CN109271498B - 面向虚拟机器人的自然语言交互方法及系统 - Google Patents

Abstract

本发明提供一种面向虚拟机器人的自然语言交互方法及系统，对经过自动语音识别处理的用户输入的文本信息进行文本预处理，基于用户定义的指令模板集确定用户意图，根据不同的用户意图，实施对应的语用分析与处理，包括通用指令处理、领域知识查询与推理、开放领域聊天。该种面向虚拟机器人的自然语言交互方法，能够在用户“零干预”的情况下，同时满足用户的意图交互、咨询交互以及开放聊天的所有自然语言交互需求。

Description

面向虚拟机器人的自然语言交互方法及系统

技术领域

本发明涉及一种面向虚拟机器人的自然语言交互方法及系统。

背景技术

在进入移动互联网和物联网时代之后，社交网络会发挥更大的作用。用户需要筛选、接收和处理的信息量会越变越大，而不同的操作系统有不同的用户界面、操作方式与系统功能。普通用户在不同系统、产品之间切换的时候，还需要花费大量时间去熟悉产品。然而用户与生不变的是自然语言交流能力。所以智能自然语言交互将成为下一代人机交互的主要手段。

自然语言交互本质上并不仅仅是一种交互方式，而是对于人和系统之间关系的重新定位和组织。对于目前的计算机系统来说，其交互的过程仍然是“发出指令、接收指令、运算(思考)、反馈结果”的循环，自然语言操作也不会改变这个基本过程，因为这本身就是“对话”。自然语言交互改变的是系统和人之间的关系。

自然语言交互的核心包括自然语言的识别和自然语言理解两部分。目前，在中文的自然语言识别上，百度、微软、科大讯飞以及灵云等产品借助深度网络等相关技术已经取得了较大的进展。而在自然语言理解方面，特别是针对特定应用领域的自然语言理解上，却相对比较滞后。自然语言理解目前的主要工作还集中在中文分词、句法依赖分析基础之上，对于面向应用领域的自然语言理解，特别是自然语言的语用分析上还缺乏深入的研究。

所谓自然语言的语用分析，主要是指在接收到自然语言的文本内容后，如何根据根据用户的需求，做出相关的的响应输出，响应输出的形式也将根据理解的内容不同而有所不同。大致说来，在虚拟机器人系统中，自然语言的输入主要包括三部分：1)指令性交互内容；2)领域知识查询交互；3)开放领域对话系统。

目前的语义解析系统较少涉及到相关的研究内容。另外，针对不同的应用领域，通用的语义解析也存在一定的问题。

发明内容

本发明的目的是提供一种面向虚拟机器人的自然语言交互方法及系统解决现有技术中存在的如何满足用户和虚拟机器人之间的多模态交互的问题。

本发明的技术解决方案是：

一种面向虚拟机器人的自然语言交互方法，包括以下步骤，

S1、对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户定义的领域字典的中文分词、中文的语义依赖分析；

