TWI714019B

TWI714019B - 諮詢式聊天機械人之執行方法

Info

Publication number: TWI714019B
Application number: TW108108188A
Authority: TW
Inventors: 張瑞芬; 張力元; 洪郁融
Original assignee: 國立清華大學
Priority date: 2019-03-12
Filing date: 2019-03-12
Publication date: 2020-12-21
Also published as: TW202034209A

Abstract

一種諮詢式聊天機械人之執行方法，藉由一連接一使用端的伺服端來實施，該伺服端儲存有多個主意圖、每一主意圖對應之多個子意圖、每一子意圖對應之多個第一關鍵詞，及每一子意圖對應之一答案，包含：(A) 在接收來自該使用端的一問題後，利用一意圖分類模型，將該問題分類為一目標主意圖；(B) 獲得該目標主意圖對應之多個候選子意圖；(C) 對於每一候選子意圖，計算該候選子意圖所對應之該等第一關鍵詞與該問題的相似度；(D) 自該等候選子意圖中，獲得一對應有最高相似度的目標子意圖；(E) 將該目標子意圖所對應的該答案傳送至該使用端。

Description

諮詢式聊天機械人之執行方法

本發明是有關於一種聊天機器人之執行方法，特別是指一種基於知識本體論且含有自然語言處理能力之諮詢式聊天機器人之執行方法。

近年來在網際網路的普及和全球化的影響下，目前很多大型企業透過諮詢式聊天機器人的服務提供消費者自家產品的分析、諮詢以及推銷，這種方式已經逐漸取代客服人員與使用者之間直接的互動，透過這種簡單的諮詢服務還可以提供消費者即時的推銷功能。

雖然，目前市場上存在眾多的諮詢式聊天機器人供企業使用，但在建構的諮詢式聊天機器人上所需要的訓練資料及建構的難易度仍舊有所不同。因此，市場上仍需要業者提供其他全新的諮詢式聊天機器人建構方式，以提供企業根據自身之需求選擇並使用。

基於上述，在此提供一種「以 FAQ（Frequently Asked Questions）分類建立諮詢式聊天機器人之知識本體論」與「建構含有自然語言處理能力之諮詢式聊天機器人」之執行方法，即為本創作的首要目標。

因此，本發明的目的，即在提供一種基於知識本體論且含有自然語言處理能力之諮詢式聊天機器人之執行方法。

於是，本發明諮詢式聊天機械人之執行方法，藉由一經由一通訊網路連接一使用端的伺服端來實施，該伺服端儲存有多個相關於多個不同詢問範疇的主意圖、每一主意圖對應之多個子意圖或一答案、每一子意圖對應之多個第一關鍵詞，以及每一子意圖對應之一答案，其中每一子意圖相關於對應之該主意圖所對應之範疇的次範疇，該諮詢式聊天機械人之執行方法包含一步驟(A)、一步驟(B) 、一步驟(C) 、一步驟(D) ，以及一步驟(E)。

該步驟(A)是藉由該伺服端，在接收來自該使用端的一問題後，利用一用於將該問題分類為該等主意圖之其中一者的意圖分類模型，將該問題分類為一目標主意圖。

該步驟(B)是藉由該伺服端，根據該目標主意圖，獲得該目標主意圖對應之多個候選子意圖，每一候選子意圖為該目標主意圖所對應的該等子意圖之其中一者。

該步驟(C)是對於每一候選子意圖，藉由該伺服端，計算該候選子意圖所對應之該等第一關鍵詞與該問題的一相似度。

該步驟(D)是藉由該伺服端，根據每一候選子意圖所對應之該等第一關鍵詞與該問題的該相似度，自該等候選子意圖中，獲得一對應有最高相似度的目標子意圖。

該步驟(E)是藉由該伺服端，將該目標子意圖所對應的該答案傳送至該使用端。

本發明之功效在於：藉由該伺服端利用該意圖分類模型將該問題分類為該目標主意圖，並根據該目標主意圖，獲得該等候選子意圖，以計算每一候選子意圖之該等第一關鍵詞與該問題的該相似度，最後將對應有最高相似度的該目標子意圖所對應的該答案傳送至該使用端，此方法係根據FAQ分類所建立之知識本體論之三個階層：主意圖、子意圖及對應子意圖的關鍵詞，並利用自然語言處理能力建立出本發明諮詢式聊天機器人之執行方法，以供市場選擇使用。

