CN115910110A - 一种基于自然语言识别的政务服务系统 - Google Patents
一种基于自然语言识别的政务服务系统 Download PDFInfo
- Publication number
- CN115910110A CN115910110A CN202211516877.7A CN202211516877A CN115910110A CN 115910110 A CN115910110 A CN 115910110A CN 202211516877 A CN202211516877 A CN 202211516877A CN 115910110 A CN115910110 A CN 115910110A
- Authority
- CN
- China
- Prior art keywords
- user
- voice
- emotion
- natural language
- unit
- 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
- 230000008451 emotion Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000015654 memory Effects 0.000 claims abstract description 30
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000002996 emotional effect Effects 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000005281 excited state Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于自然语言的政务服务系统,属于政府服务系统领域,在对用户输入的语音数据进行识别时,首先通过用户情绪确定单元对用户的情绪进行判断,并根据用户情绪不同,提供不同的政务服务,一方面差异化服务提高了用户的服务体验,另一方面对于情绪平稳状态的用户通过无人化服务,减少了政府部门接线员的工作量,节约了人力资本;本申请在对用户的语音进行自然语言识别过程中,首先通过预训练语言模型将输入的文本数据表示成向量,然后通过双向长短期记忆网络模型对输入的上下文进行语义理解,最后通过条件随机场排除排序不正确的答案,并获得最优序列并输出,从而得到更好的语义识别结果,提高了语音识别的准确度。
Description
技术领域
本发明涉及政务服务技术领域,尤其涉及一种基于自然语言识别的政务服务系统。
背景技术
伴随着计算机互联网的发展,政府部门相继推出自助的政务服务系统,用户与自助政务服务系统沟通,可以通过语音说出自己的意图,比如咨询办事流程,法律法规等政务信息,政务服务系统识别咨询人的意图,从而给出咨询人想要的答案,服务过程全程都是无人参与,极大地减轻了公务系统工作人员的问答压力,减少了工作人员的工作量。
现有技术中存在通过设置自然语言识别流程用于提高识别准确度的技术方案,例如,中国发明专利(CN109840277A)公开了一种政务服务智能问答方法及系统,如图1所示,其通过设置两个分析单元,通过第一分析单元计算用户问题常见问题的第一相似度,通过第二分析单元,用于对用户问题与政务服务事项进行实体链接,即当计算得到的第一相似度不高于第一相似度设定阈值时,计算用户问题与政务服务事项的第二相似度,并比较计算得到的第二相似度与第二相似度设定阈值:当计算得到的第二相似度高于第二相似度设定阈值时,通过所述SPARQL查询层查询政务服务事项的相关信息并反馈给用户,从而达到对用户问题进行准确识别的技术效果。
然而,上述方案在进行自然语言识别时,由于没有考虑用户的情绪状态,因此,不能提供针对性的差异化服务,从而影响用户的体验,并且,在进行自然语言识别时,仅通过关键词比较对用户的自然语言进行识别,识别的准确度也不是很高。
因此,现有技术急需一种能判断用户的情绪状态,对不同情绪状态的用户提供不同的服务模式,同时,又能准确识别用户自然语言的政府服务系统的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足,提供一种基于自然语言识别的政务服务系统,其首先通过用户的语音对用户的情感状态进行判断,针对不同情绪状态采用不同的服务模式,并且,通过设置具体的自然语言识别流程,准确识别用户的真实意思表达,从而提高用户的服务体验。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定。
为了实现上述目的,根据本发明的一个方面,一种基于自然语言识别的政务服务系统,包括:
