CN106294774A - 基于对话服务的用户个性化数据处理方法及装置 - Google Patents

Abstract

本发明提供一种基于对话服务的用户个性化数据处理方法及装置，所述方法包括以下步骤：对话输入语句步骤，接收用户输入的对话输入语句；用户个性化数据获取步骤，识别用户身份以获取用户个性化数据；对话输入解析步骤，对所述对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与所述对话输入语句匹配的数据集合；对话输出语句选择输出步骤，基于所述用户个性化数据来在所述数据集合中选择与所述个性化数据相匹配的数据，根据所述匹配数据生成对话输出数据。本发明能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案，从而提高用户的使用体验，满足用户的聊天需求。

Description

基于对话服务的用户个性化数据处理方法及装置

技术领域

本发明涉及智能机器人领域，具体地说，涉及一种基于对话服务的用户个性化数据处理方法及装置。

背景技术

当前的机器人行业发展迅速，特别是聊天类的机器人已经被越来越多的人所接受。聊天机器人(chatterbot)是一个用来模拟人类对话或聊天的程序。聊天机器人产生的原因是，研发者把自己感兴趣的回答放到数据库中，当一个问题被抛给聊天机器人时，它通过相似度匹配算法，从数据库中找到最相近的问题，然后根据问题与答案的对应关系，给出最贴切的答案，回复给它的聊伴。

然而，随着聊天技术的发展，人们已经不满足于现有的聊天机器人针对同一个问题给出单一类型的回答。因为不同的人的个性有差别，有的人性格豪爽，有的人性格温和，他们在跟机器人进行聊天的时候，虽然所提出的问题是相同的，但往往希望机器人能够提供多样化的回答方式。比如：用户说：“你好”如果没有获取到用户个性数据，则回复：“你也好”等比较中性回答；如果用户性格比较豪放，则回复：“小子，最近怎么样”类似这样的回复。

综上，在对话数据交互的技术领域中，需要提供一种能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案的交互数据处理方法或系统，从而提高用户的使用体验，满足用户的聊天需求。

发明内容

本发明所要解决的现有技术问题是需要提供一种能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案的交互数据处理方法或系统。

为了解决上述问题，本发明实施例首先提供了一种基于对话服务的用户个性化数据处理方法，所述方法包括以下步骤：对话输入语句步骤，接收用户输入的对话输入语句；用户个性化数据获取步骤，识别用户身份以获取用户个性化数据；对话输入解析步骤，对所述对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与所述对话输入语句匹配的数据集合；对话输出语句选择输出步骤，基于所述用户个性化数据来在所述数据集合中选择与所述个性化数据相匹配的数据，根据所述匹配数据生成对话输出数据。

优选地，通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

优选地，用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

优选地，所述知识库中的各数据上携带有个性化标签，当所述个性化标签与所述用户的个性化数据对应时，该数据为所述个性化数据的匹配数据。

优选地，在搜索所述知识库之前，通过LSTM模型对所述知识库中的数据进行分类并增加个性化标签。

根据本发明的另一方面，还提供了一种基于对话服务的用户个性化数据处理装置，所述装置包括以下单元：对话输入语句接收单元，其用于接收用户输入的对话输入语句；用户个性化数据获取单元，其用于识别用户身份以获取用户个性化数据；对话输入解析单元，其用于对所述对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与所述对话输入语句匹配的数据集合；对话输出语句选择输出单元，其用于基于所述用户个性化数据来在所述数据集合中选择与所述个性化数据相匹配的数据，根据所述匹配数据生成对话输出数据。

优选地，所述用户个性化数据获取单元，其用于通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

优选地，用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

优选地，所述知识库中的各数据上携带有个性化标签，所述对话输出语句选择输出单元用于当所述个性化标签与所述用户的个性化数据对应时，将该数据确定为所述个性化数据的匹配数据。

优选地，所述对话输入解析单元用于在搜索所述知识库之前，通过LSTM模型对所述知识库中的数据进行分类并增加个性化标签。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本发明实施例的方法通过识别用户身份以获取用户个性化数据，并搜索知识库以得到与对话输入语句匹配的数据集合，在数据集合中选择与个性化数据相匹配的数据，然后根据匹配数据生成对话输出数据，能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案，从而提高用户的使用体验，满足用户的聊天需求。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明实施例一的基于对话服务的用户个性化数据处理方法的流程示意图。

