JP2015004754A - 対話装置、対話方法および対話プログラム - Google Patents

Abstract

【課題】ユーザの音声入力に対応する応答の妥当性を評価する。
【解決手段】音声対話システムでは、対話装置が、ユーザから音声入力を受け付けた場合に、音声を含む応答を行い、応答に対するユーザ５の反応が肯定的であるか否かに応じて、応答を評価する。例えば、対話装置は、音声入力に肯定的なキーワードが含まれている場合には、応答に高い評価を与える。対話装置は、音声入力に否定的なキーワードが含まれている場合には、応答に低い評価を与える。
【選択図】図１

Description

本発明は、対話装置、対話方法および対話プログラムに関する。

近年、スマートフォンの普及にともなって、ユーザの入力操作等を補助するべく、音声対話システムの開発が進んでいる。例えば、従来の音声対話システムは、ユーザからの音声入力を受け付けると、音声に対して自然言語処理等を実行する。そして、音声対話システムでは、音声入力に対する処理を定義したルールテーブルと、自然言語処理結果とを基にして、該当する処理を実行する。

例えば、音声対話システムは、「今何時ですか？」なる音声入力を受け付けた場合には、ルールテーブルに従って、現在時刻を出力する。現状では、管理者が過去の経験やユーザからの要望に応じて、ルールテーブルの検討を行い、ルールテーブルの改善や新たなルールの追加を行うことが一般的である。

特開２００９−１９３４４８号公報

しかしながら、上述した従来技術では、ユーザの音声入力に対応する応答の妥当性を評価することが出来ないという問題がある。

ルールテーブルに定義された処理の内容は多様化しており、音声入力と処理入力との組み合わせの数も膨大であるため、人手によって各応答の妥当性を評価することは難しい。

本発明は、上記に鑑みてなされたものであって、ユーザの音声入力に対応する応答の妥当性を評価することができる対話装置、対話方法および対話プログラムを提供することを目的とする。

本願に係る対話装置は、ユーザ端末から第１音声入力を受け付けた場合に、音声情報を含む応答を前記ユーザ端末に送信する応答手段と、応答に対するユーザ端末からの第２音声入力を受け付け、該第２音声入力を基にして、応答を評価する評価手段とを有することを特徴とする。

本発明にかかる対話装置、対話方法および対話プログラムによれば、ユーザの音声入力に対応する応答の妥当性を評価することができるという効果を奏する。

図１は、本実施例に係る音声対話システムの概要を説明するための図である。 図２は、本実施例に係る音声対話システムの構成を示す図である。 図３は、本実施例に係る対話装置の構成を示す機能ブロック図である。 図４は、ルールテーブルのデータ構造の一例を示す図である。 図５は、Ｐ判定テーブルのデータ構造の一例を示す図である。 図６は、Ｎ判定テーブルのデータ構造の一例を示す図である。 図７は、評価部の処理を説明するための図である。 図８は、本実施例に係る対話装置の処理手順を示すフローチャートである。 図９は、対話装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本発明にかかる対話装置、対話方法および対話プログラムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

まず、本実施例に係る音声対話システムの概要について説明する。図１は、本実施例に係る音声対話システムの概要を説明するための図である。図１に示す例では、ユーザ５がユーザ端末１０に音声入力を行い、ユーザ端末１０が音声を含む応答を行う場合について説明する。詳細については後述するが、ユーザ端末１０は、ネットワークを介して対話装置に接続され、かかる対話装置を利用して応答を行うものとする。

図１のステップＳ１０について説明する。ユーザ５は、天気を知りたい場合に、はっきりと「天気を教えてください」とは言わずに、「今日はよくなるかな？」のような曖昧な表現により音声入力を行う場合がある。そうすると、例えば、ユーザ端末１０は、とりあえず複数の応答候補から天気予報を検索する応答を選択し、天気予報を検索して「今日の天気は、晴れのち曇りです」と音声で応答する。

図１のステップＳ１１について説明する。ステップＳ１０の応答に対して、ユーザ５の希望する応答を得られたとすると、ユーザ５は、反射的に「賢いね！」と感想を発する場合がある。ここで、ユーザ端末１０は、「賢いね！」なる表現は、「肯定的」であるのだから、ステップＳ１０で行った応答は正しいものであると評価を行う。そして、「今日はよくなるかな？」に対して天気予報を検索して音声で応答するルールを、ルールテーブルに追加し、今後の応答に役立てる。

このように、本実施例に係る音声対話システムでは、ユーザ５から音声入力を受け付けた場合に、音声を含む応答を行い、応答に対するユーザ５の反応が肯定的であるか否かに応じて、応答を評価するので、ユーザの音声入力に対応する応答の妥当性を効率的に評価することができる。

