CN108960402A - 一种面向聊天机器人的混合策略式情感安抚系统 - Google Patents

Abstract

本发明公开了一种面向聊天机器人的混合策略式情感安抚系统和方法，以情感计算为核心并以此为基础具备任务完成、自动问答等一系列能力，有效填补了目前市场上已有的聊天机器人的各种不足。其技术方案为：系统包括：面向情感计算的语言理解模块，从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别；面向情感计算的对话管理模块，为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应；面向情感计算的语言生成模块，对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

Description

一种面向聊天机器人的混合策略式情感安抚系统

技术领域

本发明涉及一种人机交互技术，尤其涉及一种面向聊天机器人的混合策略式情感安抚系统。

背景技术

让机器和人聊天，是近几年人工智能领域最具挑战性的任务之一，得到了学术界和工业界的持续关注。1966年麻省理工学院(MIT)约瑟夫·魏泽鲍姆开发出ELIZA聊天系统，用于模拟心理医生。2011年IBM研发出深度问答系统Watson，在《危险边缘》的电视节目中成功击败了人类。2014年，微软推出了智能聊天机器人“小冰”和“小娜”，受到广泛关注。如今，以“小AI音箱”，“天猫精灵”为代表的智能音箱系统走进千家万户。不难看出，人机对话的技术得到了长足发展，应用范围涵盖了心理治疗、问答、闲聊、任务完成等场景，并快速深入各行各业。

情感和情绪的理解是人类最重要的认知行为之一，为了实现具有人类水平的行为和交流能力，机器人必须能够理解人类的认知行为。MIT副教授辛西娅·布雷齐尔曾提出，聊天机器人最重要的两个维度是使用价值和情感纽带。过分强调使用价值，机器人就会变成工具；但若只有情感纽带，机器人就变成了玩具。因此，兼具任务完成和情感计算的能力，是聊天机器人能真正体现其价值的一个重要的先决条件。所谓情感计算，就是通过赋予计算机识别、理解、表达和适应人的情感的能力来建立和谐人机环境，并使计算机具有更高的、全面的智能。

目前市场上已有的聊天机器人的架构如图1所示，是一种先语言理解，再对话管理，最后进行语言生成的基础框架。现有的聊天机器人有多种不足之处，主要体现在如下方面：

1.功能特点单一：目前已有的聊天机器人，要么侧重于任务完成，如“小娜”、“Watson”等，要么侧重于闲聊的智能，如“小冰”、“ELIZA”等，几乎找不到兼具任务完成和情感计算的聊天机器人。

2.缺乏情感计算：在闲聊方面有着突出表现的聊天机器人“小冰”，是通过规则或者记忆库的方式，让机器对用户进行“唱歌”，“写作”等响应，然而其系统并没有显式的情感计算模块，因此，这并不能称其为一个具有情感安抚功能的聊天机器人。

3.缺乏用户画像：聊天机器人的用户群体在年龄，性别，性格等诸多维度有着较大差异，然而现有的聊天机器人并不具备针对不同用户画像给出不同回复的能力。如果不能对用户画像显示的进行建模，就不可能进行成功的情感安抚。

4.缺乏机器人画像：现有的聊天机器人并不具备可以设置机器人人设的功能。这从一定程序上限制了机器人情感安抚的能力。例如，对于一个男性用户，在沮丧的时候可能就需要一个女性人设的机器人与之聊天，以达到更好的情感安抚的目的。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种面向聊天机器人的混合策略式情感安抚系统和方法，以情感计算为核心并以此为基础具备任务完成、自动问答等一系列能力，有效填补了目前市场上已有的聊天机器人的各种不足。

本发明的技术方案为：本发明揭示了一种面向聊天机器人的混合策略式情感安抚系统，系统包括：

面向情感计算的语言理解模块，用于对接收到的用户查询进行语言理解和情感理解，包括从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别；

面向情感计算的对话管理模块，连接面向情感计算的语言理解模块，用于为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应；

面向情感计算的语言生成模块，连接面向情感计算的对话管理模块，用于对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

