JP6126870B2

JP6126870B2 - 音声対話システム及び音声対話方法

Info

Publication number: JP6126870B2
Application number: JP2013040742A
Authority: JP
Inventors: 幹生中野; 和範駒谷; 嗣巳大塚
Original assignee: Honda Motor Co Ltd; Nagoya University NUC; Tokai National Higher Education and Research System NUC
Current assignee: Honda Motor Co Ltd; Nagoya University NUC; Tokai National Higher Education and Research System NUC
Priority date: 2013-03-01
Filing date: 2013-03-01
Publication date: 2017-05-10
Anticipated expiration: 2033-03-01
Also published as: US9330656B2; US20140249826A1; JP2014170047A

Description

本発明は、ユーザの音声入力に対する応答を作成してユーザとの対話を行う音声対話システム及び音声対話方法に関する。

ユーザとの対話を行う際に、音声対話システムが、ユーザの発話の中の固有名詞の属性を定めるのは重要な作業である。ここでは、一例として、ある地域のレストランについて、ユーザが固有名詞を含む発話を行い、音声対話システムが、居酒屋、中華、カフェなどレストランの属性（ジャンル）を定める場合について説明する。最初に、以下の二つの対話例について考察する。
第１の対話例
ユーザ：「とよ」について教えて
システム：「そのお店は知らないので覚えておきます。そのお店のジャンルはなんですか？」
第２の対話例
ユーザ：「オステリアリュウ」について教えて
システム：「そのお店は知らないので覚えておきます。そのお店って多分イタリアンのお店ですよね？」
第１の対話例で、音声対話システムは何も推定せず、単純な質問を行っている。この場合、ユーザの応答には何の制限もないので、ユーザが新たな未知語を発話する可能性がある。これに対して、第２の対話例の音声対話システムの質問に対して、ユーザの応答は肯定または否定表現に絞られる。このように、音声対話システムが、可能な範囲で内容を推定した後により具体的な質問を行うことにより、ユーザとの対話の効率を向上させることができる。すなわち、音声対話システムが、ユーザの発話の中の固有名詞に対して、その属性を推定し適切な応答を作成することにより、対話の効率を向上させることが期待される。

通常、固有名詞から属性を推定する場合には、データベース、この場合には、その地域のレストランのデータベースを使用する。しかし、ユーザの発話の中の固有名詞が該データベースに含まれないことも考えられる。そこで、属性を定める際にウェブの情報を使用することもおこなわれている（たとえば、非特許文献１、非特許文献２）。

山本あゆみ、佐藤理史．ワールドワイドウェブからの人物情報の自動収集．電子情報通信学会技術研究報告．ＡＩ、人工知能と知識処理、Vol.99,No.534,pp.93-100,2000 吉永直樹、鳥澤健太郎．Ｗｅｂからの具体物の属性・属性地情報の自動獲得．言語処理学会第１３回年次大会発表論文、2007

しかし、ユーザとの対話の効率を向上させるように、ユーザの発話の中の固有名詞の属性の推定結果に基づいて応答を作成する音声対話システム及び音声対話方法は開発されていない。そこで、ユーザとの対話の効率を向上させるように、ユーザの発話の中の固有名詞の属性の推定結果に基づいて応答を作成する音声対話システム及び音声対話方法に対するニーズがある。

本発明の第１の態様による音声対話システムは、データベースを利用して、入力された固有名詞の属性を推定するデータベース属性推定部と、ウェブを利用して、入力された固有名詞の属性を推定するウェブ属性推定部と、所定の属性に対して、該データベース属性推定部による推定の第１の信頼度と該ウェブ属性推定部による推定の第２の信頼度とを統合して統合信頼度を求める信頼度統合部と、属性の候補に対して、該属性の候補の統合信頼度に基づいて、入力に対する応答を作成する応答作成部と、を備えている。

本態様によれば、固有名詞の属性の候補に対して、データベースに基づく推定の第１の信頼度とウェブに基づく推定の第２の信頼度とを統合して求めた統合信頼度に基づいて、入力に対する応答を作成するので、ユーザとの対話の効率を向上させることができる。

