CN111177310A - 电力服务机器人智能场景会话方法及装置 - Google Patents

Abstract

本发明公开了一种基于自然语言理解的电力服务机器人智能场景会话方法及装置，其中所述方法包括：电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；在会话流程内对文本信息进行文字实体抽取处理，获得实体信息；在会话流程内对文本信息进行表达式解析，获得表达式解析结果；基于实体信息和表达式解析结果在话流程内选择会话节点，基于会话节点利用自然语言理解模型对文本信息进行上下文结合更新处理，获得上下文结合更新结果；根据上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。在本发明实施例中，可以实现与用户在多轮交互中无障碍交流，提高用户交互体验。

Description

电力服务机器人智能场景会话方法及装置

技术领域

本发明涉及人机交互技术领域，尤其涉及一种基于自然语言理解的电力服务机器人智能场景会话方法及装置。

背景技术

自然语言处理(N LP,Natural Language Processing)是使用自然语言同计算机进行通讯的技术,因为处理自然语言的关键是要让计算机“理解”自然语言,所以自然语言处理又叫做自然语言理解(NLU,Natural Language Understanding),也称为计算语言学(Computational Ling uistics)。一方面它是语言信息处理的一个分支,另一方面它是人工智能(AI,Artificial Intelligence)的核心课题之一。

现有的电力服务机器人智能场景会话技术均是基于自然语言理解的FAQ对话技术，是基于用户的提问，运用自然语言理解技术进行处理，匹配用户意图后，返回答案给用户；但是基于自然语言理解的FAQ对话技术，仅局限于一问一答的形式，没有上下文关联的能力，虽然可以将自然语言处理技术运用其中，但是还是不能给用户自然地对话体验。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于自然语言理解的电力服务机器人智能场景会话方法及装置，可以实现与用户在多轮交互中无障碍交流，提高用户交互体验。