根据本发明的面向聊天机器人的混合策略式情感安抚系统的一实施例，用户查询包括用户所说的话、用户画像和对话上下文，面向情感计算的语言理解模块进一步包括：

意图识别单元，从用户查询中识别出当前用户查询的意图标签，意图标签和任务关联，其中意图识别是通过使用了用户画像信息的基于神经网络的独立的分类模型进行语言理解；

词槽识别单元，通过基于神经网络的序列标注模型从用户查询中识别出当前用户查询的关键词槽，；以及

情感识别单元，通过基于神经网络的独立的多类别分类器模型识别用户查询中可能蕴含的情感类别。

根据本发明的面向聊天机器人的混合策略式情感安抚系统的一实施例，面向情感计算的对话管理模块进一步包括：

情感响应生成单元，用于为一个用户查询生成候选用户响应，其中对生成用户响应过程中的情感状态的转移进行显式的建模；

对话状态跟踪单元，用于根据多轮的对话来确定用户当前状态；以及

面向情感计算的对话策略学习单元，用于根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

根据本发明的面向聊天机器人的混合策略式情感安抚系统的一实施例，情感响应生成单元进一步包括编码器、解码器，其中编码器将用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容编码转换成对应的特征向量，解码器用于根据情感状态和注意力机制，将编码器编码得到的向量进行整合，逐词生成用户的候选响应，其中情感状态通过情感记忆网络控制，注意力机制通过注意力模型控制。

根据本发明的面向聊天机器人的混合策略式情感安抚系统的一实施例，面向情感计算的对话策略学习单元先枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分，再根据用户当前查询是否是任务完成型查询还是闲聊型查询以及当前的对话状态信息，用设定的策略对生成的多个候选情感进行重新打分，最终生成重排序的用户的响应。

本发明还揭示了一种面向聊天机器人的混合策略式情感安抚方法，方法包括：

步骤1：对接收到的用户查询进行语言理解和情感理解，包括从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别；

步骤2：为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应；

步骤3：对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

根据本发明的面向聊天机器人的混合策略式情感安抚方法的一实施例，用户查询包括用户所说的话、用户画像和对话上下文，步骤1中的意图标签的识别是通过使用了用户画像信息的基于神经网络的独立的分类模型进行语言理解来完成，其中意图标签和任务相关联；步骤1中的关键词槽的识别是通过基于神经网络的序列标注模型从用户查询中识别出当前用户查询的关键词槽；步骤1中的情感类别的识别是通过基于神经网络的独立的多类别分类器模型识别用户查询中可能蕴含的情感类别。

根据本发明的面向聊天机器人的混合策略式情感安抚方法的一实施例，步骤2进一步包括：

为一个用户查询生成候选用户响应，其中对生成用户响应过程中的情感状态的转移进行显式的建模；

根据多轮的对话来确定用户当前状态；

根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

根据本发明的面向聊天机器人的混合策略式情感安抚方法的一实施例，在候选用户响应生成的步骤中，先由编码器将用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容编码转换成对应的特征向量，再由解码器根据情感状态和注意力机制，将编码器编码得到的向量进行整合，逐词生成用户的候选响应，其中情感状态通过情感记忆网络控制，注意力机制通过注意力模型控制。

根据本发明的面向聊天机器人的混合策略式情感安抚方法的一实施例，步骤2中的生成重排序的用户响应的步骤进一步包括：

枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分；

根据用户当前查询是否是任务完成型查询还是闲聊型查询以及当前的对话状态信息，用设定的策略对生成的多个候选情感进行重新打分，最终生成重排序的用户的响应。

本发明对比现有技术有如下的有益效果：本发明的系统原理是基于混合策略的情感安抚聊天机器人，创新点如下：

1.兼具任务完成和情感安抚功能，并对它们做统一建模。

2.在传统的对话管理流程中显式的增加相应的情感计算模块。

3.基于用户画像进行情感识别，更加精准的捕捉用户的情感需求。

4.基于机器人画像进行情感生成，增强情感安抚的能力。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了现有的聊天机器人的架构图。

图2示出了本发明的面向聊天机器人的混合策略式情感安抚系统的实施例的原理图。

图3示出了本发明的面向情感计算的语言理解模块的示例图。

图4示出了本发明的面向情感计算的对话管理模块的原理图。

图5示出了本发明的情感生成网络的原理图。

图6示出了本发明的面向聊天机器人的混合策略式情感安抚方法的实施例的整体流程图。

图7示出了图6所示的方法中的步骤S2的细化流程图。

图8示出了图7所示的方法中的步骤S23的细化流程图。

具体实施方式

以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。

图2示出了本发明的面向聊天机器人的混合策略式情感安抚系统的实施例的原理，本实施例的系统包括面向情感计算的语言理解模块、面向情感计算的对话管理模块以及面向情感计算的语言生成模块。

