。但在文档相关性中，用户位置的相关性仍旧发挥了重要作用。Paul N.Bennett等人展示了如何使用物理地址和更多一般兴趣地址的概念为网页推断出更多一般相关性的地址。他们使用隐含用户行为的数据计算这些信息，描述大多数以位置为中心的页面，表明位置信息能够被纳入到Web搜索排名中。

以词汇驱动的开源问答系统：在海量数据集中对知识表示进行访问是一件非常有挑战性的事情。问答的目标在于通过简单易用的接口了解数据。然而，问答系统非常复杂并且早期的方法在某个特定领域的问答显得非常单一。因而，特别是许多组件被重新利用来设计和实施为新的改进方法往往显得笨重且无效率。因此，强烈需要组合式的问答系统得以实现，使得表现最好的组件能够联合起来在指定领域实现最大价值。考虑到功能的高变体可能在一个问答系统中被利用和在新问答系统中被重新利用，Andreas Both等人提供了一种通过问答词汇驱动的方法与现有方法进行比较，该方法由特定领域社区提供了强大的知识本体。他们通过绑定现有词汇到核心问答词汇上而不再创造由外部组件提供的信息的方法来实现。因此，他们为快速建立新的(特定领域的)问答系统提供了一种实用的方法，而且通过多个领域核心问答词汇得到了重新利用。

问答系统的互操作性：问答系统对于理解数据来说是最大的挑战之一。数据网吸引了问答社区的注意并且最近，许多模式感知的问答系统被介绍，而且研究成果都是有意义的。然而，由于缺乏概念性描述问答系统的系统性方法，集成不同方法是不太可能的。Kuldeep Singh等人展示了一种建立在摘要层上的消息驱动词汇。这种词汇从不同问答系统的概念图中得出结论，这样他们使研究人员和工厂能实施消息驱动的问答系统并重新利用和扩展不同方法，而不存在互操作性和扩展性的担忧。

医学问答系统：设计问答系统对自然语言问题的深度分析和有效性提出了要求。这个设计任务的关键是将问题中表达的语义关系转化为可用计算机处理的表示方法。AsmaBen Abacha等人在医学领域处理问题分析。更准确地说，他们研究如何将一个自然语言问题转化为一个可用计算机处理的表示。潜在的转换过程要求决定性的三个关键点：1、什么是医学问题的主要特征；2、哪些方法最适用于这些特征的抽取；3、怎样把抽取信息转换成一个机器可理解的表示。他们展示了一个完整的问题分析方法，包括医学实体识别，语义关系抽取和自动转换为SPARQL查询。研究支持SPARQL在问答的角度中能表示内容广泛的自然语言问题的事实。

链接数据上的问答系统：问答系统是一种基于知识库，并将自然语言问题转换为SPARQL的智能系统。为了改善实体、关系和自然语言文本之间的匹配程度，Stefan Ruseti等人利用维基百科来抽取DBpedia实体的词汇，然后将它们和问题进行匹配。这些实体在本体论上得到了验证，并且缺失的实体能够得到验证。

基于关系模式的问答系统：Elena Cabrio等人展示了一种叫做QAKiS的系统，该系统用于链接数据上的开放域问答。它提出问题解释作为一种基于关系匹配的挑战，其问题碎片被匹配为三元组存储的二元关系，并利用关系文本模式自动收集。为了演示，关系模式可从维基百科中自动抽取，而DBpedia是采用一种自然语言接口进行查询的RDF数据集。

特定领域的多语言问答架构：O scar Ferra ndez等人展示了一种叫做QALL-ME的架构，该架构是一种可重用架构，它通过一种本体论建模可在结构化数据上建立多种跨语言的问答系统。它是一种带一系列演示组件和扩展文档的免费开源软件，这样能够使这款软件使用和采纳变得容易。

