CN106708950B - 用于智能机器人自学习系统的数据处理方法及装置 - Google Patents

Abstract

一种用于智能机器人自学习系统的数据处理方法及装置，其中，该方法包括：交互信息获取步骤，获取用户输入的多模态交互信息；知识信息提取步骤，通过自学习系统从多模态交互信息中提取可自学习的知识信息；正确度确定步骤，利用预设知识图谱确定知识信息的正确度，并将知识信息及其正确度存储到自学习系统中；反馈信息生成步骤，结合自学习系统生成反馈信息并输出。相较于现有方法，本方法使得智能机器人自学习系统能够对自身获取到的知识信息进行正确度评估，这样也就使得自学习系统的自学习过程更加可靠和智能，从而保证了智能机器人自学习系统的用户体验。

Description

用于智能机器人自学习系统的数据处理方法及装置

技术领域

本发明涉及机器人技术领域，具体地说，涉及一种用于智能机器人自学习系统的数据处理方法及装置。

背景技术

随着科学技术的不断发展，信息技术、计算机技术以及人工智能技术的引入，机器人的研究已经逐步走出工业领域，逐渐扩展到了医疗、保健、家庭、娱乐以及服务行业等领域。而人们对于机器人的要求也从简单重复的机械动作提升为具有拟人问答、自主性及与其他机器人进行交互的智能机器人，人机交互也就成为决定智能机器人发展的重要因素。

目前人机交互通常集中在人机问答和人机对话方面，而人机问答和人机对话多有在线的自学习系统，该系统的主要目的是从用户那里学习新的知识，进而把这些学到的新知识提供给其他用户，从而使得机器人可以变得更加智能和人性化。然而，自学习系统从用户那里学习到的知识有一定的错误率，直接使用自学习系统学到的知识进行与其他用户的对话交互，容易导致将错误的信息输出给用户，会降低用户对话交互时的体验，是目前亟需解决的一个问题。

发明内容

为解决上述问题，本发明提供了一种用于智能机器人自学习系统的数据处理方法，其包括：

交互信息获取步骤，获取用户输入的多模态交互信息；

知识信息提取步骤，通过自学习系统从所述多模态交互信息中提取可自学习的知识信息；

正确度确定步骤，利用预设知识图谱确定所述知识信息的正确度，并将所述知识信息及其正确度存储到自学习系统中；

反馈信息生成步骤，结合自学习系统生成反馈信息并输出。

根据本发明的一个实施例，所述正确度确定步骤包括：

对所述知识信息进行数据过滤，得到有效交互语句；

对所述有效交互语句进行主干提取，得到所述有效交互语句的主干信息；

根据所述主干信息，利用预设的知识图谱确定所述知识信息的正确度。

根据本发明的一个实施例，在所述正确度确定步骤中，利用所述预设知识图谱判断所述知识信息与自身存储的相关信息是否匹配，并根据匹配结果确定所述知识信息的正确度。

根据本发明的一个实施例，在所述正确度确定步骤中，还结合所述用户的用户信用度确定所述知识信息的正确度。

根据本发明的一个实施例，如果在所述知识信息提取步骤中得到的知识信息包括多个知识点，在所述正确度确定步骤中，分别计算各个知识点的正确度，并对所述各个知识点的正确度进行加权求和，得到所述知识信息的正确度。

本发明还提供了一种用于智能机器人自学习系统的数据处理装置，其包括：

交互信息获取模块，其用于获取用户输入的多模态交互信息；

知识信息提取模块，其用于通过自学习系统从所述多模态交互信息中提取可自学习的知识信息；

正确度确定模块，其用于利用预设知识图谱确定所述知识信息的正确度，并将所述知识信息及其正确度存储到自学习系统中；

反馈信息生成模块，其用于结合自学习系统生成反馈信息并输出。

根据本发明的一个实施例，所述正确度确定模块配置为：

对所述知识信息进行数据过滤，得到有效交互语句；

对所述有效交互语句进行主干提取，得到所述有效交互语句的主干信息；

根据所述主干信息，利用预设的知识图谱确定所述知识信息的正确度。

根据本发明的一个实施例，所述正确度确定模块配置为利用所述预设知识图谱判断所述知识信息与自身存储的相关信息是否匹配，并根据匹配结果确定所述知识信息的正确度。

根据本发明的一个实施例，所述正确度确定步骤配置为还结合所述用户的用户信用度确定所述知识信息的正确度。

根据本发明的一个实施例，如果所述知识信息提取模块得到的知识信息包括多个知识点，所述正确度确定模块则配置为分别计算各个知识点的正确度，并对所述各个知识点的正确度进行加权求和，得到所述知识信息的正确度。

