CN106776649A - 一种基于可视化流程图的智能问答多轮交互方法和系统 - Google Patents

Abstract

本发明涉及一种基于可视化流程图的智能问答多轮交互方法和系统，包括在引导型节点中，自动添加引导话术；在应答型节点中，自动添加语义理解限定范围；话题转换判别。对可视化流程图中节点、边的形式化表示和存储，以及在节点、边上通过自动添加语义理解约束条件、流程引导话术的方法，使得智能问答系统可以基于复杂的流程图，对用户的咨询进行自动应答。在当回复面临多种选择时，可以主动向用户提出多个引导条件；在用户回复了简略的应答时，可以在语义理解时自动增加约束条件，保证理解的正确。本发明有效解决上下文缺省问题，取得了较好的识别性能，已经达到了实际应用的目的。

Description

一种基于可视化流程图的智能问答多轮交互方法和系统

技术领域

本发明涉及汉语自然语言处理、知识管理、自动问答领域，特别是涉及一种可视化流程图的智能问答多轮交互方法和系统。

背景技术

基于上下文对话场景的多轮交互，是智能问答中的重要功能和巨大难题。在实际的应用中，智能问答系统需要解决的问题很可能是一个复杂的流程型知识，而非简单的一问一答形式。

例如，在电信行业中，对于问题“宽带故障处理”，其标准答复是首先引导询问或查询用户是否停机欠费，待用户回应后，再根据用户不同的情况，进一步引导询问用户的故障码、设备状态等多个条件，才能最终确定办理方案，整个流程如图1所示。对于智能问答系统而言，其目标是可以通过多轮交互的方式，根据流程一步步引导用户完成对话。因此，将复杂的引导和交互流程，简单直观地实现编辑、查看、管理功能，并可直接应用于自助智能问答系统，具有重要的价值。

要完成如上功能，需要实现三个目标：

1.将复杂流程进行可视化编辑，明确流程图中节点、连线的类别和功能；

2.当交互流转到某个节点，需要智能问答系统主动提出询问，引导用户进行选择时，系统能自动完成；

3.当用户做出应答时，需要智能问答系统在语义理解时增加约束条件，使智能问答系统能自动在流程可能达到的节点中进行理解，从而保证理解的正确性。

发明内容

本发明所要解决的技术问题：针对以上问题本发明提供了一种操作简单直观、有效结合流程知识管理和智能问答、识别性能好的基于可视化流程图的智能问答多轮交互方法和系统。发明通过定义流程图中节点、连线的类型，并采取自动化操作，从而实现了智能问答系统中的自动发起引导和限定范围内理解。

为了解决以上问题本发明采用了如下的技术方案：

一种基于可视化流程图的智能问答多轮交互方法，其特征在于：包括以下步骤：

第1步，在引导型节点中，自动添加引导话术：

在流程图中，当前引导型节点v可以流转到的节点集合为V⁺＝{v₁，v₂，...，v_m}，那么，在节点v上，自动利用V⁺节点名信息为v产生引导话术；

第2步，在应答型节点中，进行语义理解并保存补全的咨询历史：

第2.1步，当用户做出应答时，语义理解系统将用户的自然语言输入，映射到流程图中的应答型节点，此时将限定节点的范围，仅在系统上次流转到的引导性节点v的后续节点V⁺中；

第2.2步，当映射到具体的应答型节点后，该节点会将用户的咨询进行自动补全，将用户的最近咨询历史，同当前咨询合并起来，作为完整的咨询保存为最近的咨询历史；

为了完成语义理解，在两类节点中将附带有一系列语义文法，语义文法定义如下：

语义文法Semantic-Syntax为一个四元组：

Semantic-Syntax＝<ID，Body>

其中，ID为文法的唯一性标识，两条不同的文法不能有相同的ID；

文法体Body是文法的核心元素，用于自然语言形式的匹配用户问题；文法体Body是对自然语言表达的泛化，反之，自然语言可以称作是文法体的具化；两者之间存在多对多的映射关系；Body的上下文无关文法形式定义为：

