CN114265920A - 一种基于信号和场景的智能机器人对话方法及系统 - Google Patents

Abstract

本发明公开了一种基于信号和场景的智能机器人对话方法及系统，对话方法包括如下步骤，S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。优点是：使机器人在处理会话逻辑时，可以根据用户自然语言的内容不同，智能选择最优的多轮会话场景组合及最优路径，更智能、更灵活的完成多轮会话的沟通，实现具有业务目的的对话沟通。

Description

一种基于信号和场景的智能机器人对话方法及系统

技术领域

本发明涉及智能对话技术领域，尤其涉及一种基于信号和场景的智能机器人对话方法及系统。

背景技术

目前，智能机器人的对话方法比较简单，一般是通过关键词或数字指令进行对话，不具备针对复杂业务场景的对话能力，无法实现复杂场景下的对话任务。

发明内容

本发明的目的在于提供一种基于信号和场景的智能机器人对话方法及系统，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于信号和场景的智能机器人对话方法，包括如下步骤，

S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。

优选的，所述信号识别模型为训练后的信号识别算法，以历史用户输入的语言文本以及对应输出的信号数据作为训练的原始数据进行训练，最终获取信号识别模型。

优选的，步骤S1具体包括如下内容，

S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；

S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；

所述子图中包含节点和边，所述节点包含了基本语言单位、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系；

S13、将标量和向量作为子图中的边和节点的附带信息，进而构成含义片段，并将含义片段与子图中的节点和边进行匹配融合，进而形成更完整的含义片段，即信号数据。

优选的，所述场景最优路径决策模型为训练后的场景最优路径决策算法；以多历史轮会话消息数据、该多轮会话消息中途经的场景数据以及该多轮会话的实际业务是否完成作为训练的原始数据，针对多轮对话中每一条会话消息的信号数据、场景、实际业务完成度进行训练预测，直到实际业务完成度最高时，输出训练好的场景最优路径决策模型。

优选的，步骤S2具体为，基于决策理论，以信号数据为条件，计算条件效用期望，并选择期望值最大的场景作为最优场景；条件期望效用由两个算子组成，分别为场景的信号条件分布模型和场景的业务效用模型，计算公式分别如下，

其中，Action^*为最优场景；a为被选场景；s为信号数据；E为期望；U为效用函数；U(a,s)为场景为a，信号为s时的效用；E_{Action＝a,Signal＝s}[U]为a场景s信号条件下的U的期望；argmaxE指代决策过程，以便获得使E最大时的a；E_a,s[U(a,s)]为给定信号数据s和被选场景a后，计算涉及的所有效用U的期望值；Φ为业务参数；u_i为第i个效用函数，i＝1,2,3…,N；Utility为业务效用函数变量，在分布p中充当随机变量；p为业务效用函数对应信号条件分布函数，积分对p分布边缘化掉Φ，得到以a和s为条件的u_i的分布，之后与u_i(a,s)相乘后求和，得到期望E_a,s[U(a,s)]。

优选的，步骤S3具体为，基于步骤S2输出的最优场景，将用户引导进入选定的最优场景，执行最优场景下集成的业务响应动作，实现对话回应；等待后续用户消息的反馈，再次激活信号、选择最优场景、给出对话回应，反复进行会话控制，最终形成路径式的最优场景选择和应答，实现智能多轮交互。

本发明的目的还在于提供一种基于信号和场景的智能机器人对话系统，所述系统用于实现上述任一所述的对话方法，所述对话系统包括，

基于信号的自然语言处理模块；用于利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

基于信号的场景寻址模块；用于基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

基于会话场景构建的机器人知识图谱模块；用于基于最优场景执行该最优场景下的业务响应动作，做出对话回应。

本发明的有益效果是：1、根据用户发送的消息不同，动态、智能地做出灵活的反应，随着信号、场景的不算丰富智能多轮会话的逻辑会越来越灵活，用户的会话体验也会越来好。2、使机器人在处理会话逻辑时，可以根据用户自然语言的内容不同，智能选择最优的多轮会话场景组合及最优路径，更智能、更灵活的完成多轮会话的沟通，实现具有业务目的的对话沟通。

附图说明

图1是本发明实施例中对话方法的流程示意图；

图2是本发明实施例中对话系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中，提供了一种基于信号和场景的智能机器人对话方法，包括如下步骤，

S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。

参见上述步骤，对话方法主要包括三部分内容，分别是获取信号数据、获取最优场景、做出对话回应；下面分别针对这三部分内容进行详细说明。

一、获取信号数据

该部分对应步骤S1的内容，步骤S1具体包括，

S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；

S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；

所述子图中包含节点和边，所述节点包含了基本语言单位(字词)、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系。

其中，词性类型是指LTP(语言技术平台)使用的863词性标注集；语法角色是指LTP(语言技术平台)使用的句法关系；语义角色是指LTP(语言技术平台)使用的语义角色类型；情感类别包括正向、中性和负向三种类型；句型类别包括陈述句、一般疑问句、正反疑问句、疑问代词疑问句、选择疑问句等几种类型；业务相关信息包括联系方式(如手机号、邮箱地址、QQ号、微信号)、业务行为(如索联行为、引导应答行为、一般应答行为)、项目信息(如教育、医疗科目)、访客行为(如咨询价格、条件、时间、地点或确认)。