在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，執行本發明諮詢式聊天機械人之執行方法之一實施例的一伺服端1。其中，該伺服端1還經由一通訊網路200連接一使用端2。

該伺服端1包括一連接至該通訊網路200的伺服端通訊模組11、一伺服端儲存模組12，以及一電連接該伺服端通訊模組11與該伺服端儲存模組12的伺服端處理模組13。

該伺服端儲存模組12儲存有多個訓練問題，以及多個對應該等訓練問題的訓練主意圖。其中，該等訓練主意圖相關於多個不同詢問範疇。

該伺服端儲存模組12還儲存有多個主意圖、每一主意圖對應之多個子意圖或一答案、每一子意圖對應之多個第一關鍵詞、每一子意圖對應之一答案，以及一詞向量表。其中，每一主意圖相關於該等詢問範疇之其中一者，每一子意圖還相關於對應之該主意圖所對應之詢問範疇的次詢問範疇，而該詞向量表包含多個預設詞彙，以及每一預設詞彙所對應之一詞向量，該等預設詞彙至少包含對應該等子意圖且不重複的所有第一關鍵詞。

值得特別說明的是，每一子意圖所對應之該等第一關鍵詞，係先將該等問題作為訓練資料，並利用TF-IDF (Term Frequency and Inverse Document Frequency) 統計方法所獲得。

該使用端2包括一連接至該通訊網路200的使用端通訊模組21、一使用端輸入模組22、一使用端顯示模組23，以及一電連接該使用端通訊模組21、該使用端輸入模組22與該使用端顯示模組23的使用端處理模組24。

在該實施例中，該伺服端1之實施態樣例如為一個人電腦、一伺服端或一雲端主機，但不以此為限。

在該實施例中，該使用端2之實施態樣例如為一個人電腦、一平板電腦或一智慧型手機，但不以此為限。

以下將藉由本發明諮詢式聊天機械人之執行方法之該實施例來說明該伺服端1與其經由該通訊網路200所連接之該使用端2各元件的運作細節，本發明諮詢式聊天機械人之執行方法包含一意圖分類模型訓練程序，以及一答案生成回覆程序。

參閱圖2，該意圖分類模型訓練程序係用於訓練該意圖分類模型，並包含一步驟51、一步驟52，以及一步驟53。

在該步驟51中，對於每一訓練問題，該伺服端處理模組13根據該訓練問題，獲得多個相關於該訓練問題的訓練關鍵詞。特別地，對於每一訓練問題，該伺服端處理模組13根據該訓練問題，利用一斷詞演算法，獲得對應該訓練問題的至少一斷詞，並判定該訓練問題的每一斷詞是否出現於該詞向量表中，且將出現於該詞向量表之該訓練問題的所有斷詞作為該等訓練關鍵詞。其中，該斷詞演算法例如為：python中的結巴（Jieba）斷詞套件。

在該步驟52中，對於每一訓練問題，該伺服端處理模組13根據相關於該訓練問題的該等訓練關鍵詞，獲得相關於該訓練問題的訓練特徵向量。特別地，對於每一訓練問題，該伺服端處理模組13係根據相關於該訓練問題的該等訓練關鍵詞及該詞向量表，獲得每一訓練關鍵詞的詞向量，並根據每一訓練關鍵詞的詞向量，獲得相關於該訓練問題的訓練特徵向量。其中，該伺服端處理模組13係將每一訓練關鍵詞的詞向量取平均，以獲得相關於該訓練問題的訓練特徵向量，但不以此為限。

在該步驟53中，該伺服端處理模組13根據每一訓練問題所對應的該訓練特徵向量，以及每一訓練問題所對應的該訓練主意圖，利用一機器學習演算法，獲得一用於將任一問題分類為該等主意圖之其中一者的意圖分類模型。值得特別說明的是，該機器學習演算法為一循環神經網路（Recurrent Neural Network，RNN）之長短期記憶網路演算法（Long Short Term Memory Network，LSTM），但不以此為限。

參閱圖3~4，該答案生成回覆程序係根據一問題產生一答案並回傳至該使用端2，並包含一步驟61、一步驟62、一步驟63、一步驟64、一步驟65、一步驟66、一步驟67、一步驟68、一步驟69，以及一步驟70。