QALL-ME架构的主要特征如下：1、领域可移植性，通过本体论可将模型建立在目标领域中；2、关于时间和空间问题的上下文感知；3、文本蕴含引擎作为问题解释核心的使用；4、作为一种基于面向服务的架构，它为架构组件采用可交换的网络服务来实现。另外，Oscar Ferra ndez等人展示了一种运行实例阐述架构是如何处理问题，并且一个案例研究表明，以QALL-ME架构为实例的问答应用的建立广泛运用于旅游领域中的电影事件。

问答系统与语义Web的契合：随着当前语义Web的快速发展，搜索和查询内容的处理在规模上和异质上变得日益具有挑战性。人性化的界面能够在查询和探索新颖性、多样性和结构化的信息空间中支持终端用户，而这些需要语义Web的可视化得以实现。VanessaLopez等人展现了一个基于问答系统的本体论调查，该调查显示近些年来由Web上结构化语义信息提供的探索机遇。首先，从上世纪70年代和其后几十年人工智能和数据库社区中具有影响力的研究工作进展来看，在跟踪当前针对语义Web的开放人性化设计界面中的最先进技术之前，通过利用1999年TREC的质量跟踪仿真的开放领域QA仿真，到最新商业语义QA解决方案，他们通过分析问答系统研究领域的整体背景和历史提供了一个综合性的视角。其次，超出最先进技术之外，他们检验了在重用和查询语义Web内容方面，该技术对终端用户支持的潜在性。

开放问答系统架构：与众多领域相关的数十亿个事实现在能够作为RDF数据在Web上获得。然而，对于非专业用户来说，访问这些数据仍旧是一种挑战。为了改善对数据的访问，方法对用户实施最小的障碍是必须的。虽然，许多链接数据上的问答系统被提出，然而检索期望的数据仍旧是一个重大挑战。另外，开发和评估问答系统仍旧是一项非常复杂的任务。为了克服这些障碍，Edgard Marx等人提出了一种模块和可扩展开源的问答系统架构。他们阐述了该架构通过如何整合两种最先进的问答系统而被使用。评估结果表明，通过使用整合的系统比单独系统整体实验结果要好一些。

互联数据上的问答系统：潜在关联数据架构的选择导致了一种数据源的概要，它们在许多领域上包含了冗余和片段信息。使非专业用户访问该数据概要的一种方法是提供关键词搜索架构，该方法能利用链接数据的固有特征。开发这些系统因为三个原因而成为一项挑战性任务。首先，跨不同数据集或在同一数据集中的资源可以是同音异议的。其次，不同数据集采用异构模式和实例的水平。Saeedeh Shekarpour等人提出了SINA(一种可扩展的关键词搜索系统)，它通过在一系列互联数据源上，将用户提供的关键词和自然语言查询转换为连接的SPARQL查询，能够回答用户的查询。SINA采用一种隐式马尔科夫模型并针对一种来自不同数据集且用户支持的查询来决定最适合的资源。另外，该架构能通过消除歧义资源和平衡链接结构作为数据集查询的基础来构造联合查询。

开放域问答系统：在解析和将自然语言问题转换为知识库可执行形式(例如，逻辑形式)之后，大多数当前的问答系统查询知识库来回答问题。作为一个众所周知的事实，知识库还远不够完整，因此用于回答问题的所需信息可能在知识库中并不存在。Huan Sun等人开发了一种新问答系统，它能够直接从Web中挖掘答案并同时将知识库作为一种进一步改善问答系统性能的重大辅助而加以利用。Huan Sun等人首次尝试在Freebase中的候选答案阶段，将候选答案链接到实体上。几个特别的优势可列举如下：1、候选答案中的冗余可被自动降低；2、通过Freebase中那些对应的实体，一个答案的候选类型可毫不费力的被确定；3、在Freebase中针对实体有效利用丰富的信息，他们在将候选答案链接到Freebase后为每个候选答案开发了语义特征。特别地，他们构造了答案相关类型的特征和两个新颖的概率模型，这些能在一个给定问题之下，直接评估一个候选答案类型的契合程度。总的来说，这些语义特征在从大型候选答案池中确定真实的答案方面发挥了重大作用。