为了解决上述技术问题，本发明实施例提供了一种基于自然语言理解的电力服务机器人智能场景会话方法，所述方法包括：

电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；以及，

在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

可选的，所述电力服务机器人基于用户输入的文本信息进行用户意图识别处理，包括：

基于所述电力服务机器人获得所述用户输入的文本信息；

基于意图匹配对所述文本信息进行用户意图识别处理。

可选的，所述基于所述电力服务机器人获得所述用户输入的文本信息，包括：

基于用户在所述电力服务机器人操作界面上输入的文字信息获得所述文本信息；或，

基于用户通过所述电力服务机器人的音频采集设备输入的语音信息进行文本信息转换处理，获得所述文本信息。

可选的，所述基于意图匹配对所述文本信息进行用户意图识别处理，包括：

基于词表穷举法对所述文本信息进行词表拆分，基于拆分的词表直接匹配的方式进行用户意图识别处理；或，

基于规则解析法对所述文本信息进行分词解析，基于解析的分词匹配的方式进行用户意图识别处理；或，

基于机器学习法对所述文本信息进行意图学习分类，并基于意图学习分类结果进行用户意图识别处理。

可选的，所述在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，包括：

基于长短期记忆网络和条件随机场在所述会话流程内对所述文本信息进行文字实体抽取处理，获得抽取实体信息；

对所述抽取实体信息进行实体融合归一化处理，获得所述文本信息中的实体信息。

可选的，所述在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果，包括：

在所述会话流程内基于正则表达式对所述文本信息进行表达式解析，获得表达式解析结果。

可选的，所述自然语言理解模型的训练包括：

获得会话中的样本文本信息，所述样本文本信息包括历史节点、历史上下文信息、会话意图信息以及历史实体信息；

将所述样本文本信息中的词进行向量化处理，获取所述样本信息中的词向量；

将所述词向量输入所述自然语言理解模型中进行样本训练，输出训练结果；

判断所述输出训练结果是否达到预设阈值，若是，则判断所述自然语言理解模型训练收敛，若否，则利用所述样本文本信息进行继续训练。

可选的，所述基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果，包括：

将所述文本信息输入所述自然语言理解模型中获得输出文本信息；

基于所述电力服务机器人获得所述文本信息的对应的人工标注数据；

基于所述输出文本信息以及所述文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

可选的，所述基于上下文节点跳转处理结果进行场景会话回复，包括：

基于所述上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复；

所述历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

另外，本发明实施例还提供了一种基于自然语言理解的电力服务机器人智能场景会话装置，所述装置包括：

会话流程构建模块：用于电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

实体抽取模块：用于在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；以及，

表达式解析模块：用于在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

结合更新模块：用于基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

场景会话回复模块：用于根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

在本发明实施例中，通过对用户输入的文本信息在进行会话识别后构建的会话流程内依次进行实体抽取、表达式解析和会话节点选择，并结合上下文进行语义更新，在通过上下文节点跳转等处理，来进行场景会话回复用户，这样可以实现电力服务机器人与用户之间在在多轮交互中实现无障碍交流；可以有效的解决以往一问一答的形式，从全方面、多领域、深层次上解决用户问题，提高用户的交互体验。

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使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于自然语言理解的电力服务机器人智能场景会话方法的流程示意图；

图2是本发明实施例中的基于自然语言理解的电力服务机器人智能场景会话装置的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

请参阅图1，图1是本发明实施例中的基于自然语言理解的电力服务机器人智能场景会话方法的流程示意图。

如图1所示，一种基于自然语言理解的电力服务机器人智能场景会话方法，所述方法包括：

S11：电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

在本发明具体实施过程中，所述电力服务机器人基于用户输入的文本信息进行用户意图识别处理，包括：基于所述电力服务机器人获得所述用户输入的文本信息；基于意图匹配对所述文本信息进行用户意图识别处理。

进一步的，所述基于所述电力服务机器人获得所述用户输入的文本信息，包括：基于用户在所述电力服务机器人操作界面上输入的文字信息获得所述文本信息；或，基于用户通过所述电力服务机器人的音频采集设备输入的语音信息进行文本信息转换处理，获得所述文本信息。

进一步的，所述基于意图匹配对所述文本信息进行用户意图识别处理，包括：基于词表穷举法对所述文本信息进行词表拆分，基于拆分的词表直接匹配的方式进行用户意图识别处理；或，基于规则解析法对所述文本信息进行分词解析，基于解析的分词匹配的方式进行用户意图识别处理；或，基于机器学习法对所述文本信息进行意图学习分类，并基于意图学习分类结果进行用户意图识别处理。

具体的，首先是通过电力服务机器人来获得相应用户输入的相应的文本信息，然后通过意图匹配识别的方式来对该文本信息进行用户的意图识别处理。

实际实施过程中，可以通过用户在电力服务机器人对应的用于操作输入的操作界面操作输入相应的文字，形成相应的文本信息的方式来获得文本信息；或，也可以通过电力服务机器人上设置的音频采集设备采集相应用户通过语音方式输入的信息，然后通过将语音信息转化为文字信息，并对转化的文字信息进行冗余去除处理，最后形成文本信息；具体的，音频采集设备可以为设置在电力服务机器人上的麦克风设备。

意图识别是用于识别用户说话的意图，即用于识别用户想要办理的业务和意愿，通过创建意图识别来实现；针对不同的对话场景，用户可能会问到各种各样的问题，因此可以创建多种意图识别项，然后通过相应的意图匹配即可进入相应的会话流程中；意图识别可以根据以下底层算法实现模版匹配、KNN实现快速干预、在启动阶段实现流程闭环、分类模型提升泛化能力、分布式模型架构、支持多用户并行训练；主要包括：词表穷举法，利用词表穷举法最为简单，通过词表直接匹配的方式来获取查询意图，同时，也可以加入比较简单并且查询模式较为集中的类别；例如查询词：德国[addr]爱他美[brand]奶粉[product]三段[attr]；查询模式：[brand]+[product]；[product]+[attr]；[brand]+[product]+[attr]；当然查询模式是可以做成无序的；这种意图识别的方式实现较为简单，能够较准确的解决高频词；由于query一般是满足20/80定律，20％的query占据搜索80％的流量。

规则解析法：这种方法比较适用于查询非常符合规则的类别，通过规则解析的方式来获取查询的意图；比如：北京到上海今天的机票价格，可以转换为[地点]到[地点][日期][汽车票/机票/火车票]价格；1吨等于多少公斤，可以转换为[数字][计量单位]等于[数字][计量单位]；这种靠规则进行意图识别的方式对规则性较强的query有较好的识别精度，能够较好的提取准确信息。