本发明所提供的用于智能机器人自学习系统的数据处理方法利用知识图谱来判断从用户那里获取到的知识信息是否正确，相较于现有方法，本方法使得智能机器人自学习系统能够对自身获取到的知识信息进行正确度评估，这样也就使得自学习系统的自学习过程更加可靠和智能，从而保证了智能机器人自学习系统中信息的准确度，提高智能机器人与用户进行对话交互时的用户体验。

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

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：

图1是根据本发明一个实施例的用于智能机器人自学习系统的数据处理方法的实现流程示意图；

图2是根据本发明一个实施例的确定知识信息的正确度的实现流程示意图；

图3是根据本发明又一个实施例的用于智能机器人自学习系统的数据处理方法的实现流程示意图；

图4是根据本发明一个实施例的用于智能机器人自学习系统的数据处理装置的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

自学习系统(Self-Learning System)亦称为学习系统，它是一种模仿生物学习功能的系统。自学习系统是一种能够在系统运行过程中通过评估已有行为的正确性或优良度来自动修改系统结构或参数以改进自身品质的系统。与自使用系统不同之处在于，自学习系统经过学习而得到的改进可以保存并固定在系统结构中，从而较易于实现，并可作为自动设计或调整的一种方法。

正是基于自学习系统的上述特点，目前智能机器人的问答和对话系统通常都配备有在线的自学习系统，该系统的主要目的是从用户那里学习新的知识，并在后续的人机交互过程中将自身学习到的知识点服务给其他用户，从而使得智能机器人表现得更加智能化。

然而，自学习系统从用户那里所获取到的知识存在一定的错误率，当自学习系统在与其他用户进行人机交互的过程中，自学习系统很可能会将错误的知识传递给其他用户。

针对现有技术中所存在的上述问题，本发明提供了一种用于智能机器人自学习系统的数据处理方法，该方法利用知识图谱来判断新获取到的知识信息是否正确。

为了更加清楚地阐述本发明所提供的用于智能机器人自学习系统的数据处理方法的实现原理、实现过程以及优点，以下分别结合不同的实施例来对该方法作进一步地说明。

实施例一：

图1示出了本发明所提供的用于智能机器人自学习系统的数据处理方法的实现流程示意图。

如图1所示，本发明所提供的数据处理方法首先在步骤S101中获取用户输入的多模态交互信息。需要指出的是，本实施例中，根据实际需要，该方法在步骤S101中所获取到的多模态交互信息可以是由用户输入的诸如语音信息、图像信息、文本信息以及肢体动作信息等交互信息，本发明不限于此。

在得到上述多模态交互信息后，该方法会在步骤S102中通过自学习系统来从上述多模态交互信息中提取出可自学习的知识信息。该方法随后会在步骤S103中利用预设知识图谱来确定步骤S102中所提取出的知识信息的正确度。

具体地，如图2所示，本实施例中，该方法会在步骤S201中对步骤S102中所得到的知识信息进行数据过滤，从而得到有效交互语句。例如，该方法在步骤S201中可以对上述知识信息进行表情符号、html标签、url等无关数据的过滤，从而得到有效交互语句。当然，在本发明的其他实施例中，该方法在步骤S201中还可以采用其他合理的方式来对步骤S102中所得到的知识信息进行数据过滤，本发明不限于此。

该方法在得到有效交互语句后，会在步骤S202中对这些有效交互语句进行主干提取，从而得到有效交互语句的主干信息。本实施例中，该方法在提取有效交互语句的主体信息时，优选地采用去除有效交互语句中的定语、状语和补语并提取主谓宾词语的方式。