上述定义中，各非终结符的含义如下：

1).Section：文法项，一个文法体由以通配符’*’作为间隔的多个文法项组成；

2).Constant：常量型文法项；

3).NeccessaryConstant：必选常量型文法项，由词类(WordClass)和常量词集(Words)组成；

4).WordClass：词类，为一组词(Word)所组成的集合的名称；词类所具体包含的词，可在文法体之外单独进行定义；

5).Words：常量词集，为一组词(Word)所组成的集合；

6).OptionalConstant：可选常量型文法项；

7).Variable：变量型文法项，由变量标志符’？’，变量标识(VariableID)，变量名(VariableName)组成；

8).VariableID：变量标识，唯一确定一条文法中的变量型文法项；

9).VariableName：变量名，即变量型文法项的名称；

各终结符的含义如下：

1).’*’：通配符；

2).’<’，‘>’：文法项括号；

3).’！’：词类标志符，表示其后为一个词类；

4).’？’：变量标志符，标识其后为一个变量标识和一个变量名；

5).’|’：逻辑或关系标志符，标识多个常量型文法间的“或”关系；

6).’(’，‘)’：变量名括号；

7).’[’，‘]’：可选文法项括号；

8).string：字符串常量

对于一个具体的文法体b，可以计算其余用户咨询q的匹配度，从而决定q是否映射到b所在的节点；q与b的匹配分值Credit(b，q)考虑了两个方面的特征，一是q被b所匹配的词的加权比例，二是b被p所映射到的文法项的比例，具体定义为：

其中，M为q中映射到b中的分词集合，M’＝q-M，M’为q中未映射到b中的分词集合，G为b的所有文法项中映射到b的文法项。对于M和M’中的某个词w，IDF(w)体现了其在q中的重要程度，

IDF(w)＝log(|所有节点附带的文法体集合|/|常量词中包含w的文法体集合|)(2)

0＜ε＜1是平滑因子；系统中优选取值为0.1。

第3步，在智能问答系统各种，用户可能会不按照系统给出的引导流程进行应答，而是转移到另外一个话题；

系统如下判断是否是进行了话题转移：将首先按照第2步中的方式进行语义理解，记匹配得分为c₁，如果匹配失败，c₁＝0；同时，也在取消理解的约束范围，整个知识库中理解，记最大的匹配得分为c₂；整个知识库包括多个流程型知识库，每个流程型知识库包括多个应答节点；如果c2-c1＞max_credit_span，则认为用户转移了话题，在我们的系统汇总，话题转换的判断阈值max_credit_span优选取值为0.45。

一种基于可视化流程图的智能问答多轮交互系统，其特征在于：包括在引导型节点中，自动添加引导话术的模块1；在应答型节点中，自动添加语义理解限定范围的模块2；话题转换判别模块3。

有益效果：本发明借助将流程知识进行图形化管理并直接应用于问答的系统和方法，包括对可视化流程图中节点、边的形式化表示和存储，以及在节点、边上通过自动添加语义理解约束条件、流程引导话术的方法，使得智能问答系统可以基于复杂的流程图，对用户的咨询进行自动应答。在当回复面临多种选择时，可以主动向用户提出多个引导条件；在用户回复了简略的应答时，可以在语义理解时自动增加约束条件，保证理解的正确。当语义文法和自然语言咨询匹配度计算平滑因子取值0.1，话题转换的判断阈值max_credit_span＝0.45时，系统可以取得98％的多轮交互精度，和87％的理解率。在多轮交互中，本方法可以有效解决上下文缺省问题，取得了较好的识别性能，已经达到了实际应用的目的。

附图说明

图1是本发明基于可视化流程图的智能问答多轮交互方法和系统的工作流程图。

图2是两种节点类型示例-密码重置。

图3是基于复杂流程型知识的交互场景示例-宽带上网故障。

具体实施方式

为了能够更清楚的说明本发明，以下定义并解释如下的术语：

(1)智能问答系统：一个可以接收用户自然语言形式的输入，在理解用户意图的基础上，基于企业知识库、数据库等资源，自动给出回复的计算机系统。如果系统仅支持一问一答的形式，称为单轮智能问答系统；如果系统可以基于上下文对话场景进行交互，称为多轮交互式智能问答系统。