第１の態様の第１の実施形態の音声対話システムは、前記応答作成部が、属性の候補を統合信頼度の高い順に並べ、統合信頼度の高い方からの和を求め、該和が所定の閾値を超える最小の候補数を求め、該最小の候補数にしたがって応答を作成するように構成されている。

本実施形態によれば、統合信頼度の高さに応じて、属性の候補数を絞って応答を作成するので、ユーザとの対話の効率を向上させることができる。

第１の態様の第２の実施形態の音声対話システムは、前記信頼度統合部が、第１の信頼度と第２の信頼度との重み付和によって統合信頼度を求めるように構成されている。

本実施形態によれば、異なる情報に基づく第１の信頼度と第２の信頼度との重み付和によって統合信頼度を求めることにより、推定の正解率を向上させることができる。

第１の態様の第３の実施形態の音声対話システムは、前記データベース属性推定部が、前記データベース属性推定部が、固有名詞の素性と属性との相互情報量に基づいて選択された素性を使用するように構成されている。

本実施形態によれば、前記データベース属性推定部の過学習を避けることができる。

本発明の第２の態様による音声対話方法は、データベースを利用して、入力された固有名詞の属性を推定するステップと、ウェブを利用して、入力された固有名詞の属性を推定するステップと、所定の属性に対して、データベースに基づく推定の第１の信頼度とウェブに基づく推定の第２の信頼度とを統合して統合信頼度を求めるステップと、属性の候補に対して、該属性の候補の統合信頼度に基づいて、入力に対する応答を作成するステップと、を含む。

本発明の一実施形態による音声対話システムの構成を示す図である。音声対話システムの動作を説明するための流れ図である。応答作成部が、統合信頼度に基づいて応答分を作成する手順を説明するための流れ図である。ＣＭスコア別の正解率を示す図である。

図１は、本発明の一実施形態による音声対話システム１００の構成を示す図である。音声対話システム１００は、ウェブを利用して入力された固有名詞の属性を推定するウェブ属性推定部１０１と、データベースを利用して入力された固有名詞の属性を推定するデータベース属性推定部１０３と、所定の属性に対して、データベース属性推定部１０３による推定の第１の信頼度とウェブ属性推定部１０１による推定の第２の信頼度とを統合して統合信頼度を求める信頼度統合部１０５と、属性の候補に対して、該属性の候補の統合信頼度に基づいて、入力に対する応答を作成する応答作成部１０７と、を備えている。固有名詞は、音声認識部２００から入力される。

図２は、音声対話システム１００の動作を説明するための流れ図である。

図２のステップＳ１０１０において、音声対話システム１００が音声認識部２００からユーザの発話の中の固有名詞を受け取る。

図２のステップＳ１０２０において、データベース属性推定部１０３が、データベースを利用して固有名詞である店舗名の、属性であるレストランのジャンルを推定する。データベース内の店舗名

を入力とし、ジャンル

を出力として機械学習により推定を行う。

機械学習には最大エントロピーモデル（以下、ＭＥと呼称する）（Adam L. Berger, Vincent J. Della Pietra, and Stephen A. Della Pietra. A maximum entropy approach to natural language processing. Comput. Linguist., Vol. 22, No. 1, pp. 39-71, March 1996.）を使用する。ＭＥにより求まる事後確率

をデータベース推定における信頼度をＣＭ_Ｄ（ｇ_ｉ）とし以下の式で表す。

ここで、

はジャンルｇ_ｉと店舗名ｓ_ｉに関する素性ベクトルである。

は素性ベクトルに対する重みであり、Ｚは、

を保証する正規化係数である。

学習データとして、データベース内の店舗名とそのジャンル、店舗名から生成される以下の素性を用いる。

店舗名の文字ｎ−ｇｒａｍ（ｎ＝１，２，３）
店舗名の形態素列
店舗名の文字の種類
ここで、形態素解析にMecabを使用し、その辞書はIPADICを使用する。文字の種類は、ひらがな、カタカナ、漢字、アルファベットとする。たとえば、「ＩＢカフェ」という店舗の場合、「カタカナ＋アルファベット」となる。