例如，对于有效交互语句“2011年7月9日，NBA官方网站称姚明已决定从NBA退役”，通过进行主干提取，该方法可以得到诸如“网站称姚明决定退役”的主干信息。

需要指出的是，在本发明的其他实施例中，该方法在步骤S202中还可以采用其他合理的方式来得到有效交互语句的主干信息，本发明不限于此。

同时，还需要指出的是，根据实际需要，该方法在步骤S202中还可以对得到的有效交互语句的主干信息进行进一步地关键信息提取，从而得到上述有效交互信息的关键信息。例如，对于得到的主干信息“网站称姚明决定退役”，通过进行关键词提取，该方法可以得到诸如“姚明-退役”的信息，该信息即为上述有效交互语句的关键信息。

如图2所示，在得到有效交互语句的主干信息后，该方法会在步骤S203中根据该主干信息来利用预设的知识图谱确定上述知识信息的正确度。其中，由于知识图谱的内容大部分是人工编辑并且经过审核的，因此知识图谱中的数据的可信度非常高，本实施例所提供的方法正是基于知识图谱的这一特性来依靠知识图谱已有知识来对新的知识的正确度进行判定。

知识图谱本质上是语义网络，是一种基于图的数据结构，其由节点(point)和边(edge)组成。在知识图谱中，每个节点表示现实世界中存在的“实体”，每条边表示实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

本实施例中，通过对有效交互语句进行主干提取，能够提取出适于知识图谱识别的数据，这时也就可以在步骤S203中根据所提取出的主干信息来利用预设的知识图谱确定出上述知识信息的正确度。

具体地，本实施例中，该方法在步骤S203中利用预设的知识图谱判断上述知识信息与知识图谱自身存储的相关信息是否匹配，并根据匹配结果确定上述知识信息的正确度。

例如，对于所得到的“姚明-退役”这一数据，该方法利用预设的知识图谱对上述数据进行分析发现知识图谱中已有诸如“姚明{所属运动队：已退役}”的相关数据，那么也就可以确定出姚明已经退役了，因此“2011年7月9日，NBA官方网站称姚明已决定从NBA退役”这条知识信息的可信度是比较大的，即该条知识信息的正确度较高。

再例如，对于所得到的“姚明2009年退役”，该方法利用预设的知识图谱只能确定出姚明已经退役了，然而并不能确定姚明是哪一年退役的，因此该方法在步骤S203中会判定上述知识信息为部分正确，该知识信息的正确度也就相对较低。

再次如图1所示，在确定出从多模态交互信息中提取出的可自学习的知识信息的正确度后，该方法会在步骤S104中将上述知识信息及其正确度存储到自学习系统的相关数据存储器中。

在后续人机交互过程中，根据实际需要，该方法可以在步骤S105中结合自学习系统来生成相应的反馈信息并输出。例如，在本发明的一个实施中，该方法在步骤S105中可以从自学习系统中提取正确度大于预设正确度阈值的知识信息来传递给用户。这样也就可以实现从某一用户那里学习新的知识并在后续人机交互过程中将所学到的知识传递给其他用户的功能。

然而，由于知识图谱的容量是有限的，因此很多数据在预设的知识图谱中很可能并不存在。对于这部分知识图谱中不存在的数据，利用知识图谱也就无法准确地确定其正确度。

对于上述情况，本实施例所提供的方法在步骤S103中还可以结合当前用户的用户信用度来确定知识信息的正确度。具体地，该方法可以根据各个用户以往提供的知识信息的正确度来生成各个用户的信用度。其中，如果用户以往提供的知识信息的正确度越高，那么该用户的信用度也就越高；而如果用户以往提供的知识信息的正确度越低，那么该用户的信用度也就相应地越低。

本实施例中，对于用户信用度较高的用户，其在当前交互过程中所输入的知识信息也被认为是可信的，即该知识信息的正确度也就相对较高。因此，本实施例所提供的方法就可以在步骤S103中利用用户的用户信用度来对上述过程中所生成的知识图谱的正确度进行修正，从而得到更准确的知识信息的正确度。