语音接收单元,用于接收用户的语音信息数据;
用户情绪确定单元,用于基于所述语音接收单元接收的语音数据,对用户的情绪进行确定;
人工服务单元,用于当用户为情绪激动状态时,采取人工服务的方式对用户进行服务;
智能服务单元,用于当用户情绪为平稳状态时,触发智能服务单元用于对用户的语音问题进行识别,并输出用户问题的答案。
具体地,所述语音接收单元为降噪麦克风,
更进一步地,所述用户情绪确定单元具体包括:
语音数据时域频谱处理模块,用于对语音数据进行傅里叶变换处理,得到用户语音信息中的时域频谱特征信息,
时域频谱转换模块,所述时域频谱转换模块与所述语音数据时域频谱处理模块连接,用于通过滤波器对所述用户语音信息中的时域频谱进行特征转换;得到特定频率特征信息,用于后续的情绪确定;
具体地,所述滤波器为Me l滤波器,
所述转换关系为:
式中,FMel为转换后的Mel频率,所述f为原始的时域频率,
用户情绪确定模块,所述用户情绪确定模块与所述时域频谱转换模块连接,用于根据所述时域频谱转换模块得到的Me l频谱,通过卷积神经网络模型对用户情绪进行确定;
具体地,所述卷积神经网络模型由输入层、卷积层、池化层三部分组成;
其中,所述输入层用于对时域频谱转换模块得到的Me l频谱进行处理,所述卷积层用来提取所述Me l频谱的特征;所述池化层用于防止出现过拟合情况;
具体地,所述用户情绪确定模块的输出结果有两种,分别为:情绪激动,情绪平稳;根据这两种不同的情绪采用不同的服务流程,以提供差异化服务;
本实施例通过对用户的语音信息进行情绪判断,针对不同情绪,提供差异化服务。
具体地,根据用户情绪确定单元确定的用户情绪,当用户情绪为激动状态时,此时触发人工服务单元,采取人工服务的方式对用户进行服务,可以针对用户遇到的情况给出针对性的政策解读和建议,从而提高用户的服务体验;
具体地,触发人工服务单元后,所述政务服务系统通过互联网或者电话的方式与用户取得联系。
根据用户情绪确定单元确定的用户情绪,当用户情绪为平稳状态时,触发智能服务单元用于对用户的语音问题进行识别,并输出用户问题的答案;
具体地,所述智能服务单元包括:
语音转换单元,用于将用户的语音数据转换成文本数据,方便后续的问题识别;
文本数据分析单元,用于提取文本数据中的关键词,然后对所述文本数据设置文本标签;
值得注意地是,文本数据分析单元可以将文本数据设置为多个标签,而不是将文本数据设置为一个标签,以方便智能服务单元识别用户的真实意思表达;
更进一步地,所述设置文本标签的方法可以为基于规则、字典的方法;也可以为基于统计学习的方法,所述基于统计学习的方法包括支持向量机、最大嫡模型、朴素贝叶斯模型;也可以为基于深度学习的方法,所述基于深度学习的方法包括双向循环神经网络模型;
语义识别单元,用于根据所述文本数据分析单元获得的文本标签,对用户的语音句子进行语义识别,从而得到用户真实意思的表达;
具体地,所述语义识别单元通过运行循环神经网络模型用于实现用户语义的识别;
具体地,识别过程如下:
首先通过预训练语言模型将输入的文本数据表示成向量,然后通过双向长短期记忆网络模型对输入的上下文进行语义理解,最后通过条件随机场排除排序不正确的答案,并获得最优序列并输出,从而得到更好的语义识别结果。
更进一步地,所述双向长短期记忆网络模型由两个长短期记忆网络模型组成,一个是前向长短期记忆网络模型,一个为后向长短期记忆网络模型,所述两个长短期记忆网络模型在自然语言处理任务中用来建模上下文信息;
长短期记忆网络模型是一种门控神经网络。与循环神经网络不同的是,每一层隐含层的输出都需要经过门控单元的选择才能进入下一层,长短期记忆网络模型中有三种不同的门控单元,分别叫输入门、输出门、遗忘门,具体公式为:
It=σ(XtWxi+Ht-lWhi+bi)
Ot=σ(XtWxo+Ht-1Who+bo)
Ft=σ(XtWxf+Ht-1Whf+bi)
其中,It、Ot、Ft分别为输入门、输出门和遗忘门;σ为激活函数,Xt为输入矩阵,Ht-1指t-1时间步时的隐含层状态,bi,bo,bf为偏置项,Wxi、Wx0、 Wxf是输入门、输出门、遗忘门与输入向本相关的权重系数,Whi、Wh0、Whf为输入门、输出门、遗忘门与隐含层状态相关联的权重系数;
在长短期记忆网络模型中,中间信息的载体成为记忆细胞Ct:
式中,Ft为遗忘门,Ct-1为t时间步上一步的记忆细胞信息,It为输入门;
通过上述的公式可发现,输入门主要是判断当前时间的输入是否采用,如果代表输入门的It接近于0的话,那么当前信息应当忽略;遗忘门主要判断之前的时间步的信息是否保留,如果代表遗忘门的Ft接近于0的话,那么之前时间步的信息应当忽略,长短期记忆网络模型用这种方法更好的应对长期依赖问题;同时,双向长短期记忆网络模型很好的解决了双向的语义依赖;