面向情感计算的语言理解模块用于对接收到的用户查询进行语言理解和情感理解。具体而言，用户查询为整个系统提供输入，一般包括用户所说的话(utterance)、用户画像(一般包括用户的性别、年龄、性格等信息)、对话上下文(即最近几轮对话中的用户utterance)。

面向情感计算的语言理解模块是从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别。在本实施例中，面向情感计算的语言理解模块进一步包括意图识别单元、词槽识别单元和情感识别单元。

意图识别单元用于从用户查询中识别出当前用户查询的意图标签。意图标签包括：天气查询，机票预订，播放音乐等，意图标签通常和任务挂钩。意图识别采用了一种基于神经网络的独立的分类模型，模型中使用了用户画像信息，这使得语言理解更具有针对性。具体而言，意图识别的模型为基于bi-LSTM(双向长短记忆网络)的多类别分类器，类别集合为用户的意图标签。模型使用了utterance本身词特征以及用户画像(如性别、年龄、性格等)作为特征，这些特征被表示稀疏向量提供给LSTM进行训练。模型的训练数据为内部标注好的数据集。

词槽识别单元用于从用户查询中识别出当前用户查询的关键词槽。关键词槽包括：地名、航班号、音乐名称等。实体识别采用一种基于神经网络的序列标注模型。具体而言，词槽识别的训练模型为基于bi-LSTM(双向长短记忆网络)的序列标注模型，该模型为utterance中的每一个词赋予一个标记，用来标识每一个词是否属于某个特定的关键词槽及其在词槽中的位置。模型的训练数据为内部标注好的数据集。

情感识别单元用于识别用户查询中可能蕴含的情感类别。情感类别的标签：喜欢、悲伤、厌恶、快乐、空情感等，其中空情感表示用户当前的查询不带有情感。情感识别单元是一个基于神经网络的独立的多类别分类器。具体而言，模型采用NLPCC 2013、2014评测的情绪分类数据集进行训练。模型为基于bi-LSTM(双向长短记忆网络)的五类别分类器，类别集合为“喜欢、悲伤、厌恶、快乐、空情感”。

图3示出了面向情感计算的语言理解模块的原理的示例。在示例中，用户查询是“帮我订一张下周一去北京的机票”，分别作为意图识别单元、词槽识别单元和情感识别单元的输入，在意图识别单元中识别为“机票预订”，在词槽识别单元中识别出“北京：<地名>”，在情感识别单元中识别为“空情感”。

面向情感计算的对话管理模块用于为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应。如图4所示，面向情感计算的对话管理模块分为情感响应生成单元、对话状态跟踪单元和面向情感计算的对话策略学习单元。

情感响应生成单元用于为一个用户查询生成候选用户响应，这一单元是由如图5所示构成的神经网络，对生成用户响应过程中的情感状态的转移进行显式的建模。这一神经网络模型的主干是目前主流的编码器和解码器。

编码器负责对用户查询的三个组成部分(用户utterance、用户画像、对话上下文)以及面向情感计算的语言理解模块的三个输出(意图标签、关键词槽、情感类别)进行编码。由于用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容的原始格式是字符串，因此，需要将它们进行编码，即转换成可计算的向量。对于utterance，利用bi-LSTM(双向长短记忆网络)网络对其进行编码；对于用户画像、对话上下文，意图标签，关键词槽和情感类别，则通过查询编码表的方式，获取其编码。例如，对用户画像中的性别“女性”，通过查表的方式，得到其向量表示，我们称之为特征向量。初始时，bi-LSTM网络和编码表和的权重是随机初始化的，其值在整个神经网络训练时被更新。