在該步驟61中，該使用端處理模組24回應一使用者經由該使用端輸入模組22所輸入之一輸入操作產生一問題，並透過該使用端通訊模組21將該問題傳送至該伺服端1。

在該步驟62中，該伺服端處理模組13在透過該伺服端通訊模組11接收來自該使用端2的該問題後，利用用於將該問題分類為該等主意圖之其中一者的該意圖分類模型，將該問題分類為一目標主意圖。

參閱圖5，值得特別說明的是，該步驟62還進一步包含一子步驟621、一子步驟622，以及一子步驟623。

在該子步驟621中，該伺服端處理模組13在透過該伺服端通訊模組11接收來自該使用端2的該問題後，根據該問題，獲得多個相關於該問題的第二關鍵詞。特別地，該伺服端處理模組13根據該問題，利用該斷詞演算法，獲得對應該問題的至少一斷詞，並判定該問題的每一斷詞是否出現於該詞向量表中，且將出現於該詞向量表之該問題的所有斷詞作為該等第二關鍵詞。

在該子步驟622中，該伺服端處理模組13根據相關於該問題的該等第二關鍵詞，獲得相關於該問題的特徵向量。特別地，該伺服端處理模組13係根據相關於該問題的該等第二關鍵詞及該詞向量表，獲得每一第二關鍵詞的詞向量，並根據每一第二關鍵詞的詞向量，獲得相關於該問題的特徵向量。其中，該伺服端處理模組13係將每一第二關鍵詞的詞向量取平均，以獲得相關於該問題的特徵向量，但不以此為限。

在該子步驟623中，該伺服端處理模組13根據相關於該問題的該特徵向量，利用該意圖分類模型，將該問題分類為該目標主意圖。

在該步驟63中，該伺服端處理模組13判定該問題所對應的該目標主意圖是否對應有該等子意圖。當該伺服端處理模組13判定出該問題所對應的該目標主意圖無任何對應之子意圖時，流程進行步驟64；當該伺服端處理模組13判定出該問題所對應的該目標主意圖對應有該等子意圖時，流程進行步驟66。

在該步驟64中，該伺服端處理模組13透過該伺服端通訊模組11將該目標主意圖所對應的該答案傳送至該使用端2。

在該步驟65中，該使用端處理模組24在透過該使用端通訊模組21接收來自該伺服端1之該目標主意圖所對應的該答案後，將該目標主意圖所對應的該答案顯示於該使用端顯示模組23。

在該步驟66中，該伺服端處理模組13根據該目標主意圖，獲得該目標主意圖對應之多個候選子意圖。其中，每一候選子意圖為該目標主意圖所對應的該等子意圖之其中一者。

在該步驟67中，對於每一候選子意圖，該伺服端處理模組13計算該候選子意圖所對應之該等第一關鍵詞與該問題的一相似度。

參閱圖6，值得特別說明的是，該步驟67還進一步包含一子步驟671、一子步驟672、一子步驟673、一子步驟674、一子步驟675，以及一子步驟676。

在該子步驟671中，對於每一候選子意圖，該伺服端處理模組13根據該詞向量表，獲得該候選子意圖對應之每一第一關鍵詞所對應的該詞向量。

在該子步驟672中，該伺服端處理模組13根據該問題，利用該斷詞演算法，獲得對應該問題的至少一斷詞。

在該子步驟673中，對於對應該問題的每一斷詞，該伺服端處理模組13判定該詞向量表是否存在與該斷詞相同的一目標斷詞。當該伺服端處理模組13判定該詞向量表不存在該目標斷詞時，進行流程子步驟674；當該伺服端處理模組13判定該詞向量表存在該目標斷詞時，進行流程子步驟675。

在該子步驟674中，該伺服端處理模組13不執行任何動作。

在該子步驟675中，該伺服端處理模組13根據該詞向量表，獲得該目標斷詞所對應的該詞向量。

在該子步驟676中，對於每一候選子意圖，該伺服端處理模組13根據該候選子意圖所對應之每一第一關鍵詞所對應的該詞向量，以及該問題中的每一目標斷詞及其對應的該詞向量，計算該候選子意圖所對應之所有第一關鍵詞之詞向量與該問題之所有目標斷詞的該相似度。其中，該伺服端處理模組13係利用餘弦相似性，以計算每一候選子意圖所對應之該等第一關鍵詞與該問題的該相似度。