S13、将标量和向量作为子图中的边和节点的附带信息，进而构成含义片段，并将含义片段与子图中的节点和边进行匹配融合，进而形成更完整的含义片段，即信号数据。

所述信号识别模型为训练后的信号识别算法，以历史用户输入的语言文本以及对应输出的信号数据作为训练的原始数据进行训练，最终获取信号识别模型。

信号识别算法是一个组合算法，其包括如下算法：

1、LTP中使用的算法；这些算法用于从语句中抽取所需的语言学特征，包括分词、词性、语法及语义角色。

2、BERT(预训练语言表征模型)；该算法用于将语句转化为语言特征向量(即句向量)。

3、FDA(特征编码算法)；该算法以图结构组织语言学特征，合并语言特征向量后编码，形成对句子及上下文的结构化特征。

4、MLA(多标记算法)，该算法用于预测语句的情感类别、句型类别和业务行为，并进行标记；

可以以结构化特征为基础，结合历史语句的情感类别标记、句型标记、业务行为标记训练多标记算法(即复合二分类线性分类模型CLBM)。由于该算法将多标记问题分解为一组二分类任务，所以该算法的训练目标是二分类准确率，开发数据集拆分为训练、验证、测试数据集，最后以测试准确率收敛于95％以上停止，若无法收敛，需要分析测试中的错误样例，迭代修正模型及训练参数，直到收敛。

之后基于训练后的多标记算法预测语句的情感、句型、业务行为。

将上述四种算法都需要进行训练，直到每种算法都达到相应的训练条件，最终输出信号识别模型。

例如：访客当前语句“我肚子疼怎么办呢”，通过预训练深度语言模型(如BERT)、语法语义分析模型(如LTP)以及情感类别、句型类别等判别模型得到分词、词性、语法、语义等信息以及语言特征向量，形如：(['我','肚子','疼','怎么办','呢'],[(1,2,'FEAT'),(2,3,'EXP'),(3,0,'Root'),(4,3,'eSUCC'),(5,4,'mDEPD')])。部分信息可以图化为语言特征子图，如，肚子(Exp)->疼(root)<-怎么办(eSUCC)，语言特征向量和语义特征子图合并形成特征组(组成员有标量、向量、子图)，其中标量和向量作为子图中的边和节点的附带信息，整体作为含义片段。当前含义片段，可以通过节点、边的子图匹配，进行融合，比如访客说“有绞痛感”，“绞痛”节点将与“疼”节点进行连接，形成更完备的含义片段，即信号数据，作为场景选择的依据。

二、获取最优场景

该部分对应步骤S2的内容，步骤S2具体为，基于决策理论，以信号数据为条件，计算条件效用期望，并选择期望值最大的场景作为最优场景；条件期望效用由两个算子组成，分别为场景的信号条件分布模型(SCDM)和场景的业务效用模型(BUM)，计算公式分别如下，

其中，Action^*为最优场景；a为被选场景；s为信号数据；E为期望；U为效用函数；U(a,s)为场景为a，信号为s时的效用；E_{Action＝a,Signal＝s}[U]为a场景s信号条件下的U的期望；

是优化过程，在这里指代决策过程，以便获得使E最大时的a；E_a,s[U(a,s)]为给定信号数据s和被选场景a后，计算涉及的所有效用U的期望值；Φ指业务参数(连续型随机变量集合)，u_i为第i个效用函数，i＝1,2,3…,N；Utility为业务效用函数变量，在分布p中充当随机变量；p是业务效用函数对应信号条件分布函数，积分对p分布边缘化掉Φ，得到以a和s为条件的u_i的分布，与u_i(a,s)相乘后求和，得到期望E_a,s[U(a,s)]。

所述场景最优路径决策模型为训练后的场景最优路径决策算法，场景最优路径决策模型根据多轮对话消息(用于训练SCDM)以及实际业务完成状态数据(用于训练BUM)，通过主动学习、强化学习训练得到。具体为：以多历史轮会话消息数据、该多轮会话消息中途经的场景数据以及该多轮会话的实际业务是否完成作为训练的原始数据，针对多轮对话中每一条会话消息的信号数据、场景、实际业务完成度进行训练预测，直到实际业务完成度最高时，输出训练好的场景最优路径决策模型。

场景最优路径决策算法选择最优场景，是根据历史会话是否转化作为该会话经过所有场景是否有贡献价值进行训练，根据场景最优路径决策模型作出的最优场景预测是任务完成率最高的场景。由于每一次访客消息，场景最优路径决策模型给出的都是任务完成率最高的场景进行响应，因此该通会话完成时，一定是任务完成率最高的路径，即最优路径。

三、做出对话回应

该部分对应步骤S3的内容。步骤S3具体为，基于步骤S2输出的最优场景，将用户引导进入选定的最优场景，执行最优场景下集成的业务响应动作，实现对话回应；响应动作主要是生成的应答组，应答组为按时序排列的语句。