S2、基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询以及暂时无法正确判定明确意图的自由聊天；

S3、根据不同的用户意图，实施对应的语用分析与处理，包括通用指令处理、领域知识查询与推理和开放领域聊天。

进一步地，步骤S1具体为，

S11、基于用户定义的领域字典，采用中文分词软件对经过自动语音识别处理的用户输入的文本信息进行中文分词，经过分词处理后的结果为带用户标记的中文词数组；

S12、利用中文语法解析器结合带标记的中文分词数组，得到语义解析三元组，其形如<subject，predict，object>，为后续概念图的合并做准备。

进一步地，步骤S2具体为，

S21、用户基于用户需求定义用户指令集，包括原子指令集、模板指令集以及正则指令集；

S22、以用户指令模块集为基础，通过模式匹配，确定用户输入中所包含的用户意图，并根据不同的用户意图进行对应处理；

S23、根据用户的交互结果更新用户交互的上下文。

进一步地，步骤S3具体为，

S31、对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户意图做出相应的响应；

S32、对于用户做出的关于特定应用领域的知识查询，将基于用户给定输入文本，基于用户给定的领域知识图谱，通过语义推理，获取用户咨询的相关知识；

S33、当对用户输入的文本信息无法正确判定明确意图的，将调用后台的对话系统响应用户的请求输入。

进一步地，步骤S32具体为，

S321、根据用户提供的领域知识信息，采用Protege构建领域知识图谱；

S322、调用相应的咨询领域解析器，加载步骤S321所构建的领域知识图谱，初始化领域知识图谱解析器；

S323、结合用户输入文本以及预处理结果，基于领域知识图谱解析器构建用户交互概念图；

S3231、若步骤S23中的对话上下文中上一轮对话的概念图为空，直接进入步骤S324；

S3232、若步骤S23中的对话上下文中上一轮对话的概念图不为空，则调用概念图合并方法合并两概念图，得到新的概念图，并进入步骤S324；

S324、根据所构建的概念图生成SPARQL(SPARQL Protocol and RDF QueryLanguage，sparql协议与RDF查询语言)查询语句，调用领域知识图谱解析器获取用户所需要的相关知识。

进一步地，步骤S321具体为，

S3211、采用斯坦福大学提供的本体编辑工具Protege构建基础领域知识图谱，根据用户提供的领域知识资料即固定格式的excel文档，提前构建领域相关的基础类、数据属性、对象属性以及对象属性的定义域、值域；

S3212、编写从JSON(JavaScript Object Notation)规则文档，以将步骤S3211中的excel文档导入成owl(Ontology Web Language,Web本体语言)领域知识图谱；

S3213、在基础领域知识图谱的基础上，结合Protege的cellfie插件、用户提供的excel文档和编写好的json规则文档实现领域知识图谱的快速构建。

进一步地，步骤S33中，对话系统通过消息总线的方式与语义解析系统进行交互，对话系统在收到语义解析系统的聊天请求后将启动业务逻辑对用户的聊天请求做出相应的应答，具体为：

S331、对话系统将根据用户输入的机器人个人化参数选择对应的对话语料库进行加载以产生出个性化的应答输出；

S332、基于对话语料库和用户的输入信息进行文本相似度计算以匹配对话系统的输出。

进一步地，步骤S332中，

S3321、当文本相似度大于设定的阈值的时候，选择对话系统的语料对应输出作为聊天机器人的应答输出；

S3322、当文本相似度小于设定的阈值的时候，对话系统将启动基于深度网络训练的模型来自主生成相应的输出。

一种实现上述任一项面向虚拟机器人的自然语言交互方法的面向虚拟机器人的自然语言交互系统，包括文本预处理模块、用于意图识别模块与语用分析与处理模块，

文本预处理模块：对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户字典的中文分词、中文的语义依赖分析；

用于意图识别模块：基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询和无法正确判定明确意图的自由聊天；

语用分析与处理模块：根据不同的用户意图，实施对应的语用分析与处理。

进一步地，语用分析与处理模块包括通用指令处理单元、领域知识查询与推理单元、开放领域聊天单元，

通用指令处理单元：对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户的意图做出相应的响应；

领域知识查询与推理单元：对于用户做出的关于特定应用领域的知识查询，将根据用户提供的领域知识信息，采用Protege构建领域知识图谱，通过基于语义的推理，获取用户所需要的知识；

开放领域聊天单元：当对用户输入的文本信息无法正确判定明确意图的，将调用后台的对话系统，来响应用户的请求输入。

本发明的有益效果是：该种面向虚拟机器人的自然语言交互方法及系统，与现有技术相比，其显著优点为：

一、该种面向虚拟机器人的自然语言交互方法及系统，能够在用户“零干预”的情况下，同时满足用户的意图交互、咨询交互以及开放聊天的交互的所有自然语言交互需求。

二、本发明中，指令性交互的指令集可以通过配置文件实施灵活配置和选择，并能够实现灵活的扩展。

三、本发明中，领域信息的咨询可以灵活配置，并能适应不同的知识图谱，并能基于不同的领域产生领域相关的输出。

四、该种面向虚拟机器人的自然语言交互方法及系统，松散耦合的开放领域聊天能够为用户提供个性化的聊天输出。

附图说明

图1是本发明实施例面向虚拟机器人的自然语言交互方法的说明示意图。

图2是实施例中基于知识图谱的领域知识查询示意图。

图3是实施例中开放领域聊天的说明示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

结合图1，实施例的一种面向虚拟机器人的自然语言交互方法及系统，以自动语音识别(ASR)和文本转换输出(TTS)为基础，对用户输入的文本信息进行理解，并生成相应的响应输出。

