CN106776926A - 改善机器人对话时的应答能力的方法及系统 - Google Patents
改善机器人对话时的应答能力的方法及系统 Download PDFInfo
- Publication number
- CN106776926A CN106776926A CN201611089734.7A CN201611089734A CN106776926A CN 106776926 A CN106776926 A CN 106776926A CN 201611089734 A CN201611089734 A CN 201611089734A CN 106776926 A CN106776926 A CN 106776926A
- Authority
- CN
- China
- Prior art keywords
- information
- current text
- current
- text information
- past
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种改善机器人对话时的应答能力的方法及系统,方法为:先获得用户输入的当前文本信息和过去文本信息;接着,根据当前文本信息和过去文本信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息;然后,根据用户的特征信息,识别当前文本信息是否处于僵局状态,获得识别结果;最后,根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答。本发明的改善机器人对话时的应答能力的方法及系统,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
Description
技术领域
本发明涉及人工智能领域,尤其涉及改善机器人对话时的应答能力的方法及系统。
背景技术
在现有的人工智能对话系统中,利用语料库以及模板来判断用户讲话,对话系统通常使用搜索的方式来寻找合适的回答。但是,并没有使用对话中的前后文的语意理解、话题信息。因此,当对话进入僵局时,如使用者回应“嗯嗯”时,由于机器人不知道前后文的意思,因此会有一些荒谬的回答,例如:“那你快去吧”。
因此,现有技术中的缺陷是,在人工智能对话过程中,机器人不能对用户输入的文本信息处于僵局状态做出智能的回应,无法给出质量高的回答,使用户体验度低。
发明内容
针对上述技术问题,本发明提供一种改善机器人对话时的应答能力的方法及系统,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
为解决上述技术问题,本发明提供的技术方案是:
第一方面,本发明提供一种改善机器人对话时的应答能力的方法,包括:
步骤S1,获得用户输入的当前文本信息和过去文本信息;
步骤S2,根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;
步骤S3,根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;
步骤S4,根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
本发明提供了一种改善机器人对话时的应答能力的方法,其技术方案为:先获得用户输入的当前文本信息和过去文本信息;接着,根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;然后,根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;最后,根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
本发明的改善机器人对话时的应答能力的方法,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
进一步地,所述步骤S2,具体为:
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的情绪状态信息,所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的文本讯息,所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的话题信息,所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,所述语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息。
进一步地,所述步骤S4中,根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
进一步地,根据所述识别结果,通过机器学习的方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过机器学习的方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过机器学习的方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
进一步地,根据所述识别结果,通过逻辑规则方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答。
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
第二方面,本发明提供了一种改善机器人对话时的应答能力的系统,包括:
文本信息获取模块,用于获得用户输入的当前文本信息和过去文本信息;
对话理解模块,用于根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;
对话状态识别模块,用于根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;
对话回答模块,用于根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
本发明提供了一种改善机器人对话时的应答能力的系统,其技术方案为:先通过文本信息获取模块,用于获得用户输入的当前文本信息和过去文本信息;接着通过对话理解模块,用于根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;然后通过对话状态识别模块,用于根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;最后通过对话回答模块,用于根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
本发明的改善机器人对话时的应答能力的系统,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
进一步地,所述对话理解模块,具体用于:
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的情绪状态信息,所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的文本讯息,所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的话题信息,所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,所述语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息。
进一步地,所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
进一步地,所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过机器学习的方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过机器学习的方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
进一步地,所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答。
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明第一实施例所提供的一种改善机器人对话时的应答能力的方法的流程图;
图2示出了本发明第二实施例所提供的一种改善机器人对话时的应答能力的系统的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例一
图1示出了本发明第一实施例所提供的一种改善机器人对话时的应答能力的方法的流程图;如图1所示,本发明实施例一提供了一种改善机器人对话时的应答能力的方法,包括:
步骤S1,获得用户输入的当前文本信息和过去文本信息;
步骤S2,根据当前文本信息和过去文本信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息;
步骤S3,根据用户的特征信息,识别当前文本信息是否处于僵局状态,获得识别结果;
步骤S4,根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答。
本发明提供了一种改善机器人对话时的应答能力的方法,其技术方案为:先获得用户输入的当前文本信息和过去文本信息;接着,根据当前文本信息和过去文本信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息;然后,根据用户的特征信息,识别当前文本信息是否处于僵局状态,获得识别结果;最后,根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答。
本发明的改善机器人对话时的应答能力的方法,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
具体地,步骤S2,具体为:
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的情绪状态信息,情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的文本讯息,文本讯息包括当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的话题信息,话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息。
还可以将当前文本信息结合上下文信息,改写原始句子后得到的改写句子的信息加入到提取特征信息的源信息中,同情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息一起提取用户的特征信息。
其中,改写句子的信息是为了解决有些句子信息不足的现象。
例如:
A:你喜欢看电影吗?