输出单元,根据所述语义识别单元识别的用户真实意思,并根据用户的真实意思对照知识图谱集,找出最符合的指数图谱记录,并对用户展示。
根据本发明的另一个方面,提供了一种基于自然语言识别的政务服务系统的信息服务方法,所述方法采用实施例一种提供的基于自然语言识别的政务服务系统,包括:
步骤1:通过语音接收单元接收用户的语音信息数据;
步骤2:基于语音接收单元接收的语音数据,对用户的情绪进行确定;
若用户的情绪为激动状态时,进入步骤3,若用户的情绪为平稳状态时,进入步骤4;
步骤3:采取人工服务的方式对用户进行服务,针对用户遇到的情况给出针对性的政策解读和建议;
步骤4:通过智能服务单元对用户的语音问题进行识别,并输出用户问题的答案。
基于上述技术方案,本申请提供的一种基于自然语言识别的政务服务系统和服务方法,具有如下技术效果:
1、本申请在对用户输入的语音数据进行识别时,首先通过用户情绪确定单元对用户的情绪进行判断,并根据用户情绪不同,提供不同的政务服务,一方面差异化服务提高了用户的服务体验,另一方面对于情绪平稳状态的用户通过无人化服务,减少了政府部门接线员的工作量,节约了人力资本;
2、本申请在对用户的语音进行自然语言识别过程中,首先通过预训练语言模型将输入的文本数据表示成向量,然后通过双向长短期记忆网络模型对输入的上下文进行语义理解,最后通过条件随机场排除排序不正确的答案,并获得最优序列并输出,从而得到更好的语义识别结果,提高了语音识别的准确度。
附图说明
构成本文的一部分的附图用来提供对本文的进一步理解,本文的示意性实施例及其说明用于解释本文,并不构成对本文的不当限定。在附图中:
图1为现有技术中政务服务系统的示意图;
图2为本申请实施例提供的一种基于自然语言识别的政务服务系统的示意图。
图3为本申请实施例提供的用户情绪确定单元的示意图。
图4为本申请实施例提供的智能服务单元的示意图。
图5为本申请实施例提供的一种基于自然语言识别的政务服务系统的信息服务方法的流程图。
具体实施方式
为使本文实施例的目的、技术方案和优点更加清楚,下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。需要说明的是,在不冲突的情况下,本文中的实施例及实施例中的特征可以相互任意组合。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
实施例一
为了实现上述目的,如图2所示,一种基于自然语言识别的政务服务系统,包括:
语音接收单元,用于接收用户的语音信息数据;
具体地,所述语音接收单元为降噪麦克风,
用户情绪确定单元,基于所述语音接收单元接收的语音数据,对用户的情绪进行确定;
更进一步地,如图3所示,所述用户情绪确定单元具体包括:
语音数据时域频谱处理模块,用于对语音数据进行傅里叶变换处理,得到用户语音信息中的时域频谱特征信息,
时域频谱转换模块,所述时域频谱转换模块与所述语音数据时域频谱处理模块连接,用于通过滤波器对所述用户语音信息中的时域频谱进行特征转换;得到特定频率特征信息,用于后续的情绪确定;
具体地,所述滤波器为Me l滤波器,
所述转换关系为:
式中,FMel为转换后的Mel频率,所述f为原始的时域频率,
Mel频谱在语音情绪确定领域具有较好的效果,因为,本实施例通过将原始的时域频率转换成Mel频率,得到Mel频谱,用于后续的情绪确定;
用户情绪确定模块,所述用户情绪确定模块与所述时域频谱转换模块连接,用于根据所述时域频谱转换模块得到的Me l频谱,通过卷积神经网络模型对用户情绪进行确定;
具体地,所述卷积神经网络模型由输入层、卷积层、池化层三部分组成;
其中,所述输入层用于对时域频谱转换模块得到的Me l频谱进行处理,所述卷积层用来提取所述Me l频谱的特征;所述池化层用于防止出现过拟合情况;
具体地,所述用户情绪确定模块的输出结果有两种,分别为:情绪激动,情绪平稳;根据这两种不同的情绪采用不同的服务流程,以提供差异化服务;
部分用户在一些较紧急的情况使用政务服务系统时,比如说老人小孩生病住院,急需了解最新的报销政策,又或者说因紧急情况需要去某地,急需了解当地的政策,可能会因为耐心有限而显得情绪激动,此时,若由本申请背景技术部分引证的政务服务系统提供服务,可能用户会觉得多次交互浪费时间,且对人工智能结果不太信服,从而给用户造成不好的使用体验;
本实施例根据这一情况,通过对用户的语音信息进行情绪判断,针对不同情绪,提供差异化服务。
具体地,根据用户情绪确定单元确定的用户情绪,当用户情绪为激动状态时,此时触发人工服务单元,采取人工服务的方式对用户进行服务,可以针对用户遇到的情况给出针对性的政策解读和建议,从而提高用户的服务体验;
具体地,触发人工服务单元后,政务服务系统通过互联网或者电话的方式与用户取得联系。
根据用户情绪确定单元确定的用户情绪,当用户情绪为平稳状态时,触发智能服务单元用于对用户的语音问题进行识别,并输出用户问题的答案;