基于模板的问答系统：当越来越多的RDF数据作为链接数据被发布的时候，访问这些数据直观的方式变得越来越重要。作为一种直觉性和表现度的较好折衷方式，问答方法被提出来了。大多数问答系统将问题转换为三元组，这样可为检索答案进行RDF数据匹配，特别是在一些相似性标准中。然而，在许多情况下，三元组并没有真实展现自然语言问题的语义结构，从而导致更多的表达查询不能被回答。为了规避这个问题，Christina Unger等人提出了一种依赖于问题解析产生SPARQL模板的新方法，该方法可直接映射问题的内部结构。这种模板之后可利用统计实体识别和谓语探测被实例化。

现有技术中尚未有针对移动互联网与大数据挖掘相结合的大学校园智能问答机器人系统的相关技术。

发明内容

有鉴于此，本发明提出一种基于移动互联网的智能问答机器人系统。

一种基于移动互联网的智能问答机器人系统，其包括如下单元：

用户移动性单元，用于基于移动互联网平台实现用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定；

移动互联网与社交网络单元，用于根据用户移动性单元获取的用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定信息进行实时位置的推进从而勾勒用户在特定区域内的移动轨迹和用户在特定区域内的活动区域；还用于获取特定区域内的用户之间相互关联和相互影响以及用户之间扮演者不同的社会角色，从而确定各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈；

用户兴趣点挖掘与个性化定制单元，用于根据用户移动性单元中获取的用户的活动位置、活动轨迹和活动区域来确定这三者之间共同构成的用户活动的空间属性，根据用户活动的空间属性发掘用户的兴趣点以及进行个性化信息推送；

用户查询与知识库匹配单元，用于接收用户输入的文本查询和/或语音查询信息，在为文本查询信息时，经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；在为语音查询信息时，先将语音查询信息识别为文本查询信息，并经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；

智能问答数据库单元，用于收集和整理知识素材建立知识库，对素材提取候选关键词，并对关键词的内容进行人工标记，以便进行后续的关键词索引；将知识库拆分为问题知识库和答案知识库，其中问题知识库中用于存放用户提出的各种需求和问题，答案知识库中存在与问题知识库中的需求和问题相匹配的解答内容、解答思路和解答详细过程；并在问题知识库和答案知识库之间建立问答匹配度评估的关联，关联用于度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化。

在本发明所述的基于移动互联网的智能问答机器人系统中，智能问答数据库单元中度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化包括：

通过问答匹配度评估过程后将问题与答案之间建立匹配映射关系，并对候选答案与问题的匹配程度进行排名，将排名靠前的若干个候选答案提供给用户进行选择，同时让用户对问题的答案进行评价，并将评价的结果及时反馈给问答系统进行问答匹配度的修正和知识库中知识的替换与更新。

在本发明所述的基于移动互联网的智能问答机器人系统中，

智能问答数据库单元中问题知识库与问题关键词之间的映射关系矩阵M_q,k表示如下：

$M_{q,k}=\begin{array}{cccccc}{K}_m& T_{1m}& T_{2m}& T_{3m}& ...& T_{nm}\\ ...& ...& ...& ...& ...& ...\\ K_3& T_{13}& T_{23}& T_{33}& ...& T_{n3}\\ K_2& T_{12}& T_{22}& T_{32}& ...& T_{n2}\\ K_1& T_{11}& T_{21}& T_{31}& ...& T_{n1}\\ R_{q\→k}& Q_1& Q_2& Q_3& ...& Q_n\end{array}$

其中R_q→k表示二者之间的映射关系，Q_i(i＝1...n)表示问题及其个数，K_j(j＝1...m)表示问题关键词及其个数；一个问题可以被拆解为多个关键词加以描述，同时一个关键词也可以运用于多个问题中；T_ij(i＝1...n,j＝1...m)表示问题i由问题关键词j所组成的文本内容。