图2是根据本发明实施例二的基于对话服务的用户个性化数据处理装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明实施例作进一步地详细说明。

(实施例一)

图1是根据本发明实施例一的基于对话服务的用户个性化数据处理方法的流程示意图。下面参考图1来说明该流程的各个步骤。

在步骤S110中，接收用户输入的对话输入语句。

在本例中，用户主动发起与机器人的对话，例如，用户通过语音向机器人发出“你今天好吗？”的信息，此时可以利用自动语音识别(Automatic Speech Recognition，简称ASR)指令唤醒机器人，在机器人被唤醒后开始接收来自用户的对话输入语句。

在其他实施例中，也可以通过按下机器人的启动按钮后将机器人唤醒，然后机器人利用麦克之类的声音采集器来接收用户的声音信号。

在步骤S120中，识别用户身份以获取用户个性化数据。

具体地，通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

更具体来说，首先在机器人被唤醒后，开始进行人脸检测，即从各种不同的场景中检测出人脸的存在并确定其位置。然后，在检测到人脸后，进行人脸识别，即将已检测到的待识别的人脸与数据库中已知人脸进行比较匹配，得到相关信息。人脸识别可以采取提取人脸几何特征的方法和模板匹配的方法，本例中优先采取模板匹配的方法。

人脸识别的具体过程包括：人脸图像获取、图像预处理、人脸特征的提取与选择以及进行分类决策。在通过上面一系列步骤从图片库中查找到匹配图片，并根据匹配图片确定用户身份后，从存储用户个性化数据库中获取预先存储的该用户的个性化数据记录。

其中涉及到的用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

用户的群体类别，即用户所属的群体类别。例如，可以是按年龄分出的群体类别、按喜好分出的群体类别、按工作分出的群体类别等。

用户的性格特征，包括例如开朗、奔放、腼腆、平和、温柔、正直等。

用户的属性信息，包括例如姓名、性别、年龄、昵称、所在地区、学历、职业、收入等。

例如，在通过人脸识别检测出用户是“麦克”时，则可以获取有关“麦克”的如下个性化数据：所属群体类别是未成年人、性格开朗、性别男、年龄12岁、学生等信息。

通过针对不同的用户设定不同的个性化数据，机器人在与用户进行通话的过程中，能够根据用户的群体类别、性格特征和/或属性信息，发出与不同用户对应的个性化的语音应答或提问，使得用户与机器人的对话更加富有趣味，提高用户体验。

在步骤S130中，对对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与对话输入语句匹配的数据集合。

需要说明的是，在对对话输入语句进行语义解析之前，需要进行语音识别。语音识别，对于人来说接收到的语音可以立马转换为文字信息，但是对于机器人来说接收到的则是数字信号而已。当有人提问“你好吗？”时，“Ni”这个发音可以是“泥”也可以是“逆”，所以最终要确定是哪个字还需要语音识别技术来实现计算概率的最大化。

具体地，未知语音信号经麦克、话筒之类的语音信号采集设备变换成电信号后加在识别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特征，在此基础上建立语音识别所需的模板。在识别过程中要根据语音识别的模型，将预先存储的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义，通过查表就可以给出识别结果。

在获取识别结果之后，利用自然语言处理技术对识别结果进行语义解析。语义分析，指的是将给定的自然语言转化为反映其意义的某种形式化表示，也就是将人类能够理解的自然语言转化为计算机能够理解的形式语言，做到人与机器的互相沟通。

在获得解析结果后，计算该解析结果与已设定的知识库中的内容的语义相似度(问题和问题的相似度)，从而在知识库中搜索与解析结果相匹配的数据。

在步骤S140中，基于用户个性化数据来在数据集合中选择与个性化数据相匹配的数据，根据匹配数据生成对话输出数据。

需要说明的是，在搜索知识库之前，通过LSTM模型已对知识库中的数据进行分类并增加个性化标签。知识库中的各数据上携带有个性化标签，当个性化标签与用户的个性化数据对应时，则将该数据设定为个性化数据的匹配数据。