素性とジャンルとの相互情報量に基づいて素性を選択するのが好ましい。相互情報量は以下の式で表せる。

ここで、ｐ（ｆ_ｋ）、ｐ（ｇ_ｉ）は学習データから作成される素性ｆ_ｋとジャンルｇ_ｉのそれぞれの正規確率、ｐ（ｆ_ｋ，ｇ_ｉ）は同時確率を表す。Ｉ（ｆ_ｋ；Ｇ）のスコア降順の順位から所定の割合（％）の素性のみを使用する。所定の割合については後で説明する。

図２のステップＳ１０３０において、ウェブ属性推定部１０１が、ウェブを利用して固有名詞である店舗名の、属性であるレストランのジャンルを推定する。まず、検索クエリを「＜検索店舗名＞地域（たとえば、愛知県）レストラン」とする。つぎにこの検索結果に関して、タグを取り除いたＨＴＭＬファイルを取得する。取得したＨＴＭＬファイルに対してデータベース内のジャンルｇ_ｉの頻度ｈ（ｇ_ｉ）を求める。頻度を以下の式により正規化し、ウェブに基づく信頼度ＣＭ_Ｗのスコア降順のリストとして出力する。

図２のステップＳ１０４０において、信頼度統合部１０５が、データベースに基づく信頼度ＣＭ_Ｄ、及びウェブに基づく信頼度ＣＭ_Ｗから統合信頼度ＣＭ_Ｉを求める。統合信頼度は、両方の信頼度の重み付き和として求めてもよい。

図２のステップＳ１０５０において、応答作成部１０７が、統合信頼度に基づいて応答分を作成する。

図３は、応答作成部１０７が、統合信頼度に基づいて応答分を作成する図２のステップＳ１０５０の詳細な手順を説明するための流れ図である。

図３のステップＳ２０１０において、応答作成部１０７は、統合信頼度の高い順に属性を並べる。

図３のステップＳ２０２０において、応答作成部１０７は、最も高い統合信頼度が閾値以上であるかどうか判断する。最も高い統合信頼度が閾値以上であれば、ステップＳ２０６０に進む。最も高い統合信頼度が閾値未満であれば、ステップＳ２０３０に進む。

図３のステップＳ２０３０において、応答作成部１０７は、つぎに高い統合信頼度を加算する。

図３のステップＳ２０４０において、応答作成部１０７は、加算された統合信頼度の数、すなわち属性の候補数が所定値以上であるかどうか判断する。その数が所定値以上であればステップＳ２０６０に進む。その数が所定値未満であれば、ステップＳ２０５０に進む。

図３のステップＳ２０５０において、応答作成部１０７は、統合信頼度の和が閾値未満であるかどうか判断する。統合信頼度の和が閾値未満であれば、ステップＳ２０３０に戻る。統合信頼度の和が閾値以上であれば、ステップＳ２０６０に進む。

図３のステップＳ２０６０において、応答作成部１０７は、上述の方法によって求めた属性の候補数によって応答を作成する。属性の候補数は、統合信頼度ＣＭ_Ｉ（ｇ_ｉ）を使用して以下の式によって表せる。

ここで、ｊは、ＣＭ_Ｉ（ｇ_ｉ）を降順に並べたときの順位を表す。θは図３の流れ図における閾値である。

表１は、属性の候補数ｎｕｍにしたがって作成された応答例を示す表である。

たとえば、ｎｕｍ＝１、すなわち、第１位のスコアＣＭ_Ｉ（ｇ_１）だけでθを超えているとき、その候補一つだけを質問項目に含める。このように、属性の候補数ｎｕｍを絞ることによりユーザの応答は限定されるので、属性の候補数ｎｕｍにしたがって応答を作成することにより、ユーザとの対話の効率を向上させることが可能となる。