在本发明所述的基于移动互联网的智能问答机器人系统中，

智能问答数据库单元中问题关键词与答案关键词之间的映射关系矩阵M_k,k’表示如下：

$M_{k,k^{\′}}=\begin{array}{cccccc}{K^{\′}}_m& T_{1m}& T_{2m}& T_{3m}& ...& T_{nm}\\ ...& ...& ...& ...& ...& ...\\ {K^{\′}}_3& T_{13}& T_{23}& T_{33}& ...& T_{n3}\\ {K^{\′}}_2& T_{12}& T_{22}& T_{32}& ...& T_{n2}\\ {K^{\′}}_1& T_{11}& T_{21}& T_{31}& ...& T_{n1}\\ {R_{q\→k}}^{\′}& K_1& K_2& K_3& ...& K_n\end{array}$

其中R_k→k'表示二者之间的映射关系，K_i(i＝1...n)表示问题关键词及其个数，K'_j(j＝1...m)表示答案关键词及其个数；一个问题关键词可以对应于多个问题答案关键词，同时一个答案关键词也可以运用于多个问题关键词中；T_ij(i＝1...n,j＝1...m)表示问题关键词i由答案关键词j予以解答的文本内容。

在本发明所述的基于移动互联网的智能问答机器人系统中，

智能问答数据库单元中答案关键词与答案之间的映射关系矩阵M_k’,a表示如下：

$M_{k^{\′},a}=\begin{array}{cccccc}{A}_m& T_{1m}& T_{2m}& T_{3m}& ...& T_{nm}\\ ...& ...& ...& ...& ...& ...\\ A_3& T_{13}& T_{23}& T_{33}& ...& T_{n3}\\ A_2& T_{12}& T_{22}& T_{32}& ...& T_{n2}\\ A_1& T_{11}& T_{21}& T_{31}& ...& T_{n1}\\ R_{k^{\′}\→a}& {K^{\′}}_1& {K^{\′}}_2& {K^{\′}}_3& ...& {K^{\′}}_n\end{array}$

其中R_k'→a表示二者之间的映射关系，K'_i(i＝1...n)表示答案关键词及其个数，A_j(j＝1...m)表示答案及其个数；一个答案关键词可以用以描述多个答案，同时一个答案也可以运用多个答案关键词进行描述；T_ij(i＝1...n,j＝1...m)表示答案关键词i对答案j进行描述的文本内容。

在本发明所述的基于移动互联网的智能问答机器人系统中，

智能问答数据库单元中答案与答案排名之间的映射关系矩阵M_a,rank表示如下：

$M_{a,rank}=\begin{array}{cccccc}Rank& R_{A_1}& R_{A_2}& R_{A_3}& ...& R_{A_n}\\ R_{a\→rank}& A_1& A_2& A_3& ...& A_n\end{array}$

其中R_a→rank表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，(i＝1...n)表示答案i的排名。

在本发明所述的基于移动互联网的智能问答机器人系统中，智能问答数据库单元中答案与用户满意度之间的映射关系矩阵M_a,us表示如下：

$M_{a,u_s}=\begin{array}{cccccc}{U}_{s,m}& P_{1m}& P_{2m}& P_{3m}& ...& P_{nm}\\ ...& ...& ...& ...& ...& ...\\ U_{s,3}& P_{13}& P_{23}& P_{33}& ...& P_{n3}\\ U_{s,2}& P_{12}& P_{22}& P_{32}& ...& P_{n2}\\ U_{s,1}& P_{11}& P_{21}& P_{31}& ...& P_{n1}\\ R_{a\→u_s}& A_1& A_2& A_3& ...& A_n\end{array}$

其中表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，U_s,j(j＝1...m)表示用户满意度及其个数；一个答案可以被多个用户进行评价，可以拥有多个用户满意度，同时一个用户也可以对多个答案进行评价，分别给出多个答案的用户满意度评价；P_ij(i＝1...n,j＝1...m)表示答案i由用户j予以评价的用户满意度。