实施例二：

图3示出了本实施例所提供的用于智能机器人自学习系统的数据处理方法的实现流程示意图。

如图3所示，本实施例所提供的数据处理方法首先在步骤S301中获取用户输入的多模态交互信息，并在步骤S302中通过自学习系统从上述多模态交互信息中提取出可自学习的知识信息。其中，本实施例中，该方法从多模态交互信息中所提取出的可自学习的知识信息包括多个知识点。

需要指出的是，本实施例中，步骤S301以及步骤S302的具体实现原理以及实现过程与上述实施例一中步骤S101以及步骤S102所描述的内容类似，故在此不再对步骤S301以及步骤S302的相关内容进行赘述。

本实施例所提供的方法在步骤S302中通过自学习系统从步骤S301中所获取到的多模态交互信息中提取出了多个知识点，因此如图3所示，该方法会在步骤S303中分别计算上述各个知识点的正确度。具体地，本实施例中，该方法优选地采用上述图2中步骤S201至步骤S203所描述的方法来分别计算各个知识点的正确度，即分别得到各个知识点的主干信息，并进行关键词提取，再分别根据知识图谱，确定各个知识点的正确度。当然，在本发明的其他实施例中，该方法还可以采用其他合理方式来计算上述各个知识点的正确度，本发明不限于此。

在得到各个知识点的正确度后，该方法会在步骤S304中对步骤S303中所得到的各个知识点的正确度进行加权求和，从而得到上述知识信息的正确度。在得到上述知识信息的信用度后，该方法会在步骤S305中将上述知识信息及其正确度存储到自学习系统的相关数据存储器中。

在后续人机交互过程中，根据实际需要，该方法可以在步骤S306中结合自学习系统来生成相应的反馈信息并输出。这样也就可以实现从某一用户那里学习新的知识并在后续人机交互过程中将所学到的知识传递给其他用户的功能。

需要指出的是，本实施例中，步骤S305和步骤S306的具体实现原理以及实现过程与上述实施例一中步骤S105和步骤S105所涉及的内容类似，故在此不再对步骤S305和步骤S306的相关内容进行赘述。

从上述描述中可以看出，本发明所提供的用于智能机器人自学习系统的数据处理方法利用知识图谱来判断从用户那里获取到的知识信息是否正确，相较于现有方法，本方法使得智能机器人自学习系统能够对自身获取到的知识信息进行正确度评估，这样也就使得自学习系统的自学习过程更加可靠和智能，从而保证了智能机器人自学习系统的用户体验。

本发明还提供了一种用于智能机器人自学习系统的数据处理装置，图4示出了本实施例中该数据处理装置的结构示意图。

如图4所示，本实施例所提供的数据处理装置优选地包括：交互信息获取模块401、知识信息提取模块402、正确度确定模块403以及反馈信息生成模块404。其中，交互信息获取模块401用于获取用户输入的多模态交互信息。

需要指出的是，本实施例中，根据所需要获取的多模态交互信息的不同，。交互信息获取模块401可以采用不同的合理设备和/或电路来实现，本发明不限于此。

例如，交互信息获取模块401可以利用智能机器人所配备的语音采集设备(例如摄像头)来获取用户输入的语音信息，其还可以利用智能机器人所配备的数据抓取设备来从通信网络中抓取相关数据等。

交互信息获取模块401会将获取到的多模态交互信息传输至与之连接的知识信息提取模块402。知识信息提取模块402在接收到上述多模态交互信息后，会通过自学习系统来从上述多模态交互信息中提取出可自学习的知识信息，并将该知识信息传输至与之连接的正确度确定模块403。

本实施例中，正确度确定模块403能够利用预设知识图谱来确定知识信息提取模块402传输来的知识信息的正确度。具体地，正确度确定模块403首先会对所接收到的知识信息进行数据过滤，从而根据该知识信息得到有效交互语句。随后，正确度确定模块403会对所得到的有效交互语句进行主干提取，从而得到上述有效交互语句的主干信息。该主干信息适于知识图谱的处理，因此，正确度确定模块403也就可以根据所得到的主干信息利用预设知识图谱确定出上述知识信息的正确度。