ここで、上述のデータベースに基づく信頼度及びウェブに基づく信頼度の、正解を示す尺度としての有効性について説明する。

一例としてのある地域のレストランのデータベースの登録店舗数は、２３９８件である。データベースから４００件の店舗を抽出して評価を行った。データベースに基づく推定では、残りの１９９８件のデータを学習データとした。素性については、相互情報量のスコア降順の上位０．８％に相当する２０３種類の素性を使用した。ＣＭ（ｇ_ｉ）が最大値となるジャンルと正解ジャンルが一致した場合を正解とした。

ここで、データベースに基づく推定の素性選択について説明する。相互情報量のスコア降順の上位ｘ％として選択された素性に対して、クローズドテストの正解率とオープンテストの正解率とを比較する。ここで、正解率は、ＣＭ_Ｄ（ｇ_ｉ）が最大値となるｇ_ｉと、正解ジャンルが一致した件数を２３９８件で割った値とする。オープンテストには、対象データベース内の２３９８件の店舗に対する１０分割交差検定を用いた。ｘ＝１００％のときにクローズドテストの正解率は、１００％であるがｘが減少するにしたがって減少し、ｘ＝０．８％（２０３種類）のときにクローズとテストの正解率と１０分割交差検定の正解率とがほぼ同じになる。そこで、このときに過学習が回避されたと考えてｘ＝０．８％（２０３種類）の素性を選択することとした。

表２は、データベースに基づく信頼度ＣＭ_Ｄ、及びウェブに基づく信頼度ＣＭ_Ｗの値の区間ごとの正解数と失敗数を示す表である。

図４は、ＣＭスコア別の正解率を示す図である。図４の横軸は、ＣＭの区間を表し、縦軸は、各ＣＭ区間内の正解率＝正解数／（正解数＋失敗数）を表す。図４のＣＭ_Ｄ、及びＣＭ_Ｗの両方においてグラフが右肩上がりであること、及び表２の結果から、ＣＭが政界の尺度として有効であると確認できる。

表２においてＣＭ_Ｄは０．５乃至１．０の範囲に正解の多くが分布しているのに対し、ＣＭ_Ｗは０．２乃至０．７の範囲に正解の多くが分布している。このようにデータベストウェブの情報の性質が異なるので、両方の情報を組み合わせることにより推定の正解率が向上することが期待される。

１００…音声対話システム、１０１・・・ウェブ属性推定部、１０３・・・データベース属性推定部、１０５・・・信頼度統合部、１０７・・・応答作成部

Claims

データベースを利用して、入力された固有名詞の属性を推定するデータベース属性推定部と、
ウェブを利用して、入力された固有名詞の属性を推定するウェブ属性推定部と、
所定の属性に対して、該データベース属性推定部による推定の第１の信頼度と該ウェブ属性推定部による推定の第２の信頼度とを統合して統合信頼度を求める信頼度統合部と、
属性の候補に対して、該属性の候補の統合信頼度に基づいて、入力に対する応答を作成する応答作成部と、を備えた音声対話システム。
前記応答作成部が、属性の候補を統合信頼度の高い順に並べ、統合信頼度の高い方からの和を求め、該和が所定の閾値を超える最小の候補数を求め、該最小の候補数にしたがって応答を作成するように構成された請求項１に記載の音声対話システム。
前記信頼度統合部が、第１の信頼度と第２の信頼度との重み付和によって統合信頼度を求めるように構成された請求項１または２に記載の音声対話システム。
前記データベース属性推定部が、固有名詞の素性と属性との相互情報量に基づいて選択された素性を使用するように構成された請求項１から３のいずれかに記載の音声対話システム。
データベースを利用して、入力された固有名詞の属性を推定するステップと、
ウェブを利用して、入力された固有名詞の属性を推定するステップと、
所定の属性に対して、データベースに基づく推定の第１の信頼度とウェブに基づく推定の第２の信頼度とを統合して統合信頼度を求めるステップと、
属性の候補に対して、該属性の候補の統合信頼度に基づいて、入力に対する応答を作成するステップと、を含む音声対話方法。