在本发明所述的基于移动互联网的智能问答机器人系统中，

用户移动性单元还用于预先描绘出特定区域的完整地图，并在地图上详细的标记出该特定区域内外的各个兴趣点POI。

在本发明所述的基于移动互联网的智能问答机器人系统中，

所述用户查询与知识库匹配单元还用于在用户兴趣点挖掘与个性化定制单元中获取用户输入的兴趣点或目的地的文本查询和/或语音查询信息。

实施本发明提供的基于移动互联网的智能问答机器人系统与现有技术相比具有以下有益效果：用于辅助特定区域内(比如大学校园中)新加入的用户(比如教师和学生等)更快熟悉和适应环境(比如用户所在院校的大学环境和文化氛围)，更好地与其他用户间建立好友关系，并借助情境要素建立的人工智能知识库为特定区域内活动人群的日常生活更好的服务。使得用户更快、更好熟悉特定区域内外环境、软硬件基础设施、区域文化等，并以一系列以问答形式进行系统性展现。

附图说明

图1是本发明实施例的基于移动互联网的智能问答机器人系统结构框图。

图2为智能机器人问答系统研究体系图；

图3为智能问答系统知识库实现的示意图。

具体实施方式

如图1至3所示，针对现有技术的缺陷，本发明提出了一种基于移动互联网的智能问答机器人系统，其包括如下单元：

用户移动性单元，用于基于移动互联网平台实现用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定；

移动互联网与社交网络单元，用于根据用户移动性单元获取的用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定信息进行实时位置的推进从而勾勒用户在特定区域内的移动轨迹和用户在特定区域内的活动区域；还用于获取特定区域内的用户之间相互关联和相互影响以及用户之间扮演者不同的社会角色，从而确定各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈；

用户兴趣点挖掘与个性化定制单元，用于根据用户移动性单元中获取的用户的活动位置、活动轨迹和活动区域来确定这三者之间共同构成的用户活动的空间属性，根据用户活动的空间属性发掘用户的兴趣点以及进行个性化信息推送；

用户查询与知识库匹配单元，用于接收用户输入的文本查询和/或语音查询信息，在为文本查询信息时，经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；在为语音查询信息时，先将语音查询信息识别为文本查询信息，并经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；

智能问答数据库单元，用于收集和整理知识素材建立知识库，对素材提取候选关键词，并对关键词的内容进行人工标记，以便进行后续的关键词索引；将知识库拆分为问题知识库和答案知识库，其中问题知识库中用于存放用户提出的各种需求和问题，答案知识库中存在与问题知识库中的需求和问题相匹配的解答内容、解答思路和解答详细过程；并在问题知识库和答案知识库之间建立问答匹配度评估的关联，关联用于度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化。

可选地，智能问答数据库单元中度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化包括：

通过问答匹配度评估过程后将问题与答案之间建立匹配映射关系，并对候选答案与问题的匹配程度进行排名，将排名靠前的若干个候选答案提供给用户进行选择，同时让用户对问题的答案进行评价，并将评价的结果及时反馈给问答系统进行问答匹配度的修正和知识库中知识的替换与更新。

本发明实施例用于辅助诸如大学校园中新报到的教师和学生等用户更快熟悉和适应所在院校的大学环境和文化氛围，更好地与其他用户间建立好友关系，并借助情境要素建立的人工智能知识库为大学校园内活动人群的日常生活更好的服务。例如，作为刚到大学报到的新教师或大一新生，他们可能对校园内部和周边设施一无所知，唯一的熟悉和了解方式可能是询问同事或同学。但事实上，在对校园环境不熟悉的前提下，即便是新进教师或学生也无法对问题准确描述，进而导致从同事或同学处无法获知问题的满意解答。鉴于此类困扰新进人员了解和熟悉工作或学习环境的挑战性问题，本发明实施例所要解决的这类问题更显得具有实际应用价值。

本发明实施例能够解决基于移动互联网中大学校园内，关于新进人员(教师、学生等)更快、更好熟悉校园内外环境、软硬件基础设施、校园文化等与大学校园相关的一系列以问答形式展现的系统性问题，在此称之为智能机器人问答系统(或智能问答机器人)。