实施例提供的面向虚拟机器人的自然语言交互方法及系统，预先加载用户字典并建立存储了用户所定义指令模板集，在接收用户输入的自然语言后，将所述自然语言对应的文本内容与用户所定义的指令模板集中的模板进行匹配，以确定用户意图。

一种面向虚拟机器人的自然语言交互方法，包括以下步骤，

S1、对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户字典的中文分词、中文的语义依赖分析。

步骤S1具体为，

S11、采用中文分词软件对经过自动语音识别处理的用户输入的文本信息进行中文分词，得到带标记的中文分词数组。

S12、利用中文语法解析器结合带标记的中文分词数组，得到语义解析三元组，为后续概念图的合并做准备。

S2、基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询和无法正确判定明确意图。

步骤S2具体为，

S21、用户基于用户需求定义的用户指令集，包括原子指令集、模板指令集以及正则指令集。用户指令集模板格式如下：

其中，mode＝"ATOM"表示原子指令，当且仅当用户输入文本与原子指令完全匹配时，才能确定用户输入文本信息隶属于对应领域；mode＝"REG"表示正则指令，当用户用户输入文本与正则指令可以匹配时，则确定用户输入文本信息隶属于对应领域；mode＝"TEMPLATE"表示模板指令，当用户用户输入文本满足模板指令的格式时，则确定用户输入文本信息隶属于对应领域。

例如，经过ASR处理的用户输入文本信息，如：“明天南京天气怎么样”，通过和如上所示的用户所定义指令集模板进行匹配，可以匹配Weather领域下的模板指令<Patternmode＝"TEMPLATE">###(天气|气候)(怎样|怎么样|如何)</Pattern>，我们可以确定该文本是指令性交互内容，隶属于Weather领域。在确定了领域解析器后，算法调用相应的领域解析器对文本进行语义解析，而语义理解的前提是需要对文本进行中文分词等预处理，其基本步骤如下所示：

根据所文本意图识别结果，初始化相应的语义解析器，经过中文分词后得到带标记的分词结果为：“明天/t,南京/ns,天气/n,怎么样/ryv”；

遍历带标记的分词结果提取领域相关信息，如“南京/ns”,获得地名信息，说明所要查询天气的城市是“南京”；

利用第三方的语法、分词系统的分析结果对文本输入实施语义解析，得到结构化的自然语义理解结果。

S22、以用户指令模块集为基础，通过模式匹配技术，确定用户输入中所包含的用户意图，并根据不同的用户意图来进行对应处理。

S23、根据用户的交互结果更新用户交互的对话上下文。

S3、根据不同的用户意图，实施对应的语用分析与处理，包括通用指令处理、领域知识查询与推理和开放领域聊天。

步骤S3具体为，

S31、对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户的意图做出相应的响应。

S32、对于用户做出的关于特定应用领域的知识查询，将基于用户给定输入文本，基于用户给定的领域知识图谱，通过语义推理，获取用户所咨询的相关知识。

当自然语言的输入经过基于用户定义的指令集模板明确意图为领域知识查询时，将基于用户给定的输入文本以及给定的领域知识图谱，通过基于语义的推理，获取用户所需要的相关知识，如图2所示。

S321、根据用户提供的领域知识信息，采用Protege构建领域知识图谱，具体为，

S3211、采用Protege构建基础领域知识图谱，根据用户提供的领域知识资料即固定格式的excel文档，提前构建领域相关的基础类、数据属性、对象属性以及对象属性的定义域、值域；

S3212、编写从步骤S321中excel文档导入实现owl领域知识图谱的快速构建的json规则文档，构建某个类的子类规则模板如下所示：

sheetName：代表Excel工作簿名称，startRow：2代表从第二行开始.

rule代表规则：Class表示新建类，@D*表示新建的类的名字为第D列的从第二行开始的所有内容；SubClassOf表示新建的类属于@A1子类。@A1代表A1表格中的内容。