解码器是将编码器编码得到的向量进行整合，生成用户的候选响应。解码器内部是一个LSTM的网络，它负责根据情感状态和注意力机制，逐词生成用户响应。情感状态和注意力机制由下面两个部分网络控制：

a)情感记忆网络：根据上一个时刻生成的词和特征向量，从情感记忆体中进行读操作，得到当前情感状态，供LSTM子网络使用。同时，情感记忆体进行一次状态更新。

b)注意力模型：根据上一个时刻生成的词和用户utterance的信息，生成注意力向量，供LSTM子网络使用。

经过编码和解码两个阶段，聊天机器人就针对一个用户查询生成了候选用户响应，供面向情感计算的对话策略学习单元使用。

对话状态跟踪单元用于根据多轮的对话来确定用户当前的目标到底进行到了什么程度。这一单元是所有对话系统必须的模块，为完成用户的任务提供了支撑。

面向情感计算的对话策略学习单元用于根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

重排序算法分为如下两步：

第一步，枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分；

第二步，根据用户当前查询是否是任务完成型查询还是闲聊型查询，以及当前的对话状态等信息，用设定的策略对上一步的多个候选情感进行重新打分，生成重排序的用户的响应。

面向情感计算的语言生成模块对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像，生成最终的用户响应，使得聊天机器人的情绪安抚能力得到最终提升。

图6示出了本发明的面向聊天机器人的混合策略式情感安抚方法的实施例的整体流程。请参见图6，下面是对本实施例的方法的实施步骤的详细描述。

步骤S1：对接收到的用户查询进行语言理解和情感理解，包括从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别。

本实施例中的用户查询包括用户所说的话(utterance)、用户画像(一般包括用户的性别、年龄、性格等信息)、对话上下文(即最近几轮对话中的用户utterance)。

在步骤S1中，意图标签的识别是通过使用了用户画像信息的基于神经网络的独立的分类模型进行语言理解来完成，其中意图标签和任务相关联，由于使用了用户画像信息，从而使得语言理解更具有针对性；关键词槽的识别是通过基于神经网络的序列标注模型从用户查询中识别出当前用户查询的关键词槽，关键词槽包括：地名、航班号、音乐名称等；情感类别的识别是通过基于神经网络的独立的多类别分类器模型识别用户查询中可能蕴含的情感类别，情感类别的标签：喜欢、悲伤、厌恶、快乐、空情感等，其中空情感表示用户当前的查询不带有情感。

在图3的示例中，用户查询是“帮我订一张下周一去北京的机票”，通过意图识别的处理识别为“机票预订”，通过词槽识别单元的处理识别出“北京：<地名>”，通过情感识别的处理识别为“空情感”。

步骤S2：为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应。

图7示出了步骤S2的细化流程，结合图7：

步骤S21：为一个用户查询生成候选用户响应，其中对生成用户响应过程中的情感状态的转移进行显式的建模。

这一步骤依赖的神经网络模型的主干是目前主流的编码器和解码器。在候选用户响应生成的步骤中，先由编码器将用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容编码转换成对应的特征向量，对于utterance，利用bi-LSTM(双向长短记忆网络)网络对其进行编码；对于用户画像、对话上下文，意图标签，关键词槽和情感类别，则通过查询编码表的方式，获取其编码。例如，对用户画像中的性别“女性”，通过查表的方式，得到其向量表示，我们称之为特征向量。初始时，bi-LSTM网络和编码表和的权重是随机初始化的，其值在整个神经网络训练时被更新。再由解码器根据情感状态和注意力机制，将编码器编码得到的向量进行整合，逐词生成用户的候选响应，解码器内部是一个LSTM的网络，它负责根据情感状态和注意力机制，逐词生成用户响应。情感状态和注意力机制由下面两个部分网络控制：

a)情感记忆网络：根据上一个时刻生成的词和特征向量，从情感记忆体中进行读操作，得到当前情感状态，供LSTM子网络使用。同时，情感记忆体进行一次状态更新。

b)注意力模型：根据上一个时刻生成的词和用户utterance的信息，生成注意力向量，供LSTM子网络使用。

经过编码和解码两个阶段，聊天机器人就针对一个用户查询生成了候选用户响应。

步骤S22：根据多轮的对话来确定用户当前状态。

步骤S23：根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

图8示出了步骤S23的细化流程，结合图8所示：

步骤S231：枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分。

步骤S232：根据用户当前查询是否是任务完成型查询还是闲聊型查询以及当前的对话状态信息，用设定的策略对生成的多个候选情感进行重新打分，最终生成重排序的用户的响应。

步骤S3：对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种面向聊天机器人的混合策略式情感安抚系统，其特征在于，系统包括：

面向情感计算的语言理解模块，用于对接收到的用户查询进行语言理解和情感理解，包括从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别；

面向情感计算的对话管理模块，连接面向情感计算的语言理解模块，用于为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应；以及