如图2所示为基于移动互联网的智能问答机器人系统的研究体系所涉及的研究内容、主要关键技术和实现思路。以下通过一实施例将针对图2中所涉及的内容进行详细内容阐述。

用户移动性单元：基于移动互联网平台下的大学校园内，主要涉及的用户包括大学生(专科生、本科生、研究生等)、教职工(教师、行政人员等)、其它专职人员等。这类人群在大学校园内的移动性自有其规律性特征。该研究主要涉及的内容包括：用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定等。在进行用户移动性研究之前，必须首先描绘出某大学校园的完整地图，并在地图上详细的标记出该校园内外的各个兴趣点POI。在此基础上对用户移动性的研究才能增加其可信度和准确性。本发明实施例为示意性的，不仅限于大学校园，还可以应用于其他场景。在用户移动性单元中，用户可以通过用户查询与知识库匹配单元输入兴趣点查询信息，用户查询与知识库匹配单元将查询信息识别后发送到智能问答数据库单元进行智能问答并给出结果。

移动互联网与社交网络单元。随着通讯工具的日益普及，大学校园内的用户们几乎人人手中都至少有一部以手机为主的通讯工具。这些通讯工具将用户们构建成了一个庞大的移动互联网和密切联系的社交网络。大学校园中的用户在移动互联网的驱动下，能够通过移动APP平台实时获取用户的所在位置，并通过实时位置的推进勾勒出用户在大学校园内的移动轨迹和用户在大学校园内的活动区域。与此同时，大学校园内的用户之间相互关联和相互影响。例如，大学校园内的教师与学生之间，借助微博、微信和QQ等移动APP平台在交互信息的同时，构造成了“教师-学生”的社交网络。因此，用户之间扮演者不同的社会角色，从而导致他们各自具有不同的用户属性和用户任务，他们之间的交互构成了各自的用户关系和社交圈。

将用户移动性的研究与移动社交网络的相关研究，通过借助情境感知这一先进技术就可将二者关联起来，进行用户活动规律与用户角色之间的互推断研究。

用户兴趣点挖掘与个性化定制单元：用户的活动位置、活动轨迹和活动区域这三者之间共同构成了用户活动的空间属性研究内容。它们可运用于移动互联社交网络平台下的大学校园用户的兴趣点挖掘与用户的个性化定制。例如，根据大学校园内新进人员(教职工、学生等)的兴趣点存在差异性的特点，有些学霸类型的人可能更关注自习室和图书馆等与学习相关的校园基础设施；有些吃货类型的人，可能热衷于对美食的追逐；有些麦霸级别的人可能更关注于学校周边的各种娱乐休闲场所。因此，根据用户兴趣点的差异性特点而进行的用户个性化定制具有广阔的应用前景。智能问答数据库单元通过问答匹配度评估过程后将问题与答案之间建立匹配映射关系，并对候选答案与问题的匹配程度进行排名，将排名靠前的若干个候选答案提供给用户进行选择，同时让用户对问题的答案进行评价，并将评价的结果及时反馈给问答系统进行问答匹配度的修正和知识库中知识的替换与更新。

在获取到一定数量的问题和答案之后，用户兴趣点挖掘与个性化定制单元从可以根据智能问答数据库单元中的数据信息描绘出用户的时间分布、地点、社会关系等社交网络，并基于此向用户推送个性化的信息和资讯。

用户查询与知识库匹配单元：用户的查询方式有两种：文本查询和语音查询。即根据用户性格和偏好的不同，有些用户个性张扬且喜欢表现自我，他们通常喜欢与大家分享自己的想法，因此他们多半青睐于语音查询方式；而有些用户性格内敛，不喜将自己内心的想法曝露出去，他们则更加青睐于文本查询方式。无论用户选择哪种查询方式，本专利所涉及的智能问答系统都要讲用户的查询内容进行分解，即需要经过中文分词、语义分析和语法分析等一系列文本挖掘和处理的过程。此外，如果用户选择了语音查询方式，则还需要对用户语音输入的内容进行语音识别。