(2)自动引导：在智能问答系统中，当需要进一步询问用户信息，才能做出下一步回答时，所想用户提出的询问。

(3)语义理解：在智能问答系统中，对用户自然语言形式的提问或应答进行分析，提取出用户语言的结构、意图等信息的过程。语义理解可以带有约束条件，例如，可以约束用户上文的理解结果在一定范围内。

(4)用于智能问答的流程型知识图：一个有向有环图G＝<V，E>，用于在多轮交互式智能问答中提供流转规则，以及自动引导话术和最终的答复知识。E为有向边集合，的元素有向边e＝<v₁，v₂>表示节点v₁将流转到节点v₂，节点V则分为系统引导型用户节点和应答型节点：

a)系统引导型节点：当多轮交互问答流转到该节点时，系统将主动向用户发出引导咨询，让用户给出回复；

b)用户应答型节点：用户做出应答时，语义理解系统的目标是将用户的应答，映射到一个用户应答型节点上，该应答型节点下一步或者自动跳转到唯一的一个系统引导性节点，或者对用户的应答进行答复。用户应答型节点包含节点名，如“重置宽带密码”、“重置手机密码”等；

在图2给出的示例中，我们给出了两类节点的示例。

如图1所示，一种基于可视化流程图的智能问答多轮交互系统分为3个主要模块：

模块1：在引导型节点中，自动添加引导话术的模块；

模块2：在应答型节点中，自动添加语义理解限定范围的模块；

模块3：话题转换判别模块；

下面结合附图和具体实施方式对本发明作进一步详细地说明。

模块1：在引导型节点中，自动添加引导话术

假设当前引导型节点v，在流程图中，v可以流转到的节点集合为V⁺＝{v₁，v₂，...，v_m}，那么，在节点v上，自动利用V⁺节点名信息为v产生引导话术，例如：“请问您是重置宽带密码，还是重置手机密码？”

模块2：在应答型节点中，进行语义理解并保存补全的咨询历史：

1.当用户做出应答时，语义理解系统将用户的自然语言输入，映射到流程图中的应答型节点，此时将限定节点的范围，仅在系统上次流转到的引导性节点v的后续节点V⁺中；

2.当映射到具体的应答型节点后，该节点会将用户的咨询进行自动补全，将用户的最近咨询历史，同当前咨询合并起来，作为完整的咨询保存为最近的咨询历史。

例如，如果用户首次询问的是“如何重置密码”，系统给出引导“请问您是重置宽带密码，还是重置手机密码？”，用户回答的是“前者”，则系统仅会在“重置宽带密码”、“重置手机密码”两个节点中进行理解，会将用户的回答补全为“如何重置密码+宽带”，保存为最近的咨询历史，如图2所示。

为了完成语义理解，在两类节点中将附带有一系列语义文法，语义文法定义如下：

语义文法Semantic-Syntax为一个四元组：

Semantic-Syntax＝<ID，Body>

其中，ID为文法的唯一性标识，两条不同的文法不能有相同的ID。如ID₁＝001，ID₂＝002；

文法体Body是文法的核心元素，用于自然语言形式的匹配用户问题。文法体Body是对自然语言表达的泛化，反之，自然语言可以称作是文法体的具化。两者之间存在多对多的映射关系。Body的上下文无关文法形式定义为：