具体地,如图4所示,所述智能服务单元包括:
语音转换单元,用于将用户的语音数据转换成文本数据,方便后续的问题识别;
文本数据分析单元,用于提取文本数据中的关键词,然后对所述文本数据设置文本标签;
示例性地,若识别的文本数据为:请介绍下北京现行的儿童医保报销政策;则通过文本数据分析单元识别出的关键词为,北京,现行,儿童,医保报销,则将该文本数据的文字标签设置为北京,现行,儿童,医保报销,政策;
值得注意地是,文本数据分析单元可以将文本数据设置为多个标签,而不是将文本数据设置为一个标签,以方便智能服务单元识别用户的真实意思表达;
更进一步地,所述设置文本标签的方法可以为基于规则、字典的方法;也可以为基于统计学习的方法,所述基于统计学习的方法包括支持向量机、最大嫡模型、朴素贝叶斯模型;也可以为基于深度学习的方法,所述基于深度学习的方法包括双向循环神经网络模型;
语义识别单元,用于根据所述文本数据分析单元获得的文本标签,对用户的语音句子进行语义识别,从而得到用户真实意思的表达;
具体地,所述语义识别单元通过运行循环神经网络模型用于实现用户语义的识别;
具体地,识别过程如下:
首先通过预训练语言模型将输入的文本数据表示成向量,然后通过双向长短期记忆网络模型对输入的上下文进行语义理解,最后通过条件随机场排除排序不正确的答案,并获得最优序列并输出,从而得到更好的语义识别结果。
更进一步地,所述双向长短期记忆网络模型由两个长短期记忆网络模型组成,一个是前向长短期记忆网络模型,一个为后向长短期记忆网络模型,所述两个长短期记忆网络模型在自然语言处理任务中用来建模上下文信息;
长短期记忆网络模型是一种门控神经网络。与循环神经网络不同的是,每一层隐含层的输出都需要经过门控单元的选择才能进入下一层,长短期记忆网络模型中有三种不同的门控单元,分别叫输入门、输出门、遗忘门,具体公式为:
It=σ(XtWxi+Ht-1Whi+bi)
Ot=σ(XtWxo+Ht-lWho+bo)
Ft=σ(XtWxf+Ht-1Whf+bi)
其中,It、Ot、Ft分别为输入门、输出门和遗忘门;σ为激活函数,Xt为输入矩阵,Ht-1指t-1时间步时的隐含层状态,bi,bo,bf为偏置项,Wxi、Wx0、 Wxf是输入门、输出门、遗忘门与输入向本相关的权重系数,Whi、Wh0、Whf为输入门、输出门、遗忘门与隐含层状态相关联的权重系数;
在长短期记忆网络模型中,中间信息的载体成为记忆细胞Ct:
式中,Ft为遗忘门,Ct-1为t时间步上一步的记忆细胞信息,It为输入门;
通过上述的公式可发现,输入门主要是判断当前时间的输入是否采用,如果代表输入门的It接近于0的话,那么当前信息应当忽略;遗忘门主要判断之前的时间步的信息是否保留,如果代表遗忘门的Ft接近于0的话,那么之前时间步的信息应当忽略,长短期记忆网络模型用这种方法更好的应对长期依赖问题;同时,双向长短期记忆网络模型很好的解决了双向的语义依赖;
输出单元,根据所述语义识别单元识别的用户真实意思,并根据用户的真实意思对照知识图谱集,找出最符合的指数图谱记录,并对用户展示。
实施例二
为了实现上述目的,如图5所示,本实施例还提供一种基于自然语言识别的政务服务系统的信息服务方法,所述方法采用实施例一种提供的基于自然语言识别的政务服务系统,包括:
步骤1:通过语音接收单元接收用户的语音信息数据;
步骤2:基于所述语音接收单元接收的语音数据,对用户的情绪进行确定;
若用户的情绪为激动状态时,进入步骤3,若用户的情绪为平稳状态时,进入步骤4;
步骤3:采取人工服务的方式对用户进行服务,针对用户遇到的情况给出针对性的政策解读和建议;
步骤4:通过智能服务单元对用户的语音问题进行识别,并输出用户问题的答案。
尽管已描述了本文的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本文范围的所有变更和修改。
显然,本领域的技术人员可以对本文进行各种改动和变型而不脱离本文的精神和范围。这样,倘若本文的这些修改和变型属于本文权利要求及其等同技术的范围之内,则本文的意图也包含这些改动和变型在内。
Claims (10)
1.一种基于自然语言识别的政务服务系统,其特征在于:包括:
语音接收单元,用于接收用户的语音信息数据;
用户情绪确定单元,基于所述语音接收单元接收的语音数据,对用户的情绪进行确定;
人工服务单元,用于当用户为情绪激动状态时,采取人工服务的方式对用户进行服务;
智能服务单元,用于当用户情绪为平稳状态时,触发智能服务单元用于对用户的语音问题进行识别,并输出用户问题的答案。
2.根据权利要求1所述的基于自然语言识别的政务服务系统,其特征在于,所述用户情绪确定单元具体包括:
语音数据时域频谱处理模块,用于对语音数据进行傅里叶变换处理,得到用户语音信息中的时域频谱特征信息,