一般情况下，根据解析结果在知识库中搜索匹配数据时，会搜索到多个与解析结果相关的回答，那么利用该用户的个性化数据作为一个参数，从搜索到的多个答案中选取一个和用户个性化数据对应的回答。

例如，在知识库中搜索到与问题“你好吗？”相关的回答有如下几个：

(1)“我很好，你呢？”

(2)“小子，最近怎么样？”

(3)“美女，我很好，你怎么样？”

上面这三条回答数据分别携带有“中性”、“未成年人、性格开朗、性别男”、“性格开朗、性别女”等个性化标签。当在步骤S120中所识别的用户是“麦克”时，与“麦克”所具有的个性化数据最匹配的数据应当是(2)。

接下来，通过例如文语(TTS)技术将与个性化数据相匹配的的数据以语音方式输出，与用户进行个性化的数据交互。

本发明实施例通过识别用户身份以获取用户个性化数据，并搜索知识库以得到与对话输入语句匹配的数据集合，在数据集合中选择与个性化数据相匹配的数据，然后根据匹配数据生成对话输出数据，能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案，从而提高用户的使用体验，满足用户的聊天需求。

(实施例二)

图2是根据本发明实施例二的基于对话服务的用户个性化数据处理装置的结构框图。如图2所示，本申请实施例的用户个性化数据处理装置200主要包括：对话输入语句接收单元210、用户个性化数据获取单元220、对话输入解析单元230以及对话输出语句选择输出单元240。

对话输入语句接收单元210，其用于接收用户输入的对话输入语句。

在本例中，用户主动发起与机器人的对话，例如，用户通过语音向机器人发出“你今天好吗？”的信息，此时可以利用自动语音识别(Automatic Speech Recognition，简称ASR)指令唤醒机器人，在机器人被唤醒后，对话输入语句接收单元210开始接收来自用户的对话输入语句。

在其他实施例中，也可以通过按下机器人的启动按钮后将机器人唤醒，然后对话输入语句接收单元210利用麦克之类的声音采集器来接收用户的声音信号。

用户个性化数据获取单元220，其用于识别用户身份以获取用户个性化数据。

具体地，用户个性化数据获取单元220通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

更具体来说，首先在机器人被唤醒后，用户个性化数据获取单元220开始进行人脸检测，即从各种不同的场景中检测出人脸的存在并确定其位置。然后，用户个性化数据获取单元220在检测到人脸后，进行人脸识别，即将已检测到的待识别的人脸与数据库中已知人脸进行比较匹配，得到相关信息。人脸识别可以采取提取人脸几何特征的方法和模板匹配的方法，本例中优先采取模板匹配的方法。

人脸识别的具体过程包括：人脸图像获取、图像预处理、人脸特征的提取与选择以及进行分类决策。在通过上面一系列步骤从图片库中查找到匹配图片，并根据匹配图片确定用户身份后，从存储用户个性化数据库中获取预先存储的该用户的个性化数据记录。

用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

对话输入解析单元230，其用于对对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与对话输入语句匹配的数据集合。

需要说明的是，在对话输入解析单元230对对话输入语句进行语义解析之前，需要进行语音识别。具体地，对话输入解析单元230将未知语音信号经麦克、话筒之类的语音信号采集设备变换成电信号后加在识别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特征，在此基础上建立语音识别所需的模板。在识别过程中要根据语音识别的模型，将预先存储的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。然后根据此模板的定义，通过查表就可以给出识别结果。

在获取识别结果之后，对话输入解析单元230利用自然语言处理技术对识别结果进行语义解析。在获得解析结果后，对话输入解析单元230计算该解析结果与已设定的知识库中的内容的语义相似度(问题和问题的相似度)，从而在知识库中搜索与解析结果相匹配的数据。

对话输出语句选择输出单元240，其用于基于用户个性化数据来在数据集合中选择与个性化数据相匹配的数据，根据匹配数据生成对话输出数据。

需要说明的是，对话输入解析单元230在搜索知识库之前，通过LSTM模型对知识库中的数据进行分类并增加个性化标签。知识库中的各数据上携带有个性化标签，当个性化标签与用户的个性化数据对应时，对话输出语句选择输出单元240将该数据确定为个性化数据的匹配数据。