B:喜欢。
但是,B只输入“喜欢”,此时信息量不足。如果根据前文做改写,就会变成“喜欢看电影”,此时计算机就能做出更正确的判断。
原始句子:保留原始句子的样子,让计算机能够得到原始句子。配合改写句子,更全面的理解用户输入。
例如:
A:我们明天去看电影
B:恩恩。
此时,“恩恩”会被改写成“我明天去看电影”。如果保留原句“恩恩”,输入计算机变成“恩恩+我明天去看电影”;计算机就可以理解成:明天看电影+回应问题。通过此种方式进而得到更完整的信息。
充分分析识别用户的当前对话文本信息和过去的文本对化信息,分析处理的因素越多,会使提取得到的僵局辨识特征信息和用户语意特征信息更准确,进而使机器人给出的回答更准确,更智能。
具体地,步骤S4中,根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答,具体为:
当识别结果为当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的第一回答;
当识别结果为当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
如果识别出当前的文本信息处于僵局状态,比如,用户说:“呵呵”,那么根据人机对话中过去的对话文本信息,可给出一个回答,比如:“那亲爱的,我们再聊点别的?”这样不至于使对话过程显得尴尬;如果下一句当前文本信息处于普通状态,即不处于僵局状态,机器人可直接给出回答,这个回答也是基于上下文信息给出的,然后将这两个答案综合一下,给出一个更合理的回答,之前刚刚聊过关于去哪吃晚饭的话题,因此可给出回答,比如:“那亲爱的,我们再聊点别的,附近新开了一家饭馆,味道错哦!”。这样不仅破解了人机对话过程中的僵局状态,也使人机对话更智能。
具体地,根据识别结果,通过机器学习的方法给出当前文本信息对应的回答,具体为:
当识别结果为当前文本信息处于僵局状态,通过机器学习的方法给出当前文本信息对应的第一回答:
将当前文本信息的前后文信息通过机器学习的方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过机器学习的方法建立的僵局回答语料数据库,给出当前文本信息对应的第一回答;
当识别结果为当前文本信息处于普通状态,通过机器学习的方法给出当前文本信息对应的第二回答:
将当前文本信息的前后文信息通过机器学习的方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过机器学习的方法建立的普通状态回答语料数据库,给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
本发明中,预先具有两个大的数据库,一个是僵局回答语料数据库,一个是普通状态回答语料数据库。当陷入僵局时,会把前后文信息,送入机器学习方法内,根据机器学习方法判断是否要延续前面话题或者是转换话题。进而从僵局回答语料数据库选择合适的回答。
机器学习算法,是透过事先的收集资料,让机器学习“语意特征”和“僵局辨识特征”与“回应策略”的搭配性。根据训练资料上每笔实际回应状况和实验回应反进行对比,若对比结果不一致,则更新机器学习的参数,且重复进行迭代,当在训练资料上产生的回应与与实验反馈回应一致性达最高时,则停止迭代,且训练完成。在测试的阶段当中,当使用者输入一个本文句子时,我们可以透过过往的数据训练出来的预测模块来进行“回应策略”的选择。
具体地,根据识别结果,通过逻辑规则方法给出当前文本信息对应的回答,具体为:
当识别结果为当前文本信息处于僵局状态,通过逻辑规则方法给出当前文本信息对应的第一回答:
将当前文本信息的前后文信息通过逻辑规则方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过逻辑规则方法建立的僵局回答语料数据库,给出当前文本信息对应的第一回答。
当识别结果为当前文本信息处于普通状态,通过逻辑规则方法给出当前文本信息对应的第二回答:
将当前文本信息的前后文信息通过逻辑规则方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过逻辑规则方法建立的普通状态回答语料数据库,给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
本发明中,预先具有两个大的数据库,一个是僵局回答语料数据库,一个是普通状态回答语料数据库。当陷入僵局时,会把前后文信息,送入逻辑规则方法内,根据逻辑规则判断是否要延续前面话题或者是转换话题。进而从僵局回答语料数据库选择合适的回答。
举例来说:A:最近有什么好看的电影?B:大话西游3;A:喔喔。此时,B:就算是陷入僵局,机器人可以选择转换话题或延续话题。而逻辑规则设计为:当前话题信息:“电影话题”,电影名:“大话西游3”,僵局类型:“肯定无意义词,喔喔”;选择“继续进行电影话题”,从而从僵局回答语料数据库选择与“大话西游3”相关的回应。如果逻辑规则设计为:当前话题信息:“电影话题”,电影名:“大话西游3”,僵局类型:“无兴趣”;选择“转换话题”,从而从僵局回答语料数据库选择如“那你喜欢哪个艺人”这种话题。
实施例二
图2示出了本发明第二实施例所提供的一种改善机器人对话时的应答能力的系统的示意图;如图2所示,本发明实施例二提供了一种改善机器人对话时的应答能力的系统10,包括:
文本信息获取模块101,用于获得用户输入的当前文本信息和过去文本信息;
对话理解模块102,用于根据当前文本信息和过去文本信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息;
对话状态识别模块103,用于根据用户的特征信息,识别当前文本信息是否处于僵局状态,获得识别结果;
对话回答模块104,用于根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答。
本发明提供了一种改善机器人对话时的应答能力的系统10,其技术方案为:先通过文本信息获取模块101,用于获得用户输入的当前文本信息和过去文本信息;接着通过对话理解模块102,用于根据当前文本信息和过去文本信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息;然后通过对话状态识别模块103,用于根据用户的特征信息,识别当前文本信息是否处于僵局状态,获得识别结果;最后通过对话回答模块104,用于根据识别结果,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的回答。
本发明的改善机器人对话时的应答能力的系统10,基于用户当前文本信息和过去文本信息,提取其中用户的特征信息,当人机对话过程中出现僵局状态时,可根据用户的特征信息给出合理的回答,改善了人机对话僵局时的回答质量,提高了用户体验。
具体地,对话理解模块102,具体用于:
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的情绪状态信息,情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的文本讯息,文本讯息包括当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的话题信息,话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据当前文本信息和过去文本信息,获得当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出用户的特征信息,特征信息包括僵局辨识特征信息和用户语意特征信息。
还可以将当前文本信息结合上下文信息,改写原始句子后得到的改写句子的信息加入到提取特征信息的源信息中,同情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息一起提取用户的特征信息。
其中,改写句子的信息是为了解决有些句子信息不足的现象。
例如:
A:你喜欢看电影吗?