机器学习法：意图识别其实可以看做是一个分类问题，针对于垂直产品的特点，定义不同的查询意图类别；以统计出每种意图类别下面的常用词，对于用户输入的query，根据统计分类模型计算出每一个意图的概率，最终给出查询的意图。

在获得用户的意图之后，根据用户的意图构建针对用户意图的会话流程，这样可以在后续的会话中，更加精确的理解用户的语义，并且更好的结合用户说话的(输入的文本信息)的上下文语境，更好的针对用户的语义进行会话回复，使得用户具有更好的使用体验。

S12：在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；

在本发明具体实施过程中，所述在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，包括：基于长短期记忆网络和条件随机场在所述会话流程内对所述文本信息进行文字实体抽取处理，获得抽取实体信息；对所述抽取实体信息进行实体融合归一化处理，获得所述文本信息中的实体信息。

具体的，在构建的对应的会话流程内对该文本信息进行文字实体抽取处理，在本发明中，可以通过长短期记忆网络和条件随机场的方式在该会话流程内对该文本信息进行文字实体出去处理，从而获得抽取实体信息，采用长短期记忆网络和条件随机场的方式相结合进行实体抽取，可以更快、更准确的抽取实体信息；在抽取实体信息之后，需要进行融合归一化处理，即对抽取实体信息进行实体融合归一化处理，获得文本信息中的实体信息；通过实体融合归一化处理，可以对同一个实体信息，在不同称呼上实现融合，去除相应的冗余信息，提高后续的处理速度，并且使后续的理解根据到位，更有利于后续的交流回复；实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合。

S13：在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

在本发明具体实施过程中，所述在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果，包括：在所述会话流程内基于正则表达式对所述文本信息进行表达式解析，获得表达式解析结果。

具体的，是在会话流程内通过正则表达式的方式来对文本信息进行表达式解析，从而获得表达式解析结果；采用正则表达式的方式来进行表达式解析能快速的较为准确的解析文本信息的语义，并且能应对相对复杂的文本信息，并且能达到良好的表达式解析结果。

S14：基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

在本发明具体实施过程中，所述自然语言理解模型的训练包括：获得会话中的样本文本信息，所述样本文本信息包括历史节点、历史上下文信息、会话意图信息以及历史实体信息；将所述样本文本信息中的词进行向量化处理，获取所述样本信息中的词向量；将所述词向量输入所述自然语言理解模型中进行样本训练，输出训练结果；判断所述输出训练结果是否达到预设阈值，若是，则判断所述自然语言理解模型训练收敛，若否，则利用所述样本文本信息进行继续训练。

进一步的，所述基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果，包括：将所述文本信息输入所述自然语言理解模型中获得输出文本信息；基于所述电力服务机器人获得所述文本信息的对应的人工标注数据；基于所述输出文本信息以及所述文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

具体的，在自然语言理解模型，把x看作是一个句子里的一个词，y是这个词的上下文，这里的f就是语言模型，通过它判断(x，y)这个样本，是否符合自然语言的逻辑法则；通过语言模型判断样本(x,y)是不是人话；而词向量正是从这个自然语言理解模型中的副产物模型参数(也就是神经网络的权重)得来的；这些参数是作为输入x的某种向量化表示，这个向量就叫做词向量。

自然语言理解模型一般采用三层神经网络结构，分为输入层，隐藏层，和输出层(softmax层)；该模型中V代表词汇表的大小，N代表隐藏层神经元个数(即想要的词向量维度)；输入是某个词，一般用one-hot表示该词(长度为词汇表长度)，隐藏层有N个神经元，代表我们想要的词向量的维度，输入层与隐藏层全连接；输出层的神经元个数和输入相同，隐藏层再到输出层时最后需要计算每个位置的概率，使用softmax计算，每个位置代表不同的单词；该模型中我们想要的就是经过训练以后，输入层到隐藏层的权重作为词向量。

假设词汇表有10000个，词向量维度设定为300；输入层：为词汇表中某一个词，采用one-hot编码长度为1X10000；隐藏层：从输入层到隐藏层的权重矩阵W_v*n就是10000行300列的矩阵，其中每一行就代表一个词向量。这样词汇表中所有的词都会从10000维的one-hot code转变成为300维的词向量。