面向情感计算的语言生成模块，连接面向情感计算的对话管理模块，用于对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

2.根据权利要求1所述的面向聊天机器人的混合策略式情感安抚系统，其特征在于，用户查询包括用户所说的话、用户画像和对话上下文，面向情感计算的语言理解模块进一步包括：

意图识别单元，从用户查询中识别出当前用户查询的意图标签，意图标签和任务关联，其中意图识别是通过使用了用户画像信息的基于神经网络的独立的分类模型进行语言理解；

词槽识别单元，通过基于神经网络的序列标注模型从用户查询中识别出当前用户查询的关键词槽；

情感识别单元，通过基于神经网络的独立的多类别分类器模型识别用户查询中可能蕴含的情感类别。

3.根据权利要求2所述的面向聊天机器人的混合策略式情感安抚系统，其特征在于，面向情感计算的对话管理模块进一步包括：

情感响应生成单元，用于为一个用户查询生成候选用户响应，其中对生成用户响应过程中的情感状态的转移进行显式的建模；

对话状态跟踪单元，用于根据多轮的对话来确定用户当前状态；以及

面向情感计算的对话策略学习单元，用于根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

4.根据权利要求3所述的面向聊天机器人的混合策略式情感安抚系统，其特征在于，情感响应生成单元进一步包括编码器、解码器，其中编码器将用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容编码转换成对应的特征向量，解码器用于根据情感状态和注意力机制，将编码器编码得到的向量进行整合，逐词生成用户的候选响应，其中情感状态通过情感记忆网络控制，注意力机制通过注意力模型控制。

5.根据权利要求4所述的面向聊天机器人的混合策略式情感安抚系统，其特征在于，面向情感计算的对话策略学习单元先枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分，再根据用户当前查询是否是任务完成型查询还是闲聊型查询以及当前的对话状态信息，用设定的策略对生成的多个候选情感进行重新打分，最终生成重排序的用户的响应。

6.一种面向聊天机器人的混合策略式情感安抚方法，其特征在于，方法包括：

步骤1：对接收到的用户查询进行语言理解和情感理解，包括从用户查询中识别出当前用户查询的意图标签、关键词槽和可能蕴含的情感类别；

步骤2：为用户查询生成候选用户响应，根据通过多轮对话确定的对话状态对生成的候选情感响应进行重排序，并生成重排序的用户响应；

步骤3：对面向情感计算的对话管理模块输出的重排序的用户响应，根据用户设定的机器人画像生成最终的用户响应。

7.根据权利要求6所述的面向聊天机器人的混合策略式情感安抚方法，其特征在于，用户查询包括用户所说的话、用户画像和对话上下文，步骤1中的意图标签的识别是通过使用了用户画像信息的基于神经网络的独立的分类模型进行语言理解来完成，其中意图标签和任务相关联；步骤1中的关键词槽的识别是通过基于神经网络的序列标注模型从用户查询中识别出当前用户查询的关键词槽；步骤1中的情感类别的识别是通过基于神经网络的独立的多类别分类器模型识别用户查询中可能蕴含的情感类别。

8.根据权利要求7所述的面向聊天机器人的混合策略式情感安抚方法，其特征在于，步骤2进一步包括：

为一个用户查询生成候选用户响应，其中对生成用户响应过程中的情感状态的转移进行显式的建模；

根据多轮的对话来确定用户当前状态；

根据对话状态，对生成的候选情感响应进行重排序，生成重排序的用户响应。

9.根据权利要求8所述的面向聊天机器人的混合策略式情感安抚方法，其特征在于，在候选用户响应生成的步骤中，先由编码器将用户画像、对话上下文、意图标签、关键词槽、情感类别这五部分内容编码转换成对应的特征向量，再由解码器根据情感状态和注意力机制，将编码器编码得到的向量进行整合，逐词生成用户的候选响应，其中情感状态通过情感记忆网络控制，注意力机制通过注意力模型控制。

10.根据权利要求9所述的面向聊天机器人的混合策略式情感安抚方法，其特征在于，步骤2中的生成重排序的用户响应的步骤进一步包括：

枚举用户所有可能的情感标签，用情感生成网络计算各自的候选情感生成，并计算得分；

根据用户当前查询是否是任务完成型查询还是闲聊型查询以及当前的对话状态信息，用设定的策略对生成的多个候选情感进行重新打分，最终生成重排序的用户的响应。