上述定义中，各非终结符的含义如下：

1).Section：文法项，一个文法体由以通配符’*’作为间隔的多个文法项组成；

2).Constant：常量型文法项；

3).NeccessaryConstant：必选常量型文法项，由词类(WordClass)和常量词集(Words)组成；

4).WordClass：词类，为一组词(Word)所组成的集合的名称；词类所具体包含的词，可在文法体之外单独进行定义；

5).Words：常量词集，为一组词(Word)所组成的集合；

6).OptionalConstant：可选常量型文法项；

7).Variable：变量型文法项，由变量标志符’？’，变量标识(VariableID)，变量名(VariableName)组成；

8).VariableID：变量标识，唯一确定一条文法中的变量型文法项；

9).VariableName：变量名，即变量型文法项的名称；

各终结符的含义如下：

1).’*’：通配符；

2).’<’，‘>’：文法项括号；

3).’！’：词类标志符，表示其后为一个词类；

4).’？’：变量标志符，标识其后为一个变量标识和一个变量名；

5).’|’：逻辑或关系标志符，标识多个常量型文法间的“或”关系；

6).’(’，‘)’：变量名括号；

7).’[’，‘]’：可选文法项括号；

8).string：字符串常量

对于一个具体的文法体b，可以计算其余用户咨询q的匹配度，从而决定q是否映射到b所在的节点。q与b的匹配分值Credit(b，q)考虑了两个方面的特征，一是q被b所匹配的词的加权比例，二是b被p所映射到的文法项的比例，具体定义为：

其中，M为q中映射到b中的分词集合，M’＝q-M，M’为q中未映射到b中的分词集合，G为b的所有文法项中映射到b的文法项。对于M和M’中的某个词w，IDF(w)体现了其在q中的重要程度，

IDF(w)＝log(|所有节点附带的文法体集合|/|常量词中包含w的文法体集合|)(2)

0＜ε＜1是平滑因子，系统中取值为0.1。

模块3：话题转换判别

在智能问答系统各种，用户可能会不按照系统给出的引导流程进行应答，而是转移到另外一个话题。例如，到系统引导用户“请问您是要重置宽带密码，还是重置手机密码？“时，用户可能会回答“宽带密码和手机密码有什么不同”。

系统如下判断是否是进行了话题转移：将首先按照模块2中的方式进行语义理解，记匹配得分为c₁，如果匹配失败，c₁＝0；同时，也在取消理解的约束范围，整个知识库中理解，记最大的匹配得分为c₂。整个知识库包括多个流程型知识库，每个流程型知识库包括多个应答节点。如果c₂-c₁＞max_credit_span，则认为用户转移了话题。在我们的系统汇总，话题转换的判断阈值max_credit_span取值为0.45。

基于可视化流程图的智能问答多轮交互方法和系统给出了如图3所示的复杂流程型知识的交互场景示例-宽带上网故障。

实验效果

经过多个行业的实验，当语义文法和自然语言咨询匹配度计算平滑因子取值0.1，话题转换的判断阈值max_credit_span＝0.45时，系统可以取得98％的多轮交互精度，和87％的理解率。因此，本发明取得了较好的识别性能，已经达到了实际应用的目的。

Claims (4)

1.一种基于可视化流程图的智能问答多轮交互方法，其特征在于：包括以下步骤：

第1步，在引导型节点中，自动添加引导话术：

在流程图中，当前引导型节点v可以流转到的节点集合为V⁺＝{v₁，v₂，...，v_m}，那么，在节点v上，自动利用V⁺节点名信息为v产生引导话术；

第2步，在应答型节点中，进行语义理解并保存补全的咨询历史：

第2.1步，当用户做出应答时，语义理解系统将用户的自然语言输入，映射到流程图中的应答型节点，此时将限定节点的范围，仅在系统上次流转到的引导性节点v的后续节点V⁺中；

第2.2步，当映射到具体的应答型节点后，该节点会将用户的咨询进行自动补全，将用户的最近咨询历史，同当前咨询合并起来，作为完整的咨询保存为最近的咨询历史；

为了完成语义理解，在两类节点中将附带有一系列语义文法，语义文法定义如下：

语义文法Semantic-Syntax为一个四元组：

Semantic-Syntax＝<ID，Body>

其中，ID为文法的唯一性标识，两条不同的文法不能有相同的ID；

文法体Body是文法的核心元素，用于自然语言形式的匹配用户问题；文法体Body是对自然语言表达的泛化，反之，自然语言可以称作是文法体的具化；两者之间存在多对多的映射关系；Body的上下文无关文法形式定义为：