输出层：经过神经网络隐层的计算，这个输入的词就会变为1X300的向量，再被输入到输出层；输出层就是一个sotfmax回归分类器；它的每个结点将会输出一个0-1的概率，所有结点的值之和为1，就会取最大概率位置检测是否为输入样本x对应的y。

即通过将训练输出的结果与预设阈值进行对比，判断是否收敛；若收敛，则训练结束，反之，需要继续训练。

并且，通过实体信息和表达式解析结果在话流程内选择会话节点，然后根据会话节点来利用自然语言理解模型对文本信息进行上下文结合更新处理，获得上下文结合更新结果；在本发明中，将文本信息输入自然语言理解模型中获得输出文本信息；根据电力服务机器人获得文本信息的对应的人工标注数据；根据输出文本信息以及文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

其中，人工标注数据是通过人工进行的数据聚类标注，即人工在电力服务机器人系统内对于使用中涉及的会话内容以及问题进行记录分析，可基于上下文进行人工标注，通过线上数据持续运营，逐步迭代，将意图问题聚类标注达到最佳效果；技术原理：准备数据集；如：set.seed(2)#设置随机数种子；x＝matrix(rnorm(50*2),ncol＝2)#生成50X2的正态分布矩阵；x[1:25,1]＝x[1:25,1]+3；x[1:25,2]＝x[1:25,2]-4#构建不同的聚类；创建聚类模型；如：km.out＝kmeans(x,2,nstart＝20)；km.out$cluster；输出如下：[1]2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1；很明显，前25条记录分为了一类，后25条记录分为了一类。

作图并标注聚类中心：

plot(x,col＝(km.out$cluster+1))#做出数据集的点图；

km.out$centers#打印聚类中心；

points(km.out$centers[1,1],km.out$centers[1,2],pch＝10,col＝"red",cex＝2)；

points(km.out$centers[2,1],km.out$centers[2,2],pch＝10,col＝"blue",cex＝2)#标注聚类中心。

S15：根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

在本发明具体实施过程中，所述基于上下文节点跳转处理结果进行场景会话回复，包括：基于所述上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复；所述历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

具体的，根据上下文结合更新结果来进行上下文节点跳转处理，即通过上下文结合更新结果进行语义分析，并根据分析结果进行上下文节点跳转，从而更好的实现与用户会话回复；根据上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复，该历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

在本发明实施例中，通过对用户输入的文本信息在进行会话识别后构建的会话流程内依次进行实体抽取、表达式解析和会话节点选择，并结合上下文进行语义更新，在通过上下文节点跳转等处理，来进行场景会话回复用户，这样可以实现电力服务机器人与用户之间在在多轮交互中实现无障碍交流；可以有效的解决以往一问一答的形式，从全方面、多领域、深层次上解决用户问题，提高用户的交互体验。

实施例

请参阅图2，图2是本发明实施例中的基于自然语言理解的电力服务机器人智能场景会话装置的结构组成示意图。

如图2所示，一种基于自然语言理解的电力服务机器人智能场景会话装置，所述装置包括：

会话流程构建模块21：用于电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

在本发明具体实施过程中，所述电力服务机器人基于用户输入的文本信息进行用户意图识别处理，包括：基于所述电力服务机器人获得所述用户输入的文本信息；基于意图匹配对所述文本信息进行用户意图识别处理。

进一步的，所述基于所述电力服务机器人获得所述用户输入的文本信息，包括：基于用户在所述电力服务机器人操作界面上输入的文字信息获得所述文本信息；或，基于用户通过所述电力服务机器人的音频采集设备输入的语音信息进行文本信息转换处理，获得所述文本信息。

进一步的，所述基于意图匹配对所述文本信息进行用户意图识别处理，包括：基于词表穷举法对所述文本信息进行词表拆分，基于拆分的词表直接匹配的方式进行用户意图识别处理；或，基于规则解析法对所述文本信息进行分词解析，基于解析的分词匹配的方式进行用户意图识别处理；或，基于机器学习法对所述文本信息进行意图学习分类，并基于意图学习分类结果进行用户意图识别处理。