时域频谱转换模块,所述时域频谱转换模块与所述语音数据时域频谱处理模块连接,用于通过滤波器对所述用户语音信息中的时域频谱进行特征转换;得到特定频率特征信息,用于后续的情绪确定;
用户情绪确定模块,所述用户情绪确定模块与所述时域频谱转换模块连接,用于根据所述时域频谱转换模块得到的频谱,通过卷积神经网络模型对用户情绪进行确定。
4.根据权利要求1所述的基于自然语言识别的政务服务系统,其特征在于,所述语音接收单元为降噪麦克风。
5.根据权利要求1所述的基于自然语言识别的政务服务系统,其特征在于,触发人工服务单元后,所述政务服务系统通过互联网或者电话的方式与用户取得联系。
6.根据权利要求3所述的基于自然语言识别的政务服务系统,其特征在于,所述用户情绪确定模块中,所述卷积神经网络模型由输入层、卷积层、池化层三部分组成;所述输入层用于对时域频谱转换模块得到的Mel频谱进行处理,所述卷积层用来提取所述Mel频谱的特征;所述池化层用于防止出现过拟合情况。
7.根据权利要求1所述的基于自然语言识别的政务服务系统,其特征在于,所述智能服务单元包括:
语音转换单元,用于将用户的语音数据转换成文本数据,方便后续的问题识别;
文本数据分析单元,用于提取文本数据中的关键词,然后对所述文本数据设置文本标签;
语义识别单元,用于根据所述文本数据分析单元获得的文本标签,对用户的语音句子进行语义识别,从而得到用户真实意思的表达;
输出单元,根据所述语义识别单元识别的用户真实意思,并根据用户的真实意思对照知识图谱集,找出最符合的指数图谱记录,并对用户展示。
8.根据权利要求7所述的基于自然语言识别的政务服务系统,其特征在于,所述语义识别单元通过运行循环神经网络模型用于实现用户语义的识别的过程为:
首先通过预训练语言模型将输入的文本数据表示成向量,然后通过双向长短期记忆网络模型对输入的上下文进行语义理解,最后通过条件随机场排除排序不正确的答案,并获得最优序列并输出。
9.根据权利要求8所述的基于自然语言识别的政务服务系统,其特征在于,所述双向长短期记忆网络模型由两个长短期记忆网络模型组成,一个是前向长短期记忆网络模型,一个为后向长短期记忆网络模型,所述两个长短期记忆网络模型在自然语言处理任务中用来建模上下文信息;
所述长短期记忆网络模型中有三种不同的门控单元,分别叫输入门、输出门、遗忘门,具体公式为:
It=σ(XtWxi+Ht-1Whi+bi)
Ot=σ(XtWxo+Ht-lWho+bo)
Ft=σ(XtWxf+Ht-lWhf+bi)
其中,It、Ot、Ft分别为输入门、输出门和遗忘门;σ为激活函数,Xt为输入矩阵,Ht-1指t-1时间步时的隐含层状态,bi,bo,bf为偏置项,Wxi、Wx0、Wxf是输入门、输出门、遗忘门与输入向本相关的权重系数,Whi、Wh0、Whf为输入门、输出门、遗忘门与隐含层状态相关联的权重系数;
在长短期记忆网络模型中,中间信息的载体成为记忆细胞Ct:
式中,Ft为遗忘门,Ct-1为t时间步上一步的记忆细胞信息,It为输入门。
10.一种基于自然语言识别的政务服务系统的信息服务方法,所述方法采用权利要求1-9任一项的基于自然语言识别的政务服务系统,其特征在于:包括:
步骤1:通过语音接收单元接收用户的语音信息数据;
步骤2:基于语音接收单元接收的语音数据,对用户的情绪进行确定;
若用户的情绪为激动状态时,进入步骤3,若用户的情绪为平稳状态时,进入步骤4;
步骤3:采取人工服务的方式对用户进行服务,针对用户遇到的情况给出针对性的政策解读和建议;
步骤4:通过智能服务单元对用户的语音问题进行识别,并输出用户问题的答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516877.7A CN115910110A (zh) | 2022-11-30 | 2022-11-30 | 一种基于自然语言识别的政务服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516877.7A CN115910110A (zh) | 2022-11-30 | 2022-11-30 | 一种基于自然语言识别的政务服务系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115910110A true CN115910110A (zh) | 2023-04-04 |
Family