B:喜欢。
但是,B只输入“喜欢”,此时信息量不足。如果根据前文做改写,就会变成“喜欢看电影”,此时计算机就能做出更正确的判断。
原始句子:保留原始句子的样子,让计算机能够得到原始句子。配合改写句子,更全面的理解用户输入。
例如:
A:我们明天去看电影
B:恩恩。
此时,“恩恩”会被改写成“我明天去看电影”。如果保留原句“恩恩”,输入计算机变成“恩恩+我明天去看电影”;计算机就可以理解成:明天看电影+回应问题。通过此种方式进而得到更完整的信息。
充分分析识别用户的当前对话文本信息和过去的文本对化信息,分析处理的因素越多,会使提取得到的僵局辨识特征信息和用户语意特征信息更准确,进而使机器人给出的回答更准确,更智能。
具体地,对话回答模块104,具体用于:
当识别结果为当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的第一回答;
当识别结果为当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
如果识别出当前的文本信息处于僵局状态,比如,用户说:“呵呵”,那么根据人机对话中过去的对话文本信息,可给出一个回答,比如:“那亲爱的,我们再聊点别的?”这样不至于使对话过程显得尴尬;如果下一句当前文本信息处于普通状态,即不处于僵局状态,机器人可直接给出回答,这个回答也是基于上下文信息给出的,然后将这两个答案综合一下,给出一个更合理的回答,之前刚刚聊过关于去哪吃晚饭的话题,因此可给出回答,比如:“那亲爱的,我们再聊点别的,附近新开了一家饭馆,味道错哦!”。这样不仅破解了人机对话过程中的僵局状态,也使人机对话更智能。
具体地,对话回答模块104,具体用于:
当识别结果为当前文本信息处于僵局状态,通过机器学习的方法给出当前文本信息对应的第一回答:
将当前文本信息的前后文信息通过机器学习的方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过机器学习的方法建立的僵局回答语料数据库,给出当前文本信息对应的第一回答;
当识别结果为当前文本信息处于普通状态,通过机器学习的方法给出当前文本信息对应的第二回答:
将当前文本信息的前后文信息通过机器学习的方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过机器学习的方法建立的普通状态回答语料数据库,给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
本发明中,预先具有两个大的数据库,一个是僵局回答语料数据库,一个是普通状态回答语料数据库。当陷入僵局时,会把前后文信息,送入机器学习方法内,根据机器学习方法判断是否要延续前面话题或者是转换话题。进而从僵局回答语料数据库选择合适的回答。
机器学习算法,是透过事先的收集资料,让机器学习“语意特征”和“僵局辨识特征”与“回应策略”的搭配性。根据训练资料上每笔实际回应状况和实验回应反进行对比,若对比结果不一致,则更新机器学习的参数,且重复进行迭代,当在训练资料上产生的回应与与实验反馈回应一致性达最高时,则停止迭代,且训练完成。在测试的阶段当中,当使用者输入一个本文句子时,我们可以透过过往的数据训练出来的预测模块来进行“回应策略”的选择。
具体地,对话回答模块104,具体用于:
当识别结果为当前文本信息处于僵局状态,通过逻辑规则方法给出当前文本信息对应的第一回答:
将当前文本信息的前后文信息通过逻辑规则方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过逻辑规则方法建立的僵局回答语料数据库,给出当前文本信息对应的第一回答。
当识别结果为当前文本信息处于普通状态,通过逻辑规则方法给出当前文本信息对应的第二回答:
将当前文本信息的前后文信息通过逻辑规则方法进行处理判断,得到判断结果,判断结果包括延续当前话题和转换话题;
根据判断结果,通过预先通过逻辑规则方法建立的普通状态回答语料数据库,给出当前文本信息对应的第二回答;
将第一回答和第二回答进行处理,得到当前文本信息对应的回答。
本发明中,预先具有两个大的数据库,一个是僵局回答语料数据库,一个是普通状态回答语料数据库。当陷入僵局时,会把前后文信息,送入逻辑规则方法内,根据逻辑规则判断是否要延续前面话题或者是转换话题。进而从僵局回答语料数据库选择合适的回答。
举例来说:A:最近有什么好看的电影?B:大话西游3;A:喔喔。此时,B:就算是陷入僵局,机器人可以选择转换话题或延续话题。而逻辑规则设计为:当前话题信息:“电影话题”,电影名:“大话西游3”,僵局类型:“肯定无意义词,喔喔”;选择“继续进行电影话题”,从而从僵局回答语料数据库选择与“大话西游3”相关的回应。如果逻辑规则设计为:当前话题信息:“电影话题”,电影名:“大话西游3”,僵局类型:“无兴趣”;选择“转换话题”,从而从僵局回答语料数据库选择如“那你喜欢哪个艺人”这种话题。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.改善机器人对话时的应答能力的方法,其特征在于,包括:
步骤S1,获得用户输入的当前文本信息和过去文本信息;
步骤S2,根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;
步骤S3,根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;
步骤S4,根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
2.根据权利要求1所述的改善机器人对话时的应答能力的方法,其特征在于,
所述步骤S2,具体为:
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的情绪状态信息,所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的文本讯息,所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的话题信息,所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,所述语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息。
3.根据权利要求1所述的改善机器人对话时的应答能力的方法,其特征在于,
所述步骤S4中,根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
4.根据权利要求3所述的改善机器人对话时的应答能力的方法,其特征在于,
根据所述识别结果,通过机器学习的方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过机器学习的方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过机器学习的方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
5.根据权利要求3所述的改善机器人对话时的应答能力的方法,其特征在于,
根据所述识别结果,通过逻辑规则方法给出所述当前文本信息对应的回答,具体为:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
6.改善机器人对话时的应答能力的系统,其特征在于,包括:
文本信息获取模块,用于获得用户输入的当前文本信息和过去文本信息;
对话理解模块,用于根据所述当前文本信息和过去文本信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息;
对话状态识别模块,用于根据所述用户的特征信息,识别所述当前文本信息是否处于僵局状态,获得识别结果;
对话回答模块,用于根据所述识别结果,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的回答。
7.根据权利要求6所述的改善机器人对话时的应答能力的系统,其特征在于,
所述对话理解模块,具体用于:
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的情绪状态信息,所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的文本讯息,所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的话题信息,所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种;
根据所述当前文本信息和过去文本信息,获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息,所述语言行为信息包括当前主要语言行为信息和次要语言行为信息;
根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息,提取出所述用户的特征信息,所述特征信息包括僵局辨识特征信息和用户语意特征信息。
8.根据权利要求6所述的改善机器人对话时的应答能力的系统,其特征在于,
所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法或机器学习的方法给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
9.根据权利要求8所述的改善机器人对话时的应答能力的系统,其特征在于,
所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过机器学习的方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答;
当所述识别结果为所述当前文本信息处于普通状态,通过机器学习的方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述机器学习的方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述机器学习的方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
10.根据权利要求8所述的改善机器人对话时的应答能力的系统,其特征在于,
所述对话回答模块,具体用于:
当所述识别结果为所述当前文本信息处于僵局状态,通过逻辑规则方法给出所述当前文本信息对应的第一回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的僵局回答语料数据库,给出所述当前文本信息对应的第一回答
当所述识别结果为所述当前文本信息处于普通状态,通过逻辑规则方法给出所述当前文本信息对应的第二回答:
将所述当前文本信息的前后文信息通过所述逻辑规则方法进行处理判断,得到判断结果,所述判断结果包括延续当前话题和转换话题;
根据所述判断结果,通过预先通过所述逻辑规则方法建立的普通状态回答语料数据库,给出所述当前文本信息对应的第二回答;