S3213、在基础领域知识图谱的基础上，结合cellfie插件、用户提供的excel文档、编写好的json规则文档实现领域知识图谱的快速构建。

S322、调用相应的咨询领域解析器，加载步骤S321所构建的领域知识图谱，初始化领域知识图谱解析器。

S323、结合用户输入文本以及预处理结果，基于领域知识图谱解析器构建用户交互概念图。

S3231、若如图1所示的步骤S23中的上下文中上一轮对话的概念图为空，直接进入步骤S324；

S3232、若如图1所示的步骤S23中的上下文中上一轮对话的概念图不为空，则调用概念图合并方法合并两概念图，得到新的概念图，并进入步骤S324；

S324、根据所构建的概念图生成SPARQL查询语句，调用领域知识图谱解析器获取用户所需要的相关知识。

S33、当对用户输入的文本信息无法正确判定明确意图的，将调用后台的对话系统，来响应用户的请求输入。

当自然语言的输入经过基于用户定义的指令集模板无法正确判定其明确意图时，将调用后台的开放领域聊天，来响应用户的请求输入。如图3所示，是开放领域聊天的说明示意图，具体的实施方式如下：

步骤S33中，对话系统通过消息总线的方式与语义解析系统进行交互，对话系统在收到语义解析模块的聊天请求后将启动业务逻辑来对用户的聊天请求做出相应的应答，具体为：

S331、对话系统将根据用户输入的机器人个性化参数选择对应的语料库进行加载以产生出个性化的应答输出；

S332、基于语料和用户的输入信息进行文本相似度计算以匹配对话系统的语料输出。

步骤S332中，

S3321、当文本相似度大于设定的阈值的时候，选择对话系统的语料对应输出作为聊天机器人的应答输出；

S3322、当文本相似度小于设定的阈值的时候，对话系统将启动基于深度网络训练的模型来自主生成相应的输出，输出的结果将根据所采用模型的不同而有所不同。

一种实现上述任一项面向虚拟机器人的自然语言交互方法的面向虚拟机器人的自然语言交互系统，包括文本预处理模块、用于意图识别模块与语用分析与处理模块，

文本预处理模块：对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户字典的中文分词、中文的语义依赖分析；

用于意图识别模块：基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询和无法正确判定明确意图；

语用分析与处理模块：根据不同的用户意图，实施对应的语用分析与处理，包括通用指令处理、领域知识查询与推理和开放领域聊天。

语用分析与处理模块包括通用指令处理单元、领域知识查询与推理单元和开放领域聊天单元，

通用指令处理单元：对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户的意图做出相应的响应；

领域知识查询与推理单元：对于用户做出的关于特定应用领域的知识查询，将根据用户提供的领域知识信息，采用Protege构建领域知识图谱，通过语义推理，获取用户所咨询的知识；

开放领域聊天单元：当对用户输入的文本信息无法正确判定明确意图时，将调用后台的对话系统，来响应用户的请求输入。

该种面向虚拟机器人的自然语言交互方法及系统，能够在用户“零干预”的情况下，同时满足用户的意图交互、咨询交互以及开放聊天的所有自然语言交互需求。

实施例中，指令性交互的指令集可以通过配置文件实施灵活配置和选择，并能够实现灵活的扩展。领域信息的咨询可以灵活配置，并能适应不同的知识图谱，并能基于不同的领域产生领域相关的输出。该种面向虚拟机器人的自然语言交互方法及系统，松散耦合的开放领域聊天能够为用户提供个性化的聊天输出。

Claims (7)

1.一种面向虚拟机器人的自然语言交互方法，其特征在于：包括以下步骤，

S1、对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户定义的领域字典的中文分词、中文的语义依赖分析；

S2、基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询以及暂时无法正确判定明确意图的自由聊天；步骤S2具体为，