值得特別說明的是，在該實施例中，對於每一候選子意圖的每一第一關鍵詞，該伺服端處理模組13根據該第一關鍵詞所對應的該詞向量，以及該問題中的每一目標斷詞及其對應的該詞向量，計算出相關於該第一關鍵詞所對應之該詞向量的多個運算相似度，直到獲得該候選子意圖之每一第一關鍵詞所對應之該詞向量的該等運算相似度，接著，該伺服端處理模組13將該候選子意圖之每一第一關鍵詞所對應之該詞向量的該等運算相似度取平均，以獲得該候選子意圖所對應之該等第一關鍵詞與該問題的該相似度。舉例來說，假設有一第一候選子意圖包含兩個第一關鍵詞（A、B），該問題包含三個目標斷詞（C、D、E），該伺服端處理模組13便計算（A,C）、（A,D）、（A,E）、（B,C）、（B,D）、（B,E）共六種配對的運算相似度，並將該六種運算相似度取平均，以獲得該第一候選子意圖之該兩個第一關鍵詞與該問題的該相似度，但不以此方法為限。

在該步驟68中，該伺服端處理模組13根據每一候選子意圖所對應之該等第一關鍵詞與該問題的該相似度，自該等候選子意圖中，獲得一對應有最高相似度的目標子意圖。

在該步驟69中，該伺服端處理模組13將該目標子意圖所對應的該答案傳送至該使用端2。

在該步驟70中，該使用端處理模組24在透過該使用端通訊模組21接收來自該伺服端1之該目標子意圖所對應的該答案後，將該目標子意圖所對應的該答案顯示於該使用端顯示模組23。

綜上所述，本發明諮詢式聊天機械人之執行方法，藉由該伺服端處理模組13利用該意圖分類模型將該問題分類為該目標主意圖，並根據該目標主意圖，獲得該等候選子意圖，以計算每一候選子意圖之該等第一關鍵詞與該問題的該相似度，最後將對應有最高相似度的該目標子意圖所對應的該答案傳送至該使用端2，透過此方法便可建立出符合「以 FAQ 分類建立諮詢式聊天機器人之知識本體論」及「建構含有自然語言處理能力之諮詢式聊天機器人」兩大特徵的諮詢式聊天機械人之執行方法，以供各個企業根據自身之需求選擇使用。因此，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。

200:通訊網路 1:伺服端 11:伺服端通訊模組 12:伺服端儲存模組 13:伺服端處理模組 2:使用端 21:使用端通訊模組 22:使用端輸入模組 23:使用端顯示模組 24:使用端處理模組 51~53:步驟 61~70:步驟 621~623:子步驟 671~676:子步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，說明一執行本發明諮詢式聊天機械人之執行方法的一實施例的一伺服端，以及經由一通訊網路連接該伺服端的使用端；圖2是一流程圖，說明本發明諮詢式聊天機械人之執行方法的一意圖分類模型訓練程序；圖3、4皆是一流程圖，配合說明本發明諮詢式聊天機械人之執行方法的一答案生成回覆程序；圖5是一流程圖，說明該答案生成回覆程序如何將一問題分類為一目標主意圖的細部流程；及圖6是一流程圖，說明該答案生成回覆程序如何獲得每一候選子意圖所對應之所有關鍵詞與該問題的相似度。