当然，根据实际需要，正确度确定模块403在确定知识信息的正确度的过程中，还可以结合用户的用户信息度来对该知识信息的正确度进行修正，从而使得最终得到的知识信息的正确度更加准确、可靠。

正确度确定模块403在得到上述知识信息的正确度后，会将该知识信息及其正确度存储至自学习系统的相关数据存储器中。

在后续人机交互过程中，根据实际需要，反馈信息生成模块404会读取自学习系统的上述数据存储器，从而结合上述数据存储器中所存储的知识信息及其正确度来生成相应的反馈信息并输出给用户。

需要指出的是，本实施例中，知识信息提取模块402、正确度确定模块403以及反馈信息生成模块404实现其各自功能的具体原理以及过程既可以与上述实施例一中步骤S102至步骤S105所涉及的内容相同，也可以与上述实施例二中步骤S302至步骤S306所涉及的内容相同，故在此不再对知识信息提取模块402、正确度确定模块403以及反馈信息生成模块404的相关内容进行赘述。

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或处理步骤，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。

虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。

Claims (8)

1.一种用于智能机器人自学习系统的数据处理方法，其特征在于，包括：

交互信息获取步骤，获取用户输入的多模态交互信息；

知识信息提取步骤，通过自学习系统从所述多模态交互信息中提取可自学习的知识信息；

正确度确定步骤，利用预设知识图谱，结合所述用户的用户信用度确定所述知识信息的正确度，并将所述知识信息及其正确度存储到自学习系统中，如果用户以往提供的知识信息的正确度越高，那么该用户的信用度也就越高，而如果用户以往提供的知识信息的正确度越低，那么该用户的信用度也就相应地越低；

反馈信息生成步骤，结合自学习系统生成反馈信息并输出。

2.如权利要求1所述的方法，其特征在于，所述正确度确定步骤包括：

对所述知识信息进行数据过滤，得到有效交互语句；

对所述有效交互语句进行主干提取，得到所述有效交互语句的主干信息；

根据所述主干信息，利用预设知识图谱确定所述知识信息的正确度。

3.如权利要求2所述的方法，其特征在于，在所述正确度确定步骤中，利用所述预设知识图谱判断所述知识信息与自身存储的相关信息是否匹配，并根据匹配结果确定所述知识信息的正确度。

4.如权利要求2或3所述的方法，其特征在于，如果在所述知识信息提取步骤中得到的知识信息包括多个知识点，在所述正确度确定步骤中，分别计算各个知识点的正确度，并对所述各个知识点的正确度进行加权求和，得到所述知识信息的正确度。

5.一种用于智能机器人自学习系统的数据处理装置，其特征在于，包括：

交互信息获取模块，其用于获取用户输入的多模态交互信息；

知识信息提取模块，其用于通过自学习系统从所述多模态交互信息中提取可自学习的知识信息；

正确度确定模块，其用于利用预设知识图谱，结合所述用户的用户信用度确定所述知识信息的正确度，并将所述知识信息及其正确度存储到自学习系统中，如果用户以往提供的知识信息的正确度越高，那么该用户的信用度也就越高，而如果用户以往提供的知识信息的正确度越低，那么该用户的信用度也就相应地越低；

反馈信息生成模块，其用于结合自学习系统生成反馈信息并输出。

6.如权利要求5所述的装置，其特征在于，所述正确度确定模块配置为：

对所述知识信息进行数据过滤，得到有效交互语句；

对所述有效交互语句进行主干提取，得到所述有效交互语句的主干信息；

根据所述主干信息，利用预设知识图谱确定所述知识信息的正确度。

7.如权利要求6所述的装置，其特征在于，所述正确度确定模块配置为利用所述预设知识图谱判断所述知识信息与自身存储的相关信息是否匹配，并根据匹配结果确定所述知识信息的正确度。

8.如权利要求6或7所述的装置，其特征在于，如果所述知识信息提取模块得到的知识信息包括多个知识点，所述正确度确定模块则配置为分别计算各个知识点的正确度，并对所述各个知识点的正确度进行加权求和，得到所述知识信息的正确度。