ID=86490966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516877.7A Pending CN115910110A (zh) | 2022-11-30 | 2022-11-30 | 一种基于自然语言识别的政务服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115910110A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105744090A (zh) * | 2014-12-09 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 语音信息处理方法及装置 |
CN105930411A (zh) * | 2016-04-18 | 2016-09-07 | 苏州大学 | 一种分类器训练方法、分类器和情感分类系统 |
CN107657575A (zh) * | 2017-09-30 | 2018-02-02 | 四川智美高科科技有限公司 | 一种基于人工智能的政务服务智能终端设备及使用方法 |
CN109767791A (zh) * | 2019-03-21 | 2019-05-17 | 中国—东盟信息港股份有限公司 | 一种针对呼叫中心通话的语音情绪识别及应用系统 |
CN110149450A (zh) * | 2019-05-22 | 2019-08-20 | 欧冶云商股份有限公司 | 智能客服应答方法及系统 |
CN110335595A (zh) * | 2019-06-06 | 2019-10-15 | 平安科技(深圳)有限公司 | 基于语音识别的插问对话方法、装置及存储介质 |
CN110413780A (zh) * | 2019-07-16 | 2019-11-05 | 合肥工业大学 | 文本情感分析方法、装置、存储介质及电子设备 |
CN110970017A (zh) * | 2018-09-27 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 人机交互方法及系统、计算机系统 |
CN111078855A (zh) * | 2019-12-19 | 2020-04-28 | 联想(北京)有限公司 | 信息处理方法、装置、电子设备及存储介质 |
US20210064821A1 (en) * | 2019-08-27 | 2021-03-04 | Ushur, Inc. | System and method to extract customized information in natural language text |
CN115359576A (zh) * | 2022-07-29 | 2022-11-18 | 华南师范大学 | 一种多模态情绪识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-30 CN CN202211516877.7A patent/CN115910110A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105744090A (zh) * | 2014-12-09 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 语音信息处理方法及装置 |
CN105930411A (zh) * | 2016-04-18 | 2016-09-07 | 苏州大学 | 一种分类器训练方法、分类器和情感分类系统 |
CN107657575A (zh) * | 2017-09-30 | 2018-02-02 | 四川智美高科科技有限公司 | 一种基于人工智能的政务服务智能终端设备及使用方法 |
CN110970017A (zh) * | 2018-09-27 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 人机交互方法及系统、计算机系统 |
CN109767791A (zh) * | 2019-03-21 | 2019-05-17 | 中国—东盟信息港股份有限公司 | 一种针对呼叫中心通话的语音情绪识别及应用系统 |
CN110149450A (zh) * | 2019-05-22 | 2019-08-20 | 欧冶云商股份有限公司 | 智能客服应答方法及系统 |
CN110335595A (zh) * | 2019-06-06 | 2019-10-15 | 平安科技(深圳)有限公司 | 基于语音识别的插问对话方法、装置及存储介质 |
CN110413780A (zh) * | 2019-07-16 | 2019-11-05 | 合肥工业大学 | 文本情感分析方法、装置、存储介质及电子设备 |
US20210064821A1 (en) * | 2019-08-27 | 2021-03-04 | Ushur, Inc. | System and method to extract customized information in natural language text |