将所述第一回答和所述第二回答进行处理,得到所述当前文本信息对应的回答。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089734.7A CN106776926A (zh) | 2016-12-01 | 2016-12-01 | 改善机器人对话时的应答能力的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611089734.7A CN106776926A (zh) | 2016-12-01 | 2016-12-01 | 改善机器人对话时的应答能力的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106776926A true CN106776926A (zh) | 2017-05-31 |
Family
ID=58914309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611089734.7A Pending CN106776926A (zh) | 2016-12-01 | 2016-12-01 | 改善机器人对话时的应答能力的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106776926A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908750A (zh) * | 2017-11-17 | 2018-04-13 | 郑州云海信息技术有限公司 | 一种人工智能应答系统与方法 |
CN110232108A (zh) * | 2019-05-13 | 2019-09-13 | 华为技术有限公司 | 人机对话方法以及对话系统 |
CN111133403A (zh) * | 2017-07-17 | 2020-05-08 | 快乐股份有限公司 | 用于增进幸福感的动态用户交互系统与方法 |
CN111274374A (zh) * | 2020-01-19 | 2020-06-12 | 出门问问信息科技有限公司 | 一种数据处理方法、装置及计算机存储介质和电子设备 |
CN112052321A (zh) * | 2020-09-02 | 2020-12-08 | 平安科技(深圳)有限公司 | 人机对话方法、装置、计算机设备及存储介质 |
CN112836098A (zh) * | 2021-02-01 | 2021-05-25 | 三星电子(中国)研发中心 | 基于多角色的对话辅助方法和装置 |
CN115497482A (zh) * | 2022-06-27 | 2022-12-20 | 湖北大学 | 一种语音对话方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1637740A (zh) * | 2003-11-20 | 2005-07-13 | 阿鲁策株式会社 | 对话控制设备和对话控制方法 |
US20140188478A1 (en) * | 2012-12-31 | 2014-07-03 | Via Technologies, Inc. | Natural language dialogue method and natural language dialogue system |
CN104615646A (zh) * | 2014-12-25 | 2015-05-13 | 上海科阅信息技术有限公司 | 智能聊天机器人系统 |
CN105027197A (zh) * | 2013-03-15 | 2015-11-04 | 苹果公司 | 训练至少部分语音命令系统 |
CN105512228A (zh) * | 2015-11-30 | 2016-04-20 | 北京光年无限科技有限公司 | 一种基于智能机器人的双向问答数据处理方法和系统 |
CN105798918A (zh) * | 2016-04-29 | 2016-07-27 | 北京光年无限科技有限公司 | 一种面向智能机器人的交互方法和装置 |
CN105874405A (zh) * | 2013-12-11 | 2016-08-17 | Lg电子株式会社 | 智能家用电器、其操作方法及使用智能家用电器的语音识别系统 |
CN106095834A (zh) * | 2016-06-01 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 基于话题的智能对话方法及系统 |
-
2016
- 2016-12-01 CN CN201611089734.7A patent/CN106776926A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1637740A (zh) * | 2003-11-20 | 2005-07-13 | 阿鲁策株式会社 | 对话控制设备和对话控制方法 |
US20140188478A1 (en) * | 2012-12-31 | 2014-07-03 | Via Technologies, Inc. | Natural language dialogue method and natural language dialogue system |
CN105027197A (zh) * | 2013-03-15 | 2015-11-04 | 苹果公司 | 训练至少部分语音命令系统 |
CN105874405A (zh) * | 2013-12-11 | 2016-08-17 | Lg电子株式会社 | 智能家用电器、其操作方法及使用智能家用电器的语音识别系统 |
CN104615646A (zh) * | 2014-12-25 | 2015-05-13 | 上海科阅信息技术有限公司 | 智能聊天机器人系统 |
CN105512228A (zh) * | 2015-11-30 | 2016-04-20 | 北京光年无限科技有限公司 | 一种基于智能机器人的双向问答数据处理方法和系统 |