次に、本実施例に係る音声対話システムの構成について説明する。図２は、本実施例に係る音声対話システムの構成を示す図である。図１に示すようにこの音声対話システムは、ユーザ端末１０と、音声認識サーバ２０と、音声合成サーバ３０と、対話装置１００とを有する。ユーザ端末１０と、音声認識サーバ２０と、音声合成サーバ３０と、対話装置１００とは、ネットワーク５０を介して相互に接続される。

ユーザ端末１０は、スマートフォンやタブレット端末等の端末装置であり、図１のユーザ端末１０に対応する。ユーザ端末１０は、ユーザから入力される音声情報を、対話装置１００に通知する。また、ユーザ端末１０は、対話装置１００からの応答を受信する。

音声認識サーバ２０は、音声情報に対して自然言語処理を実行し、音声情報をテキスト情報に変換する装置である。例えば、音声情報「今日はよくなるかな？」をテキスト情報＜今日はよくなるかな＞に変換する。

音声合成サーバ３０は、テキスト情報を音声情報に変換する装置である。例えば、テキスト情報＜今日の天気は、晴れのち曇りです＞を、音声情報「今日の天気は、晴れのち曇りです」に変換する。

対話装置１００は、ユーザ端末１０から音声情報を受信した場合に、音声情報を含む応答をユーザ端末１０に応答し、応答に対するユーザ端末１０からの音声入力を基にして、自装置が行った応答を評価する装置である。以下において、対話装置１００について具体的に説明する。

図３は、本実施例に係る対話装置の構成を示す機能ブロック図である。図３に示すように、この対話装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

通信部１１０は、ネットワーク５０を介して、ユーザ端末１０、音声認識サーバ２０、音声合成サーバ３０とデータ通信を実行する通信装置である。後述する制御部１３０は、通信部１１０を利用して、ユーザ端末１０、音声認識サーバ２０、音声合成サーバ３０との間でデータをやり取りする。

記憶部１２０は、ルールテーブル１２１、Ｐ判定テーブル１２２、Ｎ判定テーブル１２３を記憶する。記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、ＨＤＤ（Hard Disk Drive）などの記憶装置に対応する。

ルールテーブル１２１は、ユーザ端末１０の音声入力に対してどのような応答を行うのかを定義するテーブルである。図４は、ルールテーブルのデータ構造の一例を示す図である。図４に示すように、このルールテーブル１２１は、識別番号と、キーワードと、応答内容と、Ｐ回数と、Ｎ回数とをそれぞれ対応付ける。このうち、Ｐ回数は、応答に対してユーザから肯定的な音声入力を受け付けた回数を示す。Ｎ回数は、応答に対してユーザから否定的な音声入力を受け付けた回数を示す。なお、応答内容に関しては、キーワードに対応する応答文そのものを対応付けてもよい。例えば、キーワード「西京タワーって」に対する応答内容として、応答文「高さは６４５メートルです」としても良い。

Ｐ判定テーブル１２２は、肯定的なキーワードを定義するテーブルである。図５は、Ｐ判定テーブルのデータ構造の一例を示す図である。図５に示す例では、ありがとう，助かった，賢いね，すごいね等が、肯定的なキーワードとして定義されている。

Ｎ判定テーブル１２３は、否定的なキーワードを定義するテーブルである。図６は、Ｎ判定テーブルのデータ構造の一例を示す図である。図６に示す例では、間違ってる，なにこれ，使えない等が、否定的なキーワードとして定義されている。

図３の説明に戻る。制御部１３０は、取得部１３１、応答部１３２、評価部１３３を有する。制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）や、ＦＰＧＡ（Field Programmable Gate Array）などの集積装置に対応する。また、制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路に対応する。

取得部１３１は、ユーザ端末１０から音声情報を取得する処理部である。取得部１３１は、音声情報を取得した場合に、音声情報を音声認識サーバ２０に送信し、音声情報をテキスト情報に変換することを依頼する。取得部１３１は、音声情報に対応するテキスト情報を、応答部１３２および評価部１３３に出力する。

応答部１３２は、音声情報に対応するテキスト情報と、ルールテーブル１２１のキーワードとのパターンマッチングを行い、応答内容を特定し、特定した応答を実行する処理部である。