一般情况下，对话输入解析单元230根据解析结果在知识库中搜索匹配数据时，会搜索到多个与解析结果相关的回答，那么对话输出语句选择输出单元240利用该用户的个性化数据作为一个参数，从搜索到的多个答案中选取一个和用户个性化数据对应的回答。

接下来，对话输出语句选择输出单元240通过例如文语(TTS)技术将与个性化数据相匹配的的数据以语音方式输出，与用户进行个性化的数据交互。

本发明实施例能够让机器人根据当前聊天场景下的聊伴的个性来给出对话答案，从而提高用户的使用体验，满足用户的聊天需求。

由于本发明的方法描述的是在计算机系统中实现的。该计算机系统例如可以设置在机器人的控制核心处理器中。例如，本文所述的方法可以实现为能以控制逻辑来执行的软件，其由机器人控制系统中的CPU来执行。本文所述的功能可以实现为存储在非暂时性有形计算机可读介质中的程序指令集合。当以这种方式实现时，该计算机程序包括一组指令，当该组指令由计算机运行时其促使计算机执行能实施上述功能的方法。可编程逻辑可以暂时或永久地安装在非暂时性有形计算机可读介质中，例如只读存储器芯片、计算机存储器、磁盘或其他存储介质。除了以软件来实现之外，本文所述的逻辑可利用分立部件、集成电路、与可编程逻辑设备(诸如，现场可编程门阵列(FPGA)或微处理器)结合使用的可编程逻辑，或者包括它们任意组合的任何其他设备来体现。所有此类实施例旨在落入本发明的范围之内。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种基于对话服务的用户个性化数据处理方法，其特征在于，所述方法包括以下步骤：

对话输入语句步骤，接收用户输入的对话输入语句；

用户个性化数据获取步骤，识别用户身份以获取用户个性化数据；

对话输入解析步骤，对所述对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与所述对话输入语句匹配的数据集合；

对话输出语句选择输出步骤，基于所述用户个性化数据来在所述数据集合中选择与所述个性化数据相匹配的数据，根据所述匹配数据生成对话输出数据。

2.如权利要求1所述的基于对话服务的用户个性化数据处理方法，其特征在于，通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

3.如权利要求2所述的基于对话服务的用户个性化数据处理方法，其特征在于，用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

4.如权利要求3所述的基于对话服务的用户个性化数据处理方法，其特征在于，所述知识库中的各数据上携带有个性化标签，当所述个性化标签与所述用户的个性化数据对应时，该数据为所述个性化数据的匹配数据。

5.如权利要求4所述的基于对话服务的用户个性化数据处理方法，其特征在于，在搜索所述知识库之前，通过LSTM模型对所述知识库中的数据进行分类并增加个性化标签。

6.一种基于对话服务的用户个性化数据处理装置，其特征在于，所述装置包括以下单元：

对话输入语句接收单元，其用于接收用户输入的对话输入语句；

用户个性化数据获取单元，其用于识别用户身份以获取用户个性化数据；

对话输入解析单元，其用于对所述对话输入语句进行语义解析，并基于解析的结果搜索知识库，以得到与所述对话输入语句匹配的数据集合；

对话输出语句选择输出单元，其用于基于所述用户个性化数据来在所述数据集合中选择与所述个性化数据相匹配的数据，根据所述匹配数据生成对话输出数据。

7.如权利要求6所述的基于对话服务的用户个性化数据处理装置，其特征在于，所述用户个性化数据获取单元，其用于通过捕获用户面部特征图像来进行用户身份的识别，并获取预先存储的该用户的个性化数据记录。

8.如权利要求7所述的基于对话服务的用户个性化数据处理装置，其特征在于，用户的个性化数据包括：用户的群体类别、用户的性格特征以及用户的属性信息。

9.如权利要求8所述的基于对话服务的用户个性化数据处理装置，其特征在于，所述知识库中的各数据上携带有个性化标签，所述对话输出语句选择输出单元用于当所述个性化标签与所述用户的个性化数据对应时，将该数据确定为所述个性化数据的匹配数据。

10.如权利要求9所述的基于对话服务的用户个性化数据处理装置，其特征在于，所述对话输入解析单元用于在搜索所述知识库之前，通过LSTM模型对所述知识库中的数据进行分类并增加个性化标签。