S21、用户基于用户需求定义用户指令集，包括原子指令集、模板指令集以及正则指令集；

S22、以用户指令模块集为基础，通过模式匹配，确定用户输入中所包含的用户意图，并根据不同的用户意图进行对应处理；

S23、根据用户的交互结果更新用户交互的上下文；

S3、根据不同的用户意图，实施对应的语用分析与处理，包括通用指令处理、领域知识查询与推理、开放领域聊天；步骤S3具体为，

S31、对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户意图做出相应的响应；

S32、对于用户做出的关于特定应用领域的知识查询，将基于用户给定输入文本，基于用户给定的领域知识图谱，通过语义推理，获取用户咨询的相关知识；步骤S32具体为，

S321、根据用户提供的领域知识信息，采用Protege构建领域知识图谱；

S322、调用相应的咨询领域解析器，加载步骤S321所构建的领域知识图谱，初始化领域知识图谱解析器；

S323、结合用户输入文本以及预处理结果，基于领域知识图谱解析器构建用户交互概念图；

S3231、若步骤S23中的对话上下文中上一轮对话的概念图为空，直接进入步骤S324；

S3232、若步骤S23中的对话上下文中上一轮对话的概念图不为空，则调用概念图合并方法合并两概念图，得到新的概念图，并进入步骤S324；

S324、根据所构建的概念图生成SPARQL查询语句，调用领域知识图谱解析器获取用户所需要的相关知识；

S33、当对用户输入的文本信息无法正确判定明确意图的，将调用后台的对话系统响应用户的请求输入。

2.如权利要求1所述的面向虚拟机器人的自然语言交互方法，其特征在于：步骤S1具体为，

S11、基于用户定义的领域字典，采用中文分词软件对经过自动语音识别处理的用户输入的文本信息进行中文分词，经过分词处理后的结果为带用户标记的中文词数组；

S12、利用中文语法解析器结合带标记的中文分词数组，得到语义解析三元组，为后续概念图的合并做准备。

3.如权利要求1所述的面向虚拟机器人的自然语言交互方法，其特征在于：步骤S321具体为，

S3211、采用斯坦福大学提供的本体编辑工具Protege构建基础领域知识图谱，根据用户提供的领域知识资料即固定格式的excel文档，提前构建领域相关的基础类、数据属性、对象属性以及对象属性的定义域、值域；

S3212、编写从JSON规则文档，以将步骤S3211中的excel文档导入成owl领域知识图谱；

S3213、在基础领域知识图谱的基础上，结合Protege的cellfie插件、用户提供的excel文档、编写好的json规则文档实现领域知识图谱的快速构建。

4.如权利要求1所述的面向虚拟机器人的自然语言交互方法，其特征在于：步骤S33中，对话系统通过消息总线的方式与语义解析系统进行交互，对话系统在收到语义解析系统的聊天请求后将启动业务逻辑对用户的聊天请求做出相应的应答，具体为：

S331、对话系统将根据用户输入的机器人个人化参数选择对应的对话语料库进行加载以产生出个性化的应答输出；

S332、基于对话语料库和用户的输入信息进行文本相似度计算以匹配对话系统的输出。

5.如权利要求4所述的面向虚拟机器人的自然语言交互方法，其特征在于：步骤S332中，

S3321、当文本相似度大于设定的阈值的时候，选择对话系统语料的对应输出作为聊天机器人的应答输出；

S3322、当文本相似度小于设定的阈值的时候，对话系统将启动基于深度网络训练的模型来自主生成相应的输出。

6.一种实现权利要求1-5任一项所述面向虚拟机器人的自然语言交互方法的面向虚拟机器人的自然语言交互系统，其特征在于：包括文本预处理模块、用于意图识别模块和语用分析与处理模块，

文本预处理模块：对经过自动语音识别处理的用户输入的文本信息进行文本预处理，包括基于用户字典的中文分词、中文的语义依赖分析；

用于意图识别模块：基于用户定义的指令模板集确定用户意图，包括指令性交互、特定应用领域的知识查询和无法正确判定明确意图的自由聊天；

语用分析与处理模块：根据不同的用户意图，实施对应的语用分析与处理。

7.如权利要求6所述的面向虚拟机器人的自然语言交互系统，其特征在于：语用分析与处理模块包括通用指令处理单元、领域知识查询与推理单元、开放领域聊天单元，

通用指令处理单元：对于用户的指令性交互，基于对文本的语法依赖分析，识别交互中的意图参数，虚拟机器人将根据用户的意图做出相应的响应；

领域知识查询与推理单元：对于用户做出的关于特定应用领域的知识查询，将根据用户提供的领域知识信息，采用Protege构建领域知识图谱，通过基于语义的推理，获取用户所需要的知识；

开放领域聊天单元：当对用户输入的文本信息无法正确判定明确意图的，将调用后台的对话系统，来响应用户的请求输入。

Images