具体的，首先是通过电力服务机器人来获得相应用户输入的相应的文本信息，然后通过意图匹配识别的方式来对该文本信息进行用户的意图识别处理。

实际实施过程中，可以通过用户在电力服务机器人对应的用于操作输入的操作界面操作输入相应的文字，形成相应的文本信息的方式来获得文本信息；或，也可以通过电力服务机器人上设置的音频采集设备采集相应用户通过语音方式输入的信息，然后通过将语音信息转化为文字信息，并对转化的文字信息进行冗余去除处理，最后形成文本信息；具体的，音频采集设备可以为设置在电力服务机器人上的麦克风设备。

意图识别是用于识别用户说话的意图，即用于识别用户想要办理的业务和意愿，通过创建意图识别来实现；针对不同的对话场景，用户可能会问到各种各样的问题，因此可以创建多种意图识别项，然后通过相应的意图匹配即可进入相应的会话流程中；意图识别可以根据以下底层算法实现模版匹配、KNN实现快速干预、在启动阶段实现流程闭环、分类模型提升泛化能力、分布式模型架构、支持多用户并行训练；主要包括：词表穷举法，利用词表穷举法最为简单，通过词表直接匹配的方式来获取查询意图，同时，也可以加入比较简单并且查询模式较为集中的类别；例如查询词：德国[addr]爱他美[brand]奶粉[product]三段[attr]；查询模式：[brand]+[product]；[product]+[attr]；[brand]+[product]+[attr]；当然查询模式是可以做成无序的；这种意图识别的方式实现较为简单，能够较准确的解决高频词；由于query一般是满足20/80定律，20％的query占据搜索80％的流量。

规则解析法：这种方法比较适用于查询非常符合规则的类别，通过规则解析的方式来获取查询的意图；比如：北京到上海今天的机票价格，可以转换为[地点]到[地点][日期][汽车票/机票/火车票]价格；1吨等于多少公斤，可以转换为[数字][计量单位]等于[数字][计量单位]；这种靠规则进行意图识别的方式对规则性较强的query有较好的识别精度，能够较好的提取准确信息。

机器学习法：意图识别其实可以看做是一个分类问题，针对于垂直产品的特点，定义不同的查询意图类别；以统计出每种意图类别下面的常用词，对于用户输入的query，根据统计分类模型计算出每一个意图的概率，最终给出查询的意图。

在获得用户的意图之后，根据用户的意图构建针对用户意图的会话流程，这样可以在后续的会话中，更加精确的理解用户的语义，并且更好的结合用户说话的(输入的文本信息)的上下文语境，更好的针对用户的语义进行会话回复，使得用户具有更好的使用体验。

实体抽取模块22：用于在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；以及，

在本发明具体实施过程中，所述在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，包括：基于长短期记忆网络和条件随机场在所述会话流程内对所述文本信息进行文字实体抽取处理，获得抽取实体信息；对所述抽取实体信息进行实体融合归一化处理，获得所述文本信息中的实体信息。

具体的，在构建的对应的会话流程内对该文本信息进行文字实体抽取处理，在本发明中，可以通过长短期记忆网络和条件随机场的方式在该会话流程内对该文本信息进行文字实体出去处理，从而获得抽取实体信息，采用长短期记忆网络和条件随机场的方式相结合进行实体抽取，可以更快、更准确的抽取实体信息；在抽取实体信息之后，需要进行融合归一化处理，即对抽取实体信息进行实体融合归一化处理，获得文本信息中的实体信息；通过实体融合归一化处理，可以对同一个实体信息，在不同称呼上实现融合，去除相应的冗余信息，提高后续的处理速度，并且使后续的理解根据到位，更有利于后续的交流回复；实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合。

表达式解析模块23：用于在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

在本发明具体实施过程中，所述在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果，包括：在所述会话流程内基于正则表达式对所述文本信息进行表达式解析，获得表达式解析结果。

具体的，是在会话流程内通过正则表达式的方式来对文本信息进行表达式解析，从而获得表达式解析结果；采用正则表达式的方式来进行表达式解析能快速的较为准确的解析文本信息的语义，并且能应对相对复杂的文本信息，并且能达到良好的表达式解析结果。

结合更新模块24：用于基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

在本发明具体实施过程中，所述自然语言理解模型的训练包括：获得会话中的样本文本信息，所述样本文本信息包括历史节点、历史上下文信息、会话意图信息以及历史实体信息；将所述样本文本信息中的词进行向量化处理，获取所述样本信息中的词向量；将所述词向量输入所述自然语言理解模型中进行样本训练，输出训练结果；判断所述输出训练结果是否达到预设阈值，若是，则判断所述自然语言理解模型训练收敛，若否，则利用所述样本文本信息进行继续训练。