智能问答数据库单元：智能问答知识库的建立是大学校园智能机器人问答系统能够高效和准确的回答大学校园用户提出问题的核心与关键，这对该知识库的完整性、精度等度量指标提出了较高的要求。除了利用已存在的先进字段匹配与关键词查询技术以外，综合优化问答知识库的性能也是需要考虑的主要关键技术。接下来，将采用图3所示的内容，详细介绍智能问答机器人的知识库从建库、问答到答案给出，并反馈用户满意度等一系列过程。

本发明实施例的现实应用价值主要体现在：1、当大学校园中出现新报到的教师和学生等用户时，本发明实施例的系统能够辅助这类人群更快的熟悉和适应所在院校的大学环境和文化氛围；2、通过对大学校园内用户活动实时位置的监测与提取，能够辅助用户更好的规划一天的工作和学习任务；3、当新用户在大学校园内迷路时，在当前已存在的地图APP(谷歌地图、百度地图、高德地图等)暂不能详细显示大学校园地图全貌的前提下，本发明实施例的系统可以辅助用户快速而准确的到达目的地；4、当用户经过某地而忘记做计划中的事情时，本发明实施例的系统可以提醒用户去完成即将遗忘的任务；5、用户与其他用户建立好友关系时，结合用户活动的情境要素建立人工智能知识库。当用户在某一时刻经过某地时，本发明实施例的系统可以提醒用户去选择性完成好友需要完成的工作和任务，从而到达团队任务相互协作的目的。

可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (9)

1.一种基于移动互联网的智能问答机器人系统，其特征在于，其包括如下单元：

用户移动性单元，用于基于移动互联网平台实现用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定；

移动互联网与社交网络单元，用于根据用户移动性单元获取的用户实时位置的跟踪、用户移动轨迹的描述、用户活动区域的划定信息进行实时位置的推进从而勾勒用户在特定区域内的移动轨迹和用户在特定区域内的活动区域；还用于获取特定区域内的用户之间相互关联和相互影响以及用户之间扮演者不同的社会角色，从而确定各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈；

用户兴趣点挖掘与个性化定制单元，用于根据用户移动性单元中获取的用户的活动位置、活动轨迹和活动区域来确定这三者之间共同构成的用户活动的空间属性，根据用户活动的空间属性发掘用户的兴趣点以及进行个性化信息推送；

用户查询与知识库匹配单元，用于接收用户输入的文本查询和/或语音查询信息，在为文本查询信息时，经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；在为语音查询信息时，先将语音查询信息识别为文本查询信息，并经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给智能问答数据库单元；

智能问答数据库单元，用于收集和整理知识素材建立知识库，对素材提取候选关键词，并对关键词的内容进行人工标记，以便进行后续的关键词索引；将知识库拆分为问题知识库和答案知识库，其中问题知识库中用于存放用户提出的各种需求和问题，答案知识库中存在与问题知识库中的需求和问题相匹配的解答内容、解答思路和解答详细过程；并在问题知识库和答案知识库之间建立问答匹配度评估的关联，关联用于度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化。

2.如权利要求1所述的基于移动互联网的智能问答机器人系统，其特征在于，智能问答数据库单元中度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化包括：

通过问答匹配度评估过程后将问题与答案之间建立匹配映射关系，并对候选答案与问题的匹配程度进行排名，将排名靠前的若干个候选答案提供给用户进行选择，同时让用户对问题的答案进行评价，并将评价的结果及时反馈给问答系统进行问答匹配度的修正和知识库中知识的替换与更新。

3.如权利要求2所述的基于移动互联网的智能问答机器人系统，其特征在于，

智能问答数据库单元中问题知识库与问题关键词之间的映射关系矩阵M_q,k表示如下：

$M_{q,k}=\begin{array}{cccccc}{K}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ K_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ K_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ K_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ R_{q\→k}& Q_1& Q_2& Q_3& \mathrm{...}& Q_n\end{array}$

其中R_q→k表示二者之间的映射关系，Q_i(i＝1...n)表示问题及其个数，K_j(j＝1...m)表示问题关键词及其个数；一个问题可以被拆解为多个关键词加以描述，同时一个关键词也可以运用于多个问题中；T_ij(i＝1...n,j＝1...m)表示问题i由问题关键词j所组成的文本内容。