61~66:步驟

Claims

一種諮詢式聊天機械人之執行方法，藉由一經由一通訊網路連接一使用端的伺服端來實施，該伺服端儲存有多個相關於多個不同詢問範疇的主意圖、每一主意圖對應之多個子意圖或一答案、每一子意圖對應之多個第一關鍵詞，以及每一子意圖對應之一答案，其中每一子意圖相關於對應之該主意圖所對應之詢問範疇的次詢問範疇，該諮詢式聊天機械人之執行方法包含以下步驟： (A) 藉由該伺服端，在接收來自該使用端的一問題後，利用一用於將該問題分類為該等主意圖之其中一者的意圖分類模型，將該問題分類為一目標主意圖； (B) 藉由該伺服端，根據該目標主意圖，獲得該目標主意圖對應之多個候選子意圖，每一候選子意圖為該目標主意圖所對應的該等子意圖之其中一者； (C) 對於每一候選子意圖，藉由該伺服端，計算該候選子意圖所對應之該等第一關鍵詞與該問題的一相似度； (D) 藉由該伺服端，根據每一候選子意圖所對應之該等第一關鍵詞與該問題的該相似度，自該等候選子意圖中，獲得一對應有最高相似度的目標子意圖；及 (E) 藉由該伺服端，將該目標子意圖所對應的該答案傳送至該使用端。
如請求項1所述的諮詢式聊天機械人之執行方法，其中，在步驟(B)之前，還包含以下步驟： (F) 藉由該伺服端，判定該問題所對應的該目標主意圖是否對應有該等子意圖；及其中，在該步驟(B)中，當該伺服端判定出該問題所對應的該目標主意圖對應有該等子意圖時，藉由該伺服端，根據該目標主意圖，獲得該目標主意圖對應之該等候選子意圖。
如請求項2所述的諮詢式聊天機械人之執行方法，其中，在該步驟(F)之後，還包含以下步驟： (G) 藉由該伺服端，當該伺服端判定出該問題所對應的該目標主意圖無任何對應之子意圖時，藉由該伺服端，將該目標主意圖所對應的該答案傳送至該使用端。
如請求項1所述的諮詢式聊天機械人之執行方法，該伺服端還儲存有多個訓練問題，以及多個對應該等訓練問題的訓練主意圖，每一訓練主意圖相關於該等詢問範疇之其中一者，其中，在該步驟(A)之前，還包含以下步驟： (H) 對於每一訓練問題，藉由該伺服端，根據該訓練問題，獲得多個相關於該訓練問題的訓練關鍵詞； (I) 對於每一訓練問題，藉由該伺服端，根據相關於該訓練問題的該等訓練關鍵詞，獲得相關於該訓練問題的訓練特徵向量；及 (J) 藉由該伺服端，根據每一訓練問題所對應的該訓練特徵向量，以及每一訓練問題所對應的該訓練主意圖，利用一機器學習演算法，獲得該意圖分類模型。
如請求項1所述的諮詢式聊天機械人之執行方法，其中，該步驟(A)還包含以下步驟： (A-1) 藉由該伺服端，在接收來自該使用端的該問題後，根據該問題，獲得多個相關於該問題的第二關鍵詞； (A-2) 藉由該伺服端，根據相關於該問題的該等第二關鍵詞，獲得相關於該問題的特徵向量；及 (A-3) 藉由該伺服端，根據相關於該問題的該特徵向量，利用該意圖分類模型，將該問題分類為該目標主意圖。
如請求項1所述的諮詢式聊天機械人之執行方法，該伺服端還儲存有一詞向量表，該詞向量表包含多個預設詞彙，以及每一預設詞彙所對應之一詞向量，該等預設詞彙至少包含對應該等子意圖且不重複的所有第一關鍵詞，其中，該步驟(C)還包含以下步驟： (C-1) 對於每一候選子意圖，藉由該伺服端，根據該詞向量表，獲得該候選子意圖對應之每一第一關鍵詞所對應的該詞向量； (C-2) 藉由該伺服端，根據該問題，利用一斷詞演算法，獲得對應該問題的至少一斷詞； (C-3) 對於對應該問題的每一斷詞，藉由該伺服端，判定該詞向量表是否存在與該斷詞相同的一目標斷詞； (C-4) 當該伺服端判定出該詞向量表存在該目標斷詞時，藉由該伺服端，根據該詞向量表，獲得該目標斷詞所對應的該詞向量；及 (C-5) 對於每一候選子意圖，藉由該伺服端，根據該候選子意圖所對應之每一第一關鍵詞所對應的該詞向量，以及該問題中的每一目標斷詞及其對應的該詞向量，計算該候選子意圖所對應之該等第一關鍵詞與該問題的該相似度。
如請求項6所述的諮詢式聊天機械人之執行方法，其中，在該步驟(C-5)中，該伺服端係利用餘弦相似性，以計算每一候選子意圖所對應之該等第一關鍵詞與該問題的該相似度。
如請求項4所述的諮詢式聊天機械人之執行方法，其中，在該步驟(J)中，該機器學習演算法為一循環神經網路之長短期記憶網路演算法。