进一步的，所述基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果，包括：将所述文本信息输入所述自然语言理解模型中获得输出文本信息；基于所述电力服务机器人获得所述文本信息的对应的人工标注数据；基于所述输出文本信息以及所述文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

具体的，在自然语言理解模型，把x看作是一个句子里的一个词，y是这个词的上下文，这里的f就是语言模型，通过它判断(x，y)这个样本，是否符合自然语言的逻辑法则；通过语言模型判断样本(x,y)是不是人话；而词向量正是从这个自然语言理解模型中的副产物模型参数(也就是神经网络的权重)得来的；这些参数是作为输入x的某种向量化表示，这个向量就叫做词向量。

自然语言理解模型一般采用三层神经网络结构，分为输入层，隐藏层，和输出层(softmax层)；该模型中V代表词汇表的大小，N代表隐藏层神经元个数(即想要的词向量维度)；输入是某个词，一般用one-hot表示该词(长度为词汇表长度)，隐藏层有N个神经元，代表我们想要的词向量的维度，输入层与隐藏层全连接；输出层的神经元个数和输入相同，隐藏层再到输出层时最后需要计算每个位置的概率，使用softmax计算，每个位置代表不同的单词；该模型中我们想要的就是经过训练以后，输入层到隐藏层的权重作为词向量。

假设词汇表有10000个，词向量维度设定为300；输入层：为词汇表中某一个词，采用one-hot编码长度为1X10000；隐藏层：从输入层到隐藏层的权重矩阵W_v*n就是10000行300列的矩阵，其中每一行就代表一个词向量。这样词汇表中所有的词都会从10000维的one-hot code转变成为300维的词向量。

输出层：经过神经网络隐层的计算，这个输入的词就会变为1X300的向量，再被输入到输出层；输出层就是一个sotfmax回归分类器；它的每个结点将会输出一个0-1的概率，所有结点的值之和为1，就会取最大概率位置检测是否为输入样本x对应的y。

即通过将训练输出的结果与预设阈值进行对比，判断是否收敛；若收敛，则训练结束，反之，需要继续训练。

并且，通过实体信息和表达式解析结果在话流程内选择会话节点，然后根据会话节点来利用自然语言理解模型对文本信息进行上下文结合更新处理，获得上下文结合更新结果；在本发明中，将文本信息输入自然语言理解模型中获得输出文本信息；根据电力服务机器人获得文本信息的对应的人工标注数据；根据输出文本信息以及文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

其中，人工标注数据是通过人工进行的数据聚类标注，即人工在电力服务机器人系统内对于使用中涉及的会话内容以及问题进行记录分析，可基于上下文进行人工标注，通过线上数据持续运营，逐步迭代，将意图问题聚类标注达到最佳效果；技术原理：准备数据集；如：set.seed(2)#设置随机数种子；x＝matrix(rnorm(50*2),ncol＝2)#生成50X2的正态分布矩阵；x[1:25,1]＝x[1:25,1]+3；x[1:25,2]＝x[1:25,2]-4#构建不同的聚类；创建聚类模型；如：km.out＝kmeans(x,2,nstart＝20)；km.out$cluster；输出如下：[1]2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1；很明显，前25条记录分为了一类，后25条记录分为了一类。

作图并标注聚类中心：

plot(x,col＝(km.out$cluster+1))#做出数据集的点图；

km.out$centers#打印聚类中心；

points(km.out$centers[1,1],km.out$centers[1,2],pch＝10,col＝"red",cex＝2)；

points(km.out$centers[2,1],km.out$centers[2,2],pch＝10,col＝"blue",cex＝2)#标注聚类中心。

场景会话回复模块25：用于根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

在本发明具体实施过程中，所述基于上下文节点跳转处理结果进行场景会话回复，包括：基于所述上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复；所述历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

具体的，根据上下文结合更新结果来进行上下文节点跳转处理，即通过上下文结合更新结果进行语义分析，并根据分析结果进行上下文节点跳转，从而更好的实现与用户会话回复；根据上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复，该历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