Body-＞Sections

Sections-＞Section|Sections″*″Section

Section-＞″<″Constant″>″|″<″Variable″>″

Constant-＞NeccessaryConstant|OptionalConstant

NeccessaryConstant-＞″！″WordClass|Words

WordClass-＞string

Words-＞Word|Words″|″Word

Word-＞string

OptionalConstant＝″[″NeccessaryConstant″]″

Variable-＞″？″VariableID″(″VariableNames″)″

VariableID-＞string

VariableNames-＞VariableName|VariableNames″|″VariableName

VariableName-＞string

上述定义中，各非终结符的含义如下：

1).Section：文法项，一个文法体由以通配符’*’作为间隔的多个文法项组成；

2).Constant：常量型文法项；

3).NeccessaryConstant：必选常量型文法项，由词类(WordClass)和常量词集(Words)组成；

4).WordClass：词类，为一组词(Word)所组成的集合的名称；词类所具体包含的词，可在文法体之外单独进行定义；

5).Words：常量词集，为一组词(Word)所组成的集合；

6).OptionalConstant：可选常量型文法项；

7).Variable：变量型文法项，由变量标志符’？’，变量标识(VariableID)，变量名(VariableName)组成；

8).VariableID：变量标识，唯一确定一条文法中的变量型文法项；

9).VariableName：变量名，即变量型文法项的名称；

各终结符的含义如下：

1).’*’：通配符；

2).’＜’，‘＞’：文法项括号；

3).’！’：词类标志符，表示其后为一个词类；

4).’？’：变量标志符，标识其后为一个变量标识和一个变量名；

5).’|’：逻辑或关系标志符，标识多个常量型文法间的“或”关系；

6).’(’，‘)’：变量名括号；

7).’[’，‘]’：可选文法项括号；

8).string：字符串常量

对于一个具体的文法体b，可以计算其余用户咨询q的匹配度，从而决定q是否映射到b所在的节点；q与b的匹配分值Credit(b，q)考虑了两个方面的特征，一是q被b所匹配的词的加权比例，二是b被p所映射到的文法项的比例，具体定义为：

$Credit(b,q)=\frac{{\mathrm{\&Sigma;}}_{w\&Element;M}IDF\left(w\right)+\mathrm{\&epsiv;}}{{\mathrm{\&Sigma;}}_{w\&NotElement;M^{\&prime;}}IDF\left(w\right)+\mathrm{\&epsiv;}}\&times;\frac{\left|G\right|}{|b.Sections|}---\left(1\right)$

其中，M为q中映射到b中的分词集合，M’＝q-M，M’为q中未映射到b中的分词集合，G为b的所有文法项中映射到b的文法项。对于M和M’中的某个词w，IDF(w)体现了其在q中的重要程度，

IDF(w)＝log(|所有节点附带的文法体集合|/|常量词中包含w的文法体集合|) (2)

0＜ε＜1是平滑因子；

第3步，在智能问答系统各种，用户可能会不按照系统给出的引导流程进行应答，而是转移到另外一个话题；

系统如下判断是否是进行了话题转移：将首先按照第2步中的方式进行语义理解，记匹配得分为c₁，如果匹配失败，c₁＝0；同时，也在取消理解的约束范围，整个知识库中理解，记最大的匹配得分为c₂；整个知识库包括多个流程型知识库，每个流程型知识库包括多个应答节点；如果c₂-c₁>max_credit_span，则认为用户转移了话题，其中；max_credit_span为话题转换的判断阈值。

2.根据权利要求1所述的一种基于可视化流程图的智能问答多轮交互方法，其特征在于：所述第2步中的平滑因子ε取值为0.1。

3.根据权利要求1所述的一种基于可视化流程图的智能问答多轮交互方法，其特征在于：所述第3步中话题转换的判断阈值max_credit_span取值为0.45。

4.一种基于可视化流程图的智能问答多轮交互系统，其特征在于：包括在引导型节点中，自动添加引导话术的模块1；在应答型节点中，自动添加语义理解限定范围的模块2；话题转换判别模块3。