応答部１３２は、テキスト情報に対して形態素解析を実行してテキスト情報を複数の単語に分割し、分割した単語と一致する単語の数が最大となるキーワードを、ルールテーブル１２１のキーワードから特定する。応答部１３２は、特定したキーワードに対応する応答内容を実行する。応答部１３２は、応答内容を実行した結果となる応答情報を音声合成サーバ３０に送信し、応答情報を、音声情報を含む応答情報に変換することを依頼する。応答部１３２は、音声情報を含む応答情報を、ユーザ端末１０に送信する。

例えば、テキスト情報＜今日はよくなるかな＞に対して、応答部１３２が、ルールテーブル１２１の識別番号「１０３」の「天気がよくなるかな」を選択した場合について説明する。識別番号「１０３」の応答内容は、「天気予報を検索して検索結果を通知」であるため、応答部１３２は、検索サーバ（図示略）を利用して、天気予報を検索し、検索結果を得る。例えば、検索結果を＜今日の天気は、晴れのち曇りです＞とする。

応答部１３２は、応答情報＜今日の天気は、晴れのち曇りです＞を音声合成サーバ３０に送信して、音声情報「今日の天気は、晴れのち曇りです」を取得する。応答部１３２は、音声情報「今日の天気は、晴れのち曇りです」を含む応答情報を、ユーザ端末１０に送信し、音声「今日の天気は、晴れのち曇りです」を出力させる。

応答部１３２は、応答情報をユーザ端末１０に送信する場合に、ルールテーブル１２１で選択したキーワードに対応する識別番号を、評価部１３３に出力する。例えば、キーワード「天気がよくなるかな」を選択して応答した場合には、識別番号「１０３」を評価部１３３に出力する。

評価部１３３は、応答部１３２の応答結果に対する利用者の反応から、応答部１３２が行った応答を評価する処理部である。具体的に、評価部１３３は、応答部１３２が応答を行った後に、取得部１３１から、テキスト情報を取得する。評価部１３３は、テキスト情報と、Ｐ判定テーブル１２２およびＮ判定テーブル１２３とを比較して、テキスト情報に肯定的なキーワードが含まれるのか、否定的なキーワードが含まれるのかを判定する。

評価部１３３は、肯定的なキーワードが含まれる場合には、ルールテーブル１２１において、応答部１３２から通知を受けた識別番号に対応するＰ回数に所定値を加算する。これに対して、評価部１３３は、否定的なキーワードが含まれる場合には、ルールテーブル１２１において、応答部１３２から通知を受けた識別番号に対応するＮ回数に所定値を加算する。

例えば、応答部１３２が、識別番号「１０３」に対応する応答を行い、その後に、取得部１３１から取得したテキスト情報に肯定的なキーワードが含まれていたとする。この場合には、ルールテーブル１２１の識別番号「１０３」のレコードに対応するＰ回数に１を加算する。

更に、応答部１３２は、テキスト情報に肯定的なキーワードが含まれている場合には、評価部１３３は、応答部１３２が応答するに至ったテキスト情報と、応答内容とを対応付けて、ルールテーブル１２１に新規登録する。

図７は、評価部の処理を説明するための図である。例えば、上記のように、応答部１３２がテキスト情報＜今日はよくなるかな＞に対して、応答内容「天気予報を検索して検索結果を通知」を実行して応答を行い、係る応答に対するテキスト情報に肯定的なキーワードが含まれていたものとする。このような場合には、図７に示すように、キーワード「今日はよくなるかな」と、応答内容「天気予報を検索して検索結果を通知」とを対応付けたレコードを、ルールテーブル１２１に追加する。例えば、Ｐ回数の初期値を「１」、Ｎ回数の初期値を「０」としても良い。

これに対して、応答部１３２が、識別番号「１０３」に対応する応答を行い、その後に、取得部１３１から取得したテキスト情報に否定的なキーワードが含まれていたとする。この場合には、ルールテーブル１２１の識別番号「１０３」のレコードに対応するＮ回数に１を加算する。

ところで、評価部１３３は、ルールテーブル１２１に新たに追加したレコードを基にして、Ｐ判定テーブル１２２のキーワードを追加する処理を行っても良い。例えば、図７で追加したレコードのキーワード「今日はよくなるかな」と、応答内容「天気予報を検索して検索結果を通知」との対応関係は適切であると考えられる。このため、キーワード「今日はよくなるかな」に対して「天気予報を検索して検索結果を通知」する応答を応答部１３２が行った後に、ユーザから得られるテキスト情報は、肯定的なキーワードである。従って、評価部１３３は、ルールテーブル１２１に新たに追加したレコードに基づいて応答部１３２が応答した後に、取得部１３１から取得するテキスト情報を、Ｐ判定テーブル１２２に追加する。例えば、評価部１３３は、取得部１３１からテキスト情報「おもしろい」を取得したとすると、この「おもしろい」を、Ｐ判定テーブル１２２に追加する。