4.如权利要求3所述的基于移动互联网的智能问答机器人系统，其特征在于，

智能问答数据库单元中问题关键词与答案关键词之间的映射关系矩阵M_k,k’表示如下：

$M_{k,k^{\′}}=\begin{array}{cccccc}{K^{\′}}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {K^{\′}}_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ {K^{\′}}_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ {K^{\′}}_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ {R_{q\→k}}^{\′}& K_1& K_2& K_3& \mathrm{...}& K_n\end{array}$

其中R_k→k'表示二者之间的映射关系，K_i(i＝1...n)表示问题关键词及其个数，K'_j(j＝1...m)表示答案关键词及其个数；一个问题关键词可以对应于多个问题答案关键词，同时一个答案关键词也可以运用于多个问题关键词中；T_ij(i＝1...n,j＝1...m)表示问题关键词i由答案关键词j予以解答的文本内容。

5.如权利要求4所述的基于移动互联网的智能问答机器人系统，其特征在于，

智能问答数据库单元中答案关键词与答案之间的映射关系矩阵M_k’,a表示如下：

$M_{k^{\′},a}=\begin{array}{cccccc}{A}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ A_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ A_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ R_{k^{\′}\→a}& {K^{\′}}_1& {K^{\′}}_2& {K^{\′}}_3& \mathrm{...}& {K^{\′}}_n\end{array}$

其中R_k'→a表示二者之间的映射关系，K'_i(i＝1...n)表示答案关键词及其个数，A_j(j＝1...m)表示答案及其个数；一个答案关键词可以用以描述多个答案，同时一个答案也可以运用多个答案关键词进行描述；T_ij(i＝1...n,j＝1...m)表示答案关键词i对答案j进行描述的文本内容。

6.如权利要求5所述的基于移动互联网的智能问答机器人系统，其特征在于，

智能问答数据库单元中答案与答案排名之间的映射关系矩阵M_a,rank表示如下：

$M_{a,rank}=\begin{array}{cccccc}Rank& R_{A_1}& R_{A_2}& R_{A_3}& \mathrm{...}& R_{A_n}\\ R_{a\→rank}& A_1& A_2& A_3& \mathrm{...}& A_n\end{array}$

其中R_a→rank表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，表示答案i的排名。

7.如权利要求6所述的基于移动互联网的智能问答机器人系统，其特征在于，智能问答数据库单元中答案与用户满意度之间的映射关系矩阵M_a,us表示如下：

$M_{a,u_s}=\begin{array}{cccccc}{U}_{s,m}& P_{1m}& P_{2m}& P_{3m}& \mathrm{...}& P_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ U_{s,3}& P_{13}& P_{23}& P_{33}& \mathrm{...}& P_{n3}\\ U_{s,2}& P_{12}& P_{22}& P_{32}& \mathrm{...}& P_{n2}\\ U_{s,1}& P_{11}& P_{21}& P_{31}& \mathrm{...}& P_{n1}\\ R_{a\→u_s}& A_1& A_2& A_3& \mathrm{...}& A_n\end{array}$

其中表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，U_s,j(j＝1...m)表示用户满意度及其个数；一个答案可以被多个用户进行评价，可以拥有多个用户满意度，同时一个用户也可以对多个答案进行评价，分别给出多个答案的用户满意度评价；P_ij(i＝1...n,j＝1...m)表示答案i由用户j予以评价的用户满意度。

8.如权利要求7所述的基于移动互联网的智能问答机器人系统，其特征在于，

用户移动性单元还用于预先描绘出特定区域的完整地图，并在地图上详细的标记出该特定区域内外的各个兴趣点POI。

9.如权利要求8所述的基于移动互联网的智能问答机器人系统，其特征在于，

所述用户查询与知识库匹配单元还用于在用户兴趣点挖掘与个性化定制单元中获取用户输入的兴趣点或目的地的文本查询和/或语音查询信息。