CN111078855A (zh) * | 2019-12-19 | 2020-04-28 | 联想(北京)有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN115359576A (zh) * | 2022-07-29 | 2022-11-18 | 华南师范大学 | 一种多模态情绪识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
罗森林等: "《语义识别及语义可视化技术研究》", 北京理工大学出版社 , pages: 196 - 198 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101537B (zh) | 基于深度学习的多轮对话数据分类方法、装置和电子设备 | |
Serban et al. | A deep reinforcement learning chatbot | |
CN112164391B (zh) | 语句处理方法、装置、电子设备及存储介质 | |
CN110427461B (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
CN110928997A (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
US20200104312A1 (en) | Method and system for extracting information from graphs | |
CN112465017A (zh) | 分类模型训练方法、装置、终端及存储介质 | |
CN112732911A (zh) | 基于语义识别的话术推荐方法、装置、设备及存储介质 | |
CN113239169B (zh) | 基于人工智能的回答生成方法、装置、设备及存储介质 | |
CN111985249A (zh) | 语义分析方法、装置、计算机可读存储介质及电子设备 | |
CN110807333A (zh) | 一种语义理解模型的语义处理方法、装置及存储介质 | |
Windiatmoko et al. | Developing facebook chatbot based on deep learning using rasa framework for university enquiries | |
CN112632244A (zh) | 一种人机通话的优化方法、装置、计算机设备及存储介质 | |
CN111159409A (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN111353026A (zh) | 一种智能法务律师助手客服系统 | |
Windiatmoko et al. | Developing FB chatbot based on deep learning using RASA framework for university enquiries | |
CN111611358A (zh) | 信息交互方法、装置、电子设备及存储介质 | |
CN114756675A (zh) | 文本分类方法、相关设备及可读存储介质 | |
CN113468894A (zh) | 对话交互方法及装置、电子设备和计算机可读存储介质 | |
Su et al. | Answer acquisition for knowledge base question answering systems based on dynamic memory network | |
EP4047506A1 (en) | Method and system to automatically train a chatbot using domain conversations | |
Dey et al. | Emotion extraction from real time chat messenger | |
CN116662522B (zh) | 问题答案推荐方法、存储介质和电子设备 | |
CN113515593A (zh) | 基于聚类模型的话题检测方法、装置和计算机设备 | |
CN117278675A (zh) | 一种基于意图分类的外呼方法、装置、设备及介质 |
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: 20230404 |
|
RJ01 | Rejection of invention patent application after publication |