次に、本実施例に係る対話装置１００の処理手順について説明する。図８は、本実施例に係る対話装置の処理手順を示すフローチャートである。図８に示すように、対話装置１００は、音声認識サーバ２０を利用して、ユーザ端末１０に入力された音声をテキスト情報として受信する（ステップＳ１０１）。

対話装置１００は、パターンマッチングを行って、該当するキーワードを選択し、応答内容に対応する処理を実行する（ステップＳ１０２）。対話装置１００は、音声合成サーバ３０を利用して、応答内容を音声情報に変換し、音声を含んだ応答をユーザ端末１０に送信する（ステップＳ１０３）。

対話装置１００は、音声認識サーバ２０を利用して、ユーザ端末１０に入力された音声をテキスト情報として受信する（ステップＳ１０４）。対話装置１００は、テキスト情報を基にして、応答内容を評価し、ルールテーブル１２１を更新する（ステップＳ１０５）。

次に、本実施例に係る対話装置１００の効果について説明する。本実施例に係る対話装置１００は、ユーザ５から音声入力を受け付けた場合に、音声を含む応答を行い、応答に対するユーザ５の反応が肯定的であるか否かに応じて、応答を評価するので、ユーザの音声入力に対応する応答の妥当性を効率的に評価することができる。

また、対話装置１００は、肯定的な応答と、該応答に対応するキーワードとを対応付けてルールテーブル１２１に追加する。このため、ルールテーブル１２１におけるキーワードと、応答内容とを効率的に学習させることができる。

また、対話装置１００は、ルールテーブル１２１に新たに追加したレコードに基づいて応答部１３２が応答した後に、取得部１３１から取得するテキスト情報を、Ｐ判定テーブル１２２に追加する。このため、Ｐ判定テーブル１２２の情報を効率的に学習させることができる。

ところで、本実施例では一例として、音声認識サーバ２０と、音声合成サーバ３０と、対話装置１００とを別々の装置としたが、これに限定されるものではない。例えば、音声認識サーバ２０と、音声合成サーバ３０と、対話装置１００とを統合して、単一のサーバ装置としても良い。

続いて、本実施例に係る対話装置１００のその他の処理について説明する。例えば、応答部１３２は、取得部１３１から取得するテキスト情報と、ルールテーブル１２１とを比較して、複数のキーワードにヒットする場合には、ヒットしたキーワードのＰ回数に基づいて、第１候補の応答内容と第２候補の応答内容を特定する。例えば、応答部１３２は、ヒットしたキーワードのうち、Ｐ回数が最大となるキーワードの応答内容を、第１候補の応答内容とし、２番目にＰ回数が多いキーワードの応答内容を、第２候補の応答内容とする。なお、同一のキーワードに対して、複数の応答内容が存在する場合には、応答部１３２は、キーワードと応答内容との組みに対応するＰ回数に応じて、第１候補の応答内容と、第２候補の応答内容を特定する。また、応答部１３２は、ヒットしたキーワードのうち、Ｐ回数とＮ回数との差分、或いはＰ回数とＮ回数との和におけるＰ回数の締める割合の高さで第１候補、第２候補の応答内容を特定してもよい。

例えば、テキスト情報＜今日はよくなるかな？＞にヒットしたキーワードに対応する応答内容に「天気の検索結果を実行して検索結果を通知」および「日経平均株価を検索して検索結果を通知」が存在し、応答内容「天気の検索結果を実行して検索結果を通知」に対するＰ回数が、応答内容「日経平均株価を検索して検索結果を通知」に対するＰ回数よりも多いとする。この場合には、応答部１３２は、第１候補の応答内容を「天気の検索結果を実行して検索結果を通知」とし、第２候補の応答内容を「日経平均株価を検索して検索結果を通知」とする。

応答部１３２は、取得部１３１からテキスト情報＜今日はよくなるかな？＞を受け付けた場合には、第１候補の応答内容に応じた処理「天気の検索結果を実行して検索結果を通知」を実行し、応答を行う。ここで、応答部１３２は、応答した後に、評価部１３３から、応答の評価を取得する。応答部１３２は、応答に対するユーザの音声入力に否定的なキーワードが含まれている場合には、第２候補の応答内容に応じた処理「日経平均株価を検索して検索結果を通知」を実行し、応答を行う。ここでは、第１，２候補の応答内容を特定し、否定的なキーワードが含まれる場合に、第１候補の応答内容に続いて、第２候補の応答内容を実行する場合について説明したが、応答部１３２は、Ｐ回数に応じて、第３候補、第４候補、・・第Ｎ候補（Ｎは自然数）を特定し、応答に対する評価に肯定的なキーワードが含まれるまで、第３候補、第４候補、・・第Ｎ候補の応答内容の処理を順次実行してもよい。