之后，等待后续用户消息的反馈，再次激活信号、选择最优场景、给出对话回应，反复进行会话控制，最终形成路径式的最优场景选择和应答，实现智能多轮交互。

实施例二

如图2所示，本实施例中提供了一种基于信号和场景的智能机器人对话系统，所述系统用于实现上述对话方法，所述对话系统包括，

基于信号的自然语言处理模块；用于利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

该模块负责自然语言的文本输入、识别，然后输出信号数据，传送给基于信号的场景寻址模块进一步处理。

基于信号的场景寻址模块；用于基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

该模块基于信号的自然语言处理模块生成的预测信号数据，作为基于信号的会话场景寻址模块的输入，通过场景最优路径决策算法，找到响应访客消息的最优场景。

基于会话场景构建的机器人知识图谱模块；用于基于最优场景执行该最优场景下的业务响应动作，做出对话回应；

该模块用以构建、管理对话过程中需要的响应内容。知识场景的构建是人工根据实际的业务需求，为一个特定目的而设计制作的场景，比如为完成诊断目的，这个场景中会包含询问症状相关的话术内容；为完成用户信息采集，就会包含问学历，问姓名等话术依赖的知识内容。

根据实际业务需求人工构建成N多知识场景，每个场景完成一个固定目的的业务功能，最终这些构建好的场景，交给基于信号的会话场景寻址模块进行学习、训练，作出最优预测，根据用户消息内容智能规划场景路径，从而实现更灵活、更智能的多轮会话控制。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种基于信号和场景的智能机器人对话方法及系统，根据用户发送的消息不同，动态、智能地做出灵活的反应，随着信号、场景的不算丰富智能多轮会话的逻辑会越来越灵活，用户的会话体验也会越来好。使机器人在处理会话逻辑时，可以根据用户自然语言的内容不同，智能选择最优的多轮会话场景组合及最优路径，更智能、更灵活的完成多轮会话的沟通，实现具有业务目的的对话沟通。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于信号和场景的智能机器人对话方法，其特征在于：包括如下步骤，

S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。

2.根据权利要求2所述的基于信号和场景的智能机器人对话方法，其特征在于：所述信号识别模型为训练后的信号识别算法，以历史用户输入的语言文本以及对应输出的信号数据作为训练的原始数据进行训练，最终获取信号识别模型。

3.根据权利要求2所述的基于信号和场景的智能机器人对话方法，其特征在于：步骤S1具体包括如下内容，

S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；

S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；

所述子图中包含节点和边，所述节点包含了基本语言单位、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系；

S13、将标量和向量作为子图中的边和节点的附带信息，进而构成含义片段，并将含义片段与子图中的节点和边进行匹配融合，进而形成更完整的含义片段，即信号数据。

4.根据权利要求1所述的基于信号和场景的智能机器人对话方法，其特征在于：所述场景最优路径决策模型为训练后的场景最优路径决策算法；以多历史轮会话消息数据、该多轮会话消息中途经的场景数据以及该多轮会话的实际业务是否完成作为训练的原始数据，针对多轮对话中每一条会话消息的信号数据、场景、实际业务完成度进行训练预测，直到实际业务完成度最高时，输出训练好的场景最优路径决策模型。

5.根据权利要求4所述的基于信号和场景的智能机器人对话方法，其特征在于：步骤S2具体为，基于决策理论，以信号数据为条件，计算条件效用期望，并选择期望值最大的场景作为最优场景；条件期望效用由两个算子组成，分别为场景的信号条件分布模型和场景的业务效用模型，计算公式分别如下，

其中，Action^*为最优场景；a为被选场景；s为信号数据；E为期望；U为效用函数；U(a,s)为场景为a，信号为s时的效用；E_{Action＝a,Signal＝s}[U]为a场景s信号条件下的U的期望；argmaxE指代决策过程，以便获得使E最大时的a；E_a,s[U(a,s)]为给定信号数据s和被选场景a后，计算涉及的所有效用U的期望值；Φ为业务参数；u_i为第i个效用函数，i＝1,2,3…,N；Utility为业务效用函数变量，在分布p中充当随机变量；p为业务效用函数对应信号条件分布函数，积分对p分布边缘化掉Φ，得到以a和s为条件的u_i的分布，之后与u_i(a,s)相乘后求和，得到期望E_a,s[U(a,s)]。

6.根据权利要求1所述的基于信号和场景的智能机器人对话方法，其特征在于：步骤S3具体为，基于步骤S2输出的最优场景，将用户引导进入选定的最优场景，执行最优场景下集成的业务响应动作，实现对话回应；等待后续用户消息的反馈，再次激活信号、选择最优场景、给出对话回应，反复进行会话控制，最终形成路径式的最优场景选择和应答，实现智能多轮交互。

7.一种基于信号和场景的智能机器人对话系统，其特征在于：所述系统用于实现上述权利要求1至6任一所述的对话方法，所述对话系统包括，

基于信号的自然语言处理模块；用于利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；

基于信号的场景寻址模块；用于基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；

基于会话场景构建的机器人知识图谱模块；用于基于最优场景执行该最优场景下的业务响应动作，做出对话回应。

Images