在本发明实施例中，通过对用户输入的文本信息在进行会话识别后构建的会话流程内依次进行实体抽取、表达式解析和会话节点选择，并结合上下文进行语义更新，在通过上下文节点跳转等处理，来进行场景会话回复用户，这样可以实现电力服务机器人与用户之间在在多轮交互中实现无障碍交流；可以有效的解决以往一问一答的形式，从全方面、多领域、深层次上解决用户问题，提高用户的交互体验。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于自然语言理解的电力服务机器人智能场景会话方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于自然语言理解的电力服务机器人智能场景会话方法，其特征在于，所述方法包括：

电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；以及，

在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

2.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述电力服务机器人基于用户输入的文本信息进行用户意图识别处理，包括：

基于所述电力服务机器人获得所述用户输入的文本信息；

基于意图匹配对所述文本信息进行用户意图识别处理。

3.根据权利要求2所述的电力服务机器人智能场景会话方法，其特征在于，所述基于所述电力服务机器人获得所述用户输入的文本信息，包括：

基于用户在所述电力服务机器人操作界面上输入的文字信息获得所述文本信息；或，

基于用户通过所述电力服务机器人的音频采集设备输入的语音信息进行文本信息转换处理，获得所述文本信息。

4.根据权利要求2所述的电力服务机器人智能场景会话方法，其特征在于，所述基于意图匹配对所述文本信息进行用户意图识别处理，包括：

基于词表穷举法对所述文本信息进行词表拆分，基于拆分的词表直接匹配的方式进行用户意图识别处理；或，

基于规则解析法对所述文本信息进行分词解析，基于解析的分词匹配的方式进行用户意图识别处理；或，

基于机器学习法对所述文本信息进行意图学习分类，并基于意图学习分类结果进行用户意图识别处理。

5.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，包括：

基于长短期记忆网络和条件随机场在所述会话流程内对所述文本信息进行文字实体抽取处理，获得抽取实体信息；

对所述抽取实体信息进行实体融合归一化处理，获得所述文本信息中的实体信息。

6.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果，包括：

在所述会话流程内基于正则表达式对所述文本信息进行表达式解析，获得表达式解析结果。

7.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述自然语言理解模型的训练包括：

获得会话中的样本文本信息，所述样本文本信息包括历史节点、历史上下文信息、会话意图信息以及历史实体信息；

将所述样本文本信息中的词进行向量化处理，获取所述样本信息中的词向量；

将所述词向量输入所述自然语言理解模型中进行样本训练，输出训练结果；

判断所述输出训练结果是否达到预设阈值，若是，则判断所述自然语言理解模型训练收敛，若否，则利用所述样本文本信息进行继续训练。

8.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果，包括：

将所述文本信息输入所述自然语言理解模型中获得输出文本信息；

基于所述电力服务机器人获得所述文本信息的对应的人工标注数据；

基于所述输出文本信息以及所述文本信息的对应的人工标注数据行上下文结合更新处理，获得上下文结合更新结果。

9.根据权利要求1所述的电力服务机器人智能场景会话方法，其特征在于，所述基于上下文节点跳转处理结果进行场景会话回复，包括：

基于所述上下文节点跳转处理结果结合历史人工辅助判断进行场景会话回复；

所述历史人工辅助判断为基于所述历史场景会话回复用户满意度进行人工辅助判断的判断结果。

10.一种基于自然语言理解的电力服务机器人智能场景会话装置，其特征在于，所述装置包括：

会话流程构建模块：用于电力服务机器人基于用户输入的文本信息进行用户意图识别处理，并根据识别结果构建会话流程；

实体抽取模块：用于在所述会话流程内对所述文本信息进行文字实体抽取处理，获得所述文本信息中的实体信息，所述实体信息包括地点、时间、人名、手机号、数值中的一个或多个组合；以及，

表达式解析模块：用于在所述会话流程内对所述文本信息进行表达式解析，获得表达式解析结果；

结合更新模块：用于基于所述实体信息和所述表达式解析结果在所述话流程内选择会话节点，基于所述会话节点利用自然语言理解模型对所述文本信息进行上下文结合更新处理，获得上下文结合更新结果；

场景会话回复模块：用于根据所述上下文结合更新结果进行上下文节点跳转处理，并基于上下文节点跳转处理结果进行场景会话回复。

Images