更に、上記例では、Ｐ回数に応じて、第１候補の応答内容および第２候補の応答内容を特定する場合について説明したが、これに限定されるものではない。例えば、対話装置１００は、ユーザの利用履歴を管理しておき、かかるユーザの利用履歴を基にして、利用者がよく利用する応答内容を、第１候補の応答内容として特定しても良い。例えば、対話装置１００は、ユーザ毎に、応答内容の識別番号と、ユーザの利用回数とを対応付けて保存しておく。そして、応答部１３２は、取得部１３１から取得するテキスト情報と、ルールテーブル１２１とを比較して、複数のキーワードにヒットする場合には、ヒットしたキーワードのうち、利用回数が最大となる応答内容を、第１候補の応答内容として特定し、２番目に利用回数が多いキーワードの応答内容を、第２候補の応答内容としてもよい。また、第３候補、第４候補、・・第Ｎ候補（Ｎは自然数）を特定してもよい。

なお、上述した実施例における対話装置１００は、例えば図９に示すような構成のコンピュータ６０によって実現される。図９は、対話装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インターフェイス（Ｉ／Ｆ）６５、入出力インターフェイス（Ｉ／Ｆ）６６、およびメディアインターフェイス（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ５０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インターフェイス６５は、ネットワーク５０を介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、ネットワーク５０を介して他の機器へ送信する。

ＣＰＵ６１は、入出力インターフェイス６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インターフェイス６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インターフェイス６６を介して出力装置へ出力する。

メディアインターフェイス６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインターフェイス６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

コンピュータ６０が上記実施例における対話装置１００として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、取得部１３１、応答部１３２、評価部１３３の各機能を実現する。また、ＨＤＤ６４には、ルールテーブル１２１、Ｐ判定テーブル１２２、Ｎ判定テーブル１２３が格納される。

１０ ユーザ端末
２０ 音声認識サーバ
３０ 音声合成サーバ
１００ 対話装置
１１０ 通信部
１２０ 記憶部
１２１ ルールテーブル
１２２ Ｐ判定テーブル
１２３ Ｎ判定テーブル
１３０ 制御部
１３１ 取得部
１３２ 応答部
１３３ 評価部

Claims (6)

1. ユーザ端末から第１音声入力を受け付けた場合に、音声情報を含む応答を前記ユーザ端末に送信する応答手段と、
   前記応答に対する前記ユーザ端末からの第２音声入力を受け付け、該第２音声入力を基にして、前記応答を評価する評価手段と
   を有することを特徴とする対話装置。
2. 前記評価手段は、前記第２音声入力に肯定的なキーワードが含まれている場合には、前記応答に所定の値よりも高い評価を与え、前記第２音声入力に否定的なキーワードが含まれている場合には、前記応答に前記所定の値よりも低い評価を与えることを特徴とする請求項１に記載の対話装置。
3. 前記評価手段は、高い評価を与えた応答と、該応答に対応する第１音声入力とを対応付けてルールテーブルに追加し、前記応答手段は、前記ユーザ端末から第１音声入力を受け付けた場合に、受け付けた第１音声入力に対応する応答を前記ルールテーブルから検索し、検索した応答を送信することを特徴とする請求項２に記載の対話装置。
4. 前記応答手段が、前記ルールテーブルから検索した応答を前記ユーザ端末に送信した場合に、該応答に対して前記ユーザ端末から受け付ける第２音声入力に含まれるキーワードを、肯定的なキーワードに追加することを特徴とする請求項３に記載の対話装置。
5. 対話装置が実行する対話方法であって、
   ユーザ端末から第１音声入力を受け付けた場合に、音声情報を含む応答を前記ユーザ端末に送信する応答工程と、
   前記応答に対する前記ユーザ端末からの第２音声入力を受け付け、該第２音声入力を基にして、前記応答を評価する評価工程と
   を含むことを特徴とする対話方法。
6. ユーザ端末から第１音声入力を受け付けた場合に、音声情報を含む応答を前記ユーザ端末に送信する応答手順と、
   前記応答に対する前記ユーザ端末からの第２音声入力を受け付け、該第２音声入力を基にして、前記応答を評価する評価手順と
   をコンピュータに実行させることを特徴とする対話プログラム。

Images