CN105798918A (zh) * | 2016-04-29 | 2016-07-27 | 北京光年无限科技有限公司 | 一种面向智能机器人的交互方法和装置 |
CN106095834A (zh) * | 2016-06-01 | 2016-11-09 | 竹间智能科技(上海)有限公司 | 基于话题的智能对话方法及系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111133403A (zh) * | 2017-07-17 | 2020-05-08 | 快乐股份有限公司 | 用于增进幸福感的动态用户交互系统与方法 |
CN107908750A (zh) * | 2017-11-17 | 2018-04-13 | 郑州云海信息技术有限公司 | 一种人工智能应答系统与方法 |
CN110232108A (zh) * | 2019-05-13 | 2019-09-13 | 华为技术有限公司 | 人机对话方法以及对话系统 |
CN110232108B (zh) * | 2019-05-13 | 2023-02-03 | 华为技术有限公司 | 人机对话方法以及对话系统 |
CN111274374A (zh) * | 2020-01-19 | 2020-06-12 | 出门问问信息科技有限公司 | 一种数据处理方法、装置及计算机存储介质和电子设备 |
CN111274374B (zh) * | 2020-01-19 | 2023-05-23 | 出门问问信息科技有限公司 | 一种数据处理方法、装置及计算机存储介质和电子设备 |
CN112052321A (zh) * | 2020-09-02 | 2020-12-08 | 平安科技(深圳)有限公司 | 人机对话方法、装置、计算机设备及存储介质 |
WO2022048170A1 (zh) * | 2020-09-02 | 2022-03-10 | 平安科技(深圳)有限公司 | 人机对话方法、装置、计算机设备及存储介质 |
CN112836098A (zh) * | 2021-02-01 | 2021-05-25 | 三星电子(中国)研发中心 | 基于多角色的对话辅助方法和装置 |
CN115497482A (zh) * | 2022-06-27 | 2022-12-20 | 湖北大学 | 一种语音对话方法及相关装置 |
CN115497482B (zh) * | 2022-06-27 | 2024-05-03 | 湖北大学 | 一种语音对话方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599998B (zh) | 基于情感特征调整机器人回答的方法及系统 | |
CN106776926A (zh) | 改善机器人对话时的应答能力的方法及系统 | |
Shi et al. | Sentiment adaptive end-to-end dialog systems | |
CN109410927B (zh) | 离线命令词与云端解析结合的语音识别方法、装置和系统 | |
CN108446286B (zh) | 一种自然语言问句答案的生成方法、装置及服务器 | |
US8818926B2 (en) | Method for personalizing chat bots | |
CN105608221B (zh) | 一种面向问答系统的自学习方法和装置 | |
CN105868179B (zh) | 一种智能问答方法及装置 | |
CN106649742A (zh) | 数据库维护方法和装置 | |
CN105677795B (zh) | 抽象语义的推荐方法、推荐装置及推荐系统 | |
CN105704013A (zh) | 基于上下文的话题更新数据处理方法及装置 | |
CN108733650B (zh) | 个性化词获取方法及装置 | |
O’Shea et al. | Systems engineering and conversational agents | |
CN105912629A (zh) | 一种智能问答方法及装置 | |
CN109885828A (zh) | 基于语言模型的词语纠错方法、装置、计算机设备及介质 | |
Ezen-Can et al. | Unsupervised classification of student dialogue acts with query-likelihood clustering | |
CN106528538A (zh) | 智能识别情绪的方法及装置 | |
CN111400458A (zh) | 一种自动泛化方法及其装置 | |
CN109388705A (zh) | 一种文本意图分类方法 | |
Kennington et al. | Situated incremental natural language understanding using Markov Logic Networks | |
CN117272977A (zh) | 人物描写语句的识别方法、装置、电子设备及存储介质 | |
CN111160512B (zh) | 基于生成式对抗网络构建双判别器对话生成模型的方法 | |
CN109948139A (zh) | 一种语义倾向分析方法及系统 | |
D’Andrea et al. | EMAG: an extended multimodal attribute grammar for behavioural features | |
US11849069B1 (en) | System and method for identifying themes in interactive communications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |