WO2021144155A1

WO2021144155A1 - Verfahren, computerprogramm und vorrichtung zum verarbeiten einer nutzereingabe

Info

Publication number: WO2021144155A1
Application number: PCT/EP2021/050016
Authority: WO
Inventors: Raveesh Meena; Mark PLESCHKA; Spyros Kousidis; Okko Buss
Original assignee: Volkswagen Aktiengesellschaft
Priority date: 2020-01-15
Filing date: 2021-01-04
Publication date: 2021-07-22
Also published as: DE102020200455A1

Abstract

Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zum Verarbeiten einer Nutzereingabe. Die Erfindung betrifft weiterhin ein Fortbewegungsmittel, in dem ein erfindungsgemäßes Verfahren oder eine erfindungsgemäße Vorrichtung eingesetzt wird. In einem ersten Schritt wird eine Nutzereingabe empfangen (10). Aus der Nutzereingabe wird dann zumindest eine Entität extrahiert (11). Anschließend werden Daten für die zumindest eine Entität aus einer Wissensbasis abgefragt (12). Die aus der Wissensbasis abgefragten Daten werden ausgewertet (13). Unter Verwendung der Ergebnisse der Auswertung (13) wird schließlich eine Antwort auf die Nutzereingabe generiert (14).

Description

Beschreibung

Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten einer Nutzereingabe

Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zum Verarbeiten einer Nutzereingabe. Die Erfindung betrifft weiterhin ein Fortbewegungsmittel, in dem ein erfindungsgemäßes Verfahren oder eine erfindungsgemäße Vorrichtung eingesetzt wird.

In modernen Kraftfahrzeugen werden zunehmend sprachbasierte Ansätze für die Nutzerinteraktion umgesetzt. Dabei werden sowohl Spracheingaben eines Nutzers verarbeitet als auch Informationen in natürlicher Sprache an den Nutzer ausgegeben.

Beispielsweise beschreibt EP 3 392 878 A1 ein Verfahren zum Betreiben einer Spracherkennungsvorrichtung. Bei dem Verfahren wird ein Sprachbefehl über ein Mikrofon empfangen. Wenn der empfangene Sprachbefehl einem vorab gespeicherten Schlüsselwortbefehl entspricht, wird eine dem Schlüsselwortbefehl entsprechende Operation ausgeführt. Wenn der empfangene Sprachbefehl nicht einem vorab gespeicherten Schlüsselwortbefehl entspricht, werden Sprachdaten einschließlich des Sprachbefehls an einen Sprachserver übertragen.

US 7,398,209 B2 beschreibt ein Verfahren, das auf eine benutzergenerierte Sprachäußerung in natürlicher Sprache reagiert. Bei dem Verfahren wird zunächst die benutzergenerierte Sprachäußerung in natürlicher Sprache empfangen. Im Anschluss wird eine Domäne für die Sprachäußerung bestimmt. Basierend auf der bestimmten Domäne wird dann mindestens ein Domänenagent zum Verarbeiten der Sprachäußerung ausgewählt. Der Domänenagent ist eine autonome ausführbare Datei, die eine Abfrage oder einen Befehl empfängt, verarbeitet und darauf reagiert.

DE 102011 120 119 A1 beschreibt ein Verfahren zum sprachbasierten Abrufen von extern bereitgestellten Informationen in einem Kraftfahrzeug. Bei dem Verfahren erfolgt ein Abbilden von Informationsstrukturen zur graphisch-haptischen Interaktion in einem Wissensnetz zu Informationsstrukturen eines semantischen Weltmodells unter Verwendung eines themenbezogen spezifizierbaren semantischen Weltmodells. Zudem erfolgt ein Abbilden der Informationsstrukturen des semantischen Weltmodells zu Informationsstrukturen zur multimodalen Interaktion in dem Kraftfahrzeug unter Verwendung eines themenbezogen spezifizierbaren Interaktionsmodells. US 2016/0163312 A1 beschreibt ein Verfahren zur Disambiguierung von Heteronymen in der Sprachsynthese. Bei dem Verfahren wird eine Spracheingabe eines Benutzers empfangen, die ein Heteronym enthält. Die Spracheingabe wird unter Verwendung eines automatischen Spracherkennungssystems verarbeitet, um eine phonemische Zeichenfolge zu bestimmen, die dem vom Benutzer in der Spracheingabe ausgesprochenen Heteronym entspricht. Eine korrekte Aussprache des Heteronyms wird basierend auf der phonemischen Zeichenfolge oder unter Verwendung eines n-Gramm-Sprachmodells des automatischen Spracherkennungssystems bestimmt. Eine Dialogantwort auf die Spracheingabe wird in Form einer Sprachausgabe erzeugt, wobei die Dialogantwort das entsprechend der korrekten Aussprache ausgesprochene Heteronym enthält.

In Anbetracht der Fortschritte in der Spracherkennung ist es inzwischen möglich, dass automatische Spracherkennungssysteme natürlichsprachliche Benutzeraussagen wie „Finde italienische Restaurants in der Nähe!“, „Ich möchte Lasagne“ oder „Wie hat Borussia Dortmund gespielt“ erkennen. Aufgrund der begrenzten Möglichkeiten der derzeit in Kraftfahrzeugen verfügbaren Komponenten für das Verstehen natürlicher Sprache, besser bekannt als Natural Language Understanding (NLU), ist der Sprachassistent jedoch nicht immer in der Lage, die Absicht des Benutzers zu verstehen.

Ein inhärenter Faktor, der zur Einschränkung der Fähigkeiten von NLU-Komponenten im Fahrzeug beiträgt, ist, dass diese in erster Linie dazu bestimmt sind, nur typische im Fahrzeug benötigte Funktionen zu unterstützen, wie z.B. die Routenplanung, die Bedienung eines Infotainment-Systems oder das Durchführen von Telefonaten. Zudem wird aufgrund der Kosten für die Erfassung natürlichsprachlicher Benutzeräußerungen nur eine beschränkte Anzahl von Benutzeräußerungen in Trainingsmodellen für das Verstehen der Sprache verwendet. Da die gesprochene Sprache jedoch spontan und variantenreich ist, wird letztlich jeder große Datensatz nicht alle möglichen Formulierungen von Benutzeräußerungen abdecken können. Infolgedessen können die aktuellen NLU- Komponenten im Fahrzeug nur einen begrenzten Satz von Entitäten verstehen. Dies wiederum zwingt den Benutzer dazu, nur bestimmte Formulierungen zu verwenden.

Aktuelle NLU-Komponenten im Fahrzeug sind in der Lage, typische Benutzerwünsche zu verarbeiten. Auf eine Spracheingabe „Finde italienische Restaurants in der Nähe!“ kann das System mit der Sprachausgabe „OK, ich habe die folgenden drei italienischen Restaurants in der Umgebung gefunden.“ reagieren. Die zugehörigen Ergebnisse können dann auf einem Display angezeigt werden. Dies ist möglich, da die Kategorien für Orte von Interesse (POI: Point of Interest), wie Restaurant, und die verschiedenen Küchen, wie Italienisch oder Vietnamesisch, begrenzte, handhabbare Mengen von Entitäten sind und einer NLU- Komponente zur Verfügung gestellt werden können.

Eine erheblich schwierigere Aufgabe ist es, Äußerungen zu verstehen, in denen bestimmte Gerichte erwähnt werden. Auch auf eine Spracheingabe „Ich möchte Lasagne“ sollte das System mit der Sprachausgabe „OK, ich habe die folgenden drei italienischen Restaurants in der Umgebung gefunden.“ reagieren. Das System hat aber kein Wissen über die Entität „Lasagne“, da es nicht Bestandteil seines Trainings war. Ein Benutzer, der mit der Reaktion auf die oben genannte explizite Frage nach italienischen Restaurants vertraut ist, wäre unter Umständen enttäuscht, dass das System den Wunsch nach Lasagne nicht verstehen kann.

Mit der zunehmenden Verbreitung smarter Sprachassistenten, z.B. auf dem Smartphone oder im Haus des Nutzers, wird deren Verwendung immer alltäglicher. Damit einhergehend steigen die Erwartungen der Benutzer. Daher werden oftmals Situationen auftreten, bei denen die Spracheingaben den Funktionsumfang der Assistenten übersteigen. Ein Beispiel für eine solche Spracheingabe für einen Assistenten in einem Fahrzeug, die den Funktionsumfang des Assistenten übersteigt und von diesem nicht richtig interpretiert werden kann, ist „We hat Borussia Dortmund gespielt?“ Eine typische Antwort auf diese Frage wäre die unspezifische Zurückweisung „Entschuldigung, ich habe Sie nicht verstanden.“. Alternativ kann es auch zu einem Verwechslungsfehler kommen, der zu einer Antwort der Art „Die Route nach Dortmund, Borussiastraße wird gestartet.“ führt. Beide Reaktionen sind nicht optimal. Mit der unspezifischen Zurückweisung bleibt für den Nutzer unklar, ob die Eingabe z.B. akustisch nicht richtig verstanden wurde, die gewählte Formulierung nicht verstanden wurde oder die Funktion vom Assistenten gar nicht unterstützt wird. Der Verwechslungsfehler führt gegebenenfalls zu einer ungewollten Aktion des Assistenten, die der Nutzer anschließend korrigieren muss. Die Ursache der Verwechslung bleibt ebenfalls unklar. Der Nutzer erfährt nicht, ob ein Fehler vorliegt oder die Funktion nicht unterstützt wird.

Das gewünschte Verhalten des Assistenten besteht darin, dass der Assistent eine spezifische Antwort geben kann. Auch wenn die Antwort eine Zurückweisung ist, wirkt der Assistent intelligenter und der Nutzer lernt etwas über den Funktionsumfang des Assistenten. Auf die Frage „Wie hat Borussia Dortmund gespielt?“ könnte eine spezifische Antwort z.B. lauten „Beim Thema Sport kann ich Ihnen leider nicht weiterhelfen“.

Ein Ansatz für die obige Problematik besteht darin, dass die NLU-Modelle und Dialogmodelle für mehr als die funktional unterstützten Domänen des Sprachassistenten implementiert werden, um Anfragen bezüglich bestimmter erwarteter, ab er nicht vorhandener Funktionen handhaben zu können. Beispielsweise könnten ein Assistent für ein Infotainment-System auf Anfragen zum Wetter verstehen und diese spezifisch zurückweisen, weil die Domäne „Wetter“ in der NLU- und Dialogentwicklung berücksichtigt wurde, obwohl kein Wetterdienst geplant war. Allerdings steigt der Entwicklungsaufwand bei diesem Ansatz mit jeder Domäne an.

Die obigen Ausführungen gelten analog auch für Nutzereingaben in Textform, z.B. textbasierte Nachrichten mittels SMS (SMS: Short message Service; Kurznachrichtendienst), Chatnachricht oder Email an einen Chatbot eines Dienstanbieters.

Es ist eine Aufgabe der Erfindung, verbesserte Lösungen zum Verarbeiten von Nutzereingaben bereitzustellen.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1, durch ein Computerprogramm mit Instruktionen gemäß Anspruch 8 und durch eine Vorrichtung mit den Merkmalen des Anspruchs 9 gelöst. Bevorzugte Ausgestaltungen der Erfindung sind Gegenstand der abhängigen Ansprüche.

Gemäß einem ersten Aspekt der Erfindung umfasst ein Verfahren zum Verarbeiten einer Nutzereingabe die Schritte:

- Empfangen einer Nutzereingabe;

- Extrahieren zumindest einer Entität aus der Nutzereingabe;

- Abfragen von Daten für die zumindest eine Entität aus einer Wissensbasis;

- Auswerten der aus der Wissensbasis abgefragten Daten, wobei anhand der aus der Wissensbasis abgefragten Daten eine Klasse für die zumindest eine Entität bestimmt wird und auf Grundlage der Klasse bestimmt wird, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört; und

- Generieren einer Antwort auf die Nutzereingabe unter Verwendung von Ergebnissen der Auswertung.

Gemäß einem weiteren Aspekt der Erfindung enthält ein Computerprogramm Instruktionen, die bei Ausführung durch einen Computer den Computer zur Ausführung der folgenden Schritte zum Verarbeiten einer Nutzereingabe veranlassen:

- Empfangen einer Nutzereingabe;

- Extrahieren zumindest einer Entität aus der Nutzereingabe;

- Abfragen von Daten für die zumindest eine Entität aus einer Wissensbasis; - Auswerten der aus der Wissensbasis abgefragten Daten, wobei anhand der aus der Wssensbasis abgefragten Daten eine Klasse für die zumindest eine Entität bestimmt wird und auf Grundlage der Klasse bestimmt wird, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört; und

Der Begriff Computer ist dabei breit zu verstehen. Insbesondere umfasst er auch Steuergeräte, integrierte Systeme und andere prozessorbasierte Datenverarbeitungsvorrichtungen.

Das Computerprogramm kann beispielsweise für einen elektronischen Abruf bereitgestellt werden oder auf einem computerlesbaren Speichermedium gespeichert sein.

Gemäß einem weiteren Aspekt der Erfindung weist eine Vorrichtung zum Verarbeiten einer Nutzereingabe auf:

- ein Empfangsmodul zum Empfangen einer Nutzereingabe;

- ein Extraktionsmodul zum Extrahieren zumindest einer Entität aus der Nutzereingabe;

- ein Abfragemodul zum Abfragen von Daten für die zumindest eine Entität aus einer Wissensbasis; und

- ein Verarbeitungsmodul zum Auswerten der aus der Wssensbasis abgefragten Daten, wobei das Verarbeitungsmodul anhand der aus der Wissensbasis abgefragten Daten eine Klasse für die zumindest eine Entität bestimmt und auf Grundlage der Klasse bestimmt, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört, und zum Generieren einer Antwort auf die Nutzereingabe unter Verwendung von Ergebnissen der Auswertung.

Erfindungsgemäß werden die eingangs beschriebenen Einschränkung derzeitiger NLU- Komponenten bei der Verarbeitung einer Nutzereingabe, z.B. einer Spracheingabe oder einer textbasierten Nutzereingabe, dadurch überwunden, dass der NLU-Komponente mittels einer Wssensbasis Wssen über Entitäten über die Beziehungen zwischen den Entitäten zur Verfügung steht. Dieses Wissen kann genutzt werden, um Entitäten, die der NLU- Komponente nicht bekannt sind, dennoch einer Domäne zuzuordnen und eine Benutzerabsicht zu ermitteln, die vom Funktionsumfang des Assistenten abgedeckt wird. Falls die ermittelte Benutzerabsicht außerhalb des Funktionsumfangs des Assistenten liegt, kann zumindest noch eine sinnvolle bzw. für den Benutzer verständliche Zurückweisung als Antwort generiert werden. Anhand der aus der Wissensbasis abgefragten Daten wird eine Klasse für die zumindest eine Entität bestimmt. Anhand der Klasse kann auf einfache Weise bestimmt werden, in welche Domäne eine Entität fällt. Die Menge der Klassen kann manuell oder algorithmisch aus der relationalen Hierarchie zwischen den Entitäten und den abstrakten Typen in einer hierarchischen Wssensbasis abgeleitet werden.

Auf Grundlage der Klasse wird bestimmt, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört. Für die unterstützten Domänen und die nicht unterstützten Domänen können manuell oder algorithmisch erstellte und gepflegte Listen mit Klassen geführt werden. Die Liste der nicht unterstützten Domänen kann dabei insbesondere Domänen umfassen, die außerhalb eine Funktionsumfangs eines digitalen Assistenten liegen, für die aber mit Anfragen des Benutzers gerechnet wird. Gehört die Entität zu einer Klasse, die ihrerseits zu einer unterstützten Domäne gehört, kann eine positive Systemantwort generiert werden. Fällt die Entität hingegen in eine nicht unterstützte Domäne, kann als Antwort zumindest eine spezifische Zurückweisung für diese Domäne generiert werden.

Gemäß einem Aspekt der Erfindung umfassen die aus der Wssensbasis abgefragten Daten relationale Attribute der zumindest einen Entität. Bei den relationalen Attributen kann es sich beispielsweise um die Angabe handeln, dass die Entität eine Ausprägung einer anderen Entität ist, oder dass eine andere Entität Teil der extrahierten Entität ist. Derartige Attribute können von einer NLU-Komponente für sinnvolle Rückschlüsse genutzt werden.

Gemäß einem Aspekt der Erfindung werden die aus der Wssensbasis abgefragten Daten durch eine Abfrage eines Wissensgraphen ermittelt. Durch derartige Abfragen kann leicht verifiziert werden, ob eine Entität eine Ausprägung einer abstrakten Entität ist. Im einfachsten Fall kann z.B. geprüft werden, ob die Entität mit der abstrakten Entität durch einen Eigenschaftspfad „Unterklasse-von“ oder „Instanz-von“ verbunden ist.

Gemäß einem Aspekt der Erfindung wird anhand der aus der Wssensbasis abgefragten Daten bestimmt, ob die zumindest eine Entität außerhalb eines vorgegebenen Anwendungsbereichs liegt. Da sowohl die Anzahl der unterstützten Domänen als auch die Anzahl der vorgegebenen nicht unterstützten Domänen begrenzt sind, kann der Fall auftreten, dass die Entität zu keiner dieser Domänen gehört. Sie liegt dann außerhalb des vorgegebenen Anwendungsbereichs. In diesem Fall kann dennoch als Antwort eine unspezifische Zurückweisung generiert werden. Durch Abfrage der Wssensbasis werden dazu eine Reihe von möglichen Interpretationen für die Entität ermittelt. Diese Interpretationen können genutzt werden, um unterschiedliche intelligente Systemantworten zu generieren. Der Assistent kann dabei algorithmisch lernen, welche der Alternativen für das menschliche Verständnis besser geeignet ist. Ein solcher Algorithmus kann beispielsweise vom System entwi ekler spezifiziertes Wissen nutzen. Alternativ oder zusätzlich kann der Algorithmus automatisch aus allgemeinem Wssen über die Welt lernen, oder sogar die Reaktion des Benutzers auf die gewählte Systemreaktion nutzen, um zu lernen, ob die Reaktion für den Benutzer angemessen war.

Gemäß einem Aspekt der Erfindung wird beim Auswerten der aus der Wissensbasis abgefragten Daten ein Abgleich mit Ergebnissen einer nicht-wissensbasierten Sprachverarbeitung vorgenommen. Dies erlaubt es, die Hypothesen der Wssensbasis zu disambiguieren und den korrekten Typ der Entität auszuwählen, wenn die Wssensbasis mehrere Ergebnisse liefert.

Vorzugsweise wird ein erfindungsgemäßes Verfahren oder eine erfindungsgemäße Vorrichtung in einem (teil-)autonom oder manuell gesteuerten Fortbewegungsmittel eingesetzt. Bei dem Fortbewegungsmittel kann es sich insbesondere um ein Kraftfahrzeug handeln, aber auch um ein Schiff, ein bemanntes oder unbemanntes Fluggerät, z.B. eine Drohne oder einen Volocopter, etc. Selbstverständlich kann die erfindungsgemäße Lösung auch in anderen Anwendungsszenarien genutzt werden, z.B. in einem Dialogsystem oder in einem Nutzerendgerät. Beispiele für derartige Nutzerendgeräte sind Smartphones, Tablets oder tragbare und stationäre Computer.

Weitere Merkmale der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung und den angehängten Ansprüchen in Verbindung mit den Figuren ersichtlich.

Fig. 1 zeigt schematisch ein Verfahren zum Verarbeiten einer Nutzereingabe;

Fig. 2 zeigt eine erste Ausführungsform einer Vorrichtung zum Verarbeiten einer Nutzereingabe;

Fig. 3 zeigt eine zweite Ausführungsform einer Vorrichtung zum Verarbeiten einer Nutzereingabe;

Fig. 4 stellt schematisch ein Fortbewegungsmittel dar, in dem eine erfindungsgemäße Lösung realisiert ist; Fig. 5 zeigt eine Möglichkeit der Repräsentation von Weltwissen;

Fig. 6 zeigt einen bekannten Ansatz zur Repräsentation von Wissen in einer NLU- Komponente;

Fig. 7 zeigt einen erfindungsgemäß genutzten Ansatz zur Repräsentation von Wissen in einer NLU-Komponente; und

Fig. 8 zeigt schematisch ein Systemdiagram eines erfindungsgemäßen NLU- Frameworks.

Zum besseren Verständnis der Prinzipien der vorliegenden Erfindung werden nachfolgend Ausführungsformen der Erfindung anhand der Figuren detaillierter erläutert. Es versteht sich, dass sich die Erfindung nicht auf diese Ausführungsformen beschränkt und dass die beschriebenen Merkmale auch kombiniert oder modifiziert werden können, ohne den Schutzbereich der Erfindung zu verlassen, wie er in den angehängten Ansprüchen definiert ist.

Fig. 1 zeigt schematisch ein Verfahren zum Verarbeiten einer Nutzereingabe. In einem ersten Schritt wird eine Nutzereingabe empfangen 10, z.B. eine Spracheingabe oder eine textbasierte Nutzereingabe. Aus der Nutzereingabe wird dann zumindest eine Entität extrahiert 11. Eingangsgröße für diesen Schritt ist eine Textfolge, die beispielsweise beim Empfangen 10 der Nutzereingabe aus einer Sprachäußerung generiert wurde. Anschließend werden Daten für die zumindest eine Entität aus einer Wissensbasis abgefragt 12. Beispielsweise umfassen die aus der Wissensbasis abgefragten Daten relationale Attribute der zumindest einen Entität. Diese können durch eine Abfrage eines Wissensgraphen ermittelt werden. Die aus der Wissensbasis abgefragten Daten werden ausgewertet 13. Es kann Vorkommen, dass im Schritt 11 keine Entität erkannt werden konnte. In diesem Fall können natürlich auch keine Daten aus einer Wissensbasis abgefragt werden 12. Allerdings kann auch das Wissen, dass in der Nutzereingabe keine Entität enthalten war, im Rahmen der Auswertung 13 für eine informierte Entscheidung genutzt werden. Unter Verwendung der Ergebnisse der Auswertung 13 wird schließlich eine Antwort auf die Nutzereingabe generiert 14. Bei der Antwort kann es sich z.B. um eine Sprachausgabe oder eine Textausgabe handeln. Bei der Auswertung 13 kann beispielsweise eine Klasse für die zumindest eine Entität bestimmt werden. Auf Grundlage der Klasse kann festgestellt werden, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört. Bei der Auswertung 13 kann des Weiteren bestimmt werden, ob die zumindest eine Entität außerhalb eines vorgegebenen Anwendungsbereichs liegt. Zudem kann ein Abgleich mit Ergebnissen einer nicht-wissensbasierten Sprachverarbeitung vorgenommen werden.

Fig. 2 zeigt eine vereinfachte schematische Darstellung einer ersten Ausführungsform einer Vorrichtung 20 zum Verarbeiten einer Nutzereingabe NE. Die Vorrichtung 20 hat einen Eingang 21, über den ein Empfangsmodul 22 eine Nutzereingabe NE empfangen kann, z.B. eine Spracheingabe oder eine textbasierte Nutzereingabe. Ein Extraktionsmodul 23 extrahiert zumindest eine Entität aus der Nutzereingabe NE. Eingangsgröße für das Extraktionsmodul 23 ist eine Textfolge, die beispielsweise vom Empfangsmodul 22 beim Empfangen der Nutzereingabe aus einer Sprachäußerung generiert wurde. Ein Abfragemodul 24 der Vorrichtung 20 fragt Daten für die zumindest eine Entität aus einer Wissensbasis 51 ab. Zu diesem Zweck kann das Abfragemodul 24 über eine Schnittstelle 27 auf die Wssensbasis 51 zugreifen. Beispielsweise umfassen die aus der Wissensbasis abgefragten Daten relationale Attribute der zumindest einen Entität. Diese können durch eine Abfrage eines Wssensgraphen ermittelt werden. Ein Verarbeitungsmodul 25 wertet die aus der Wssensbasis 51 abgefragten Daten aus und generiert einer Antwort auf die Nutzereingabe NE unter Verwendung von Ergebnissen dieser Auswertung. Die generierte Antwort kann dann über die Schnittstelle 27 ausgegeben werden. Bei der Antwort kann es sich z.B. um eine Sprachausgabe oder eine Textausgabe handeln. Es kann Vorkommen, dass vom Extraktionsmodul 23 keine Entität erkannt werden konnte. In diesem Fall können natürlich auch keine Daten aus einer Wssensbasis abgefragt werden. Allerdings kann auch das Wssen, dass in der Nutzereingabe keine Entität enthalten war, vom Verarbeitungsmodul 25 für eine informierte Entscheidung genutzt werden. Das Verarbeitungsmodul 25 kann eingerichtet sein, bei der Auswertung eine Klasse für die zumindest eine Entität zu bestimmen. Auf Grundlage der Klasse kann festgestellt werden, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört. Das Verarbeitungsmodul 25 kann ebenso bestimmen, ob die zumindest eine Entität außerhalb eines vorgegebenen Anwendungsbereichs liegt. Zudem kann das Verarbeitungsmodul 25 eingerichtet sein, einen Abgleich mit Ergebnissen einer nicht-wissensbasierten Sprachverarbeitung vorzunehmen.

Das Empfangsmodul 22, das Extraktionsmodul 23, das Abfragemodul 24 und das Verarbeitungsmodul 25 können von einem Kontrollmodul 26 gesteuert werden. Über eine Benutzerschnittstelle 29 können gegebenenfalls Einstellungen des Empfangsmoduls 22, des Extraktionsmoduls 23, des Abfragemoduls 24, des Verarbeitungsmoduls 25 oder des Kontrollmoduls 26 geändert werden. Die in der Vorrichtung 20 anfallenden Daten können bei Bedarf in einem Speicher 28 der Vorrichtung 20 abgelegt werden, beispielsweise für eine spätere Auswertung oder für eine Nutzung durch die Komponenten der Vorrichtung 20. Das Empfangsmodul 22, das Extraktionsmodul 23, das Abfragemodul 24, das Verarbeitungsmodul 25 sowie das Kontrollmodul 26 können als dedizierte Hardware realisiert sein, beispielsweise als integrierte Schaltungen. Natürlich können sie aber auch teilweise oder vollständig kombiniert oder als Software implementiert werden, die auf einem geeigneten Prozessor läuft, beispielsweise auf einer GPU. Der Eingang 21 und die Schnittstelle 27 können als getrennte Schnittstellen oder als eine kombinierte bidirektionale Schnittstelle implementiert sein.

Fig. 3 zeigt eine vereinfachte schematische Darstellung einer zweiten Ausführungsform einer Vorrichtung 30 zum Verarbeiten einer Nutzereingabe. Die Vorrichtung 30 weist einen Prozessor 32 und einen Speicher 31 auf. Beispielsweise handelt es sich bei der Vorrichtung 30 um einen Computer, eine Workstation oder ein Steuergerät. Im Speicher 31 sind Instruktionen abgelegt, die die Vorrichtung 30 bei Ausführung durch den Prozessor 32 veranlassen, die Schritte gemäß einem der beschriebenen Verfahren auszuführen. Die im Speicher 31 abgelegten Instruktionen verkörpern somit ein durch den Prozessor 32 ausführbares Programm, welches das erfindungsgemäße Verfahren realisiert. Die Vorrichtung hat einen Eingang 33 zum Empfangen von Nutzereingaben und Informationen aus einer Wissensdatenbank. Vom Prozessor 32 generierte Daten werden über einen Ausgang 34 bereitgestellt. Darüber hinaus können sie im Speicher 31 abgelegt werden. Der Eingang 33 und der Ausgang 34 können zu einer bidirektionalen Schnittstelle zusammengefasst sein.

Der Prozessor 32 kann eine oder mehrere Prozessoreinheiten umfassen, beispielsweise Mikroprozessoren, digitale Signalprozessoren oder Kombinationen daraus.

Die Speicher 28, 31 der beschriebenen Ausführungsformen können volatile und/oder nichtvolatile Speicherbereiche aufweisen und unterschiedlichste Speichergeräte und Speichermedien umfassen, beispielsweise Festplatten, optische Speichermedien oder Halbleiterspeicher. Die Speicherung von Informationen kann auch in einer Cloud erfolgen.

Fig. 4 stellt schematisch ein Fortbewegungsmittel 40 dar, in dem eine erfindungsgemäße Lösung realisiert ist. In diesem Beispiel handelt es sich bei dem Fortbewegungsmittel 40 um ein Kraftfahrzeug. Das Kraftfahrzeug weist eine Reihe von Assistenzsystemen 41 auf, von denen eines exemplarisch dargestellt ist. Zudem ist eine Sensorik 42 vorhanden, die von den Assistenzsystemen 41 genutzt wird und durch die Informationen zur Umgebung des Kraftfahrzeugs erfasst werden können. Eine Bedienung des Kraftfahrzeugs kann teilweise sprachbasiert erfolgen. Das Kraftfahrzeug weist daher eine erfindungsgemäße Vorrichtung 20 zum Verarbeiten einer Nutzereingabe eines Fahrers oder eines anderen Nutzers auf. Weitere Bestandteile des Kraftfahrzeugs sind beispielhaft ein Navigationssystem 43 und eine Datenübertragungseinheit 44. Mittels der Datenübertragungseinheit 44 kann eine Verbindung zu einem Dienstanbieter 50 aufgebaut werden, insbesondere zu einem Anbieter einer Wissensdatenbank. Bei der Wissensdatenbank kann es sich um einen offline-Dienst handeln, der im Fortbewegungsmittel 40 läuft, oder einen Online-Dienst, z.B. einen Cloud- Dienst oder einfach eine Internetseite. Zur Speicherung von Daten ist ein Speicher 45 vorhanden. Der Datenaustausch zwischen den verschiedenen Komponenten des Kraftfahrzeugs erfolgt über ein Netzwerk 46.

Nachfolgend sollen weitere Details einer erfindungsgemäßen Lösung anhand von Fig. 5 bis Fig. 8 erläutert werden.

Erfindungsgemäß werden die eingangs beschriebenen Einschränkung derzeitiger NLU- Komponenten dadurch überwunden, dass das Wissen der NLU-Komponente so erweitert wird, dass sie eine Vielzahl von Entitäten, wie z.B. Gerichte oder Sportvereine, verstehen kann. Dabei ist zu berücksichtigen, dass sich die Welt fortlaufend verändert. Jeden Tag entstehen neue Entitäten, sodass es nahezu unmöglich ist, ohne große Kosten einen internen Wortschatz aktuell zu halten. Darüber hinaus soll dem System nicht nur Wissen über Entitäten zur Verfügung stehen, sondern auch Wissen über die Beziehungen zwischen den Entitäten. Aus diesem Grund wird ein dynamischer und strukturierter Ansatz zur Pflege des Systemwissens verwendet.

Die Online- Wissensdatenbank Wikidata [1] stellt in diesem Zusammenhang eine strukturierte Wissensressource bereit, die Millionen von Entitäten und deren Beziehungen enthält, kontinuierlich aktualisiert wird, kollaborativ bearbeitet und überprüft wird und unter der Kontrolle von Millionen von Nutzern auf der ganzen Welt steht. Fig. 5 veranschaulicht, wie das Weltwissen über die Lebensmittel „Lasagne“ und „Pho“ erfasst ist. Von Bedeutung sind vorliegend insbesondere die relationalen Attribute „Unterklasse-von“, „Instanz-von“ „Ursprungsland“ und „hat-Teil“. Diese Attribute können von einer NLU-Komponente für sinnvolle Rückschlüsse genutzt werden. Das vorgestellte Framework ist generisch und skalierbar, so dass auch jede andere ähnliche Wissensbasis verwendet werden kann.

Wenn das bestehende NLU-Framework im Fahrzeug eine Benutzeranfrage wie „Ich möchte Pho.“ unterstützen soll, dann muss eine neue Vokabelliste „Gerichte“ für die Speicherung von Gerichten aufgebaut werden und auch eine Zuordnung der Gerichte zu der entsprechenden “Küche“ gepflegt werden. Dieser bekannte Ansatz ist in Fig. 6 dargestellt. Eine Benutzeranfrage wie „Ich möchte Pho.“ kann bearbeitet werden, indem zunächst die Erwähnung einer Entität(x):=Pho anhand der Liste der Gerichte identifiziert wird und dann die Zuordnungen zur Liste der Küchen verwendet werden, um daraus zu schließen, dass der Benutzer über die Küche:=Vietnamesisch spricht. Wie zu Beginn schon erwähnt wurde, skaliert dieser Ansatz jedoch nicht, wenn der Benutzer ein Gericht erwähnt, das im Vokabular nicht existiert.

Der erfindungsgemäß genutzte Ansatz zur Repräsentation von Wssen ist in Fig. 7 dargestellt. Der Ansatz beinhaltet eine neue Art der Ableitung von Wssen über eine Entität. Dies erfordert im einfachsten Fall, dass eine gegebene Entität x ein Typ einer abstrakten Entität Y ist, z.B. Y:={Essen, Suppe, Künstler, Album, Ort}. Die Menge der abstrakten Entitäten wird durch die Klasse der Entitäten im Umfang der Systemfunktionen motiviert. Die Menge der Klassen kann manuell oder algorithmisch aus der relationalen Hierarchie zwischen den Entitäten und den abstrakten Typen in einer hierarchischen Wissensbasis abgeleitet werden. Ob x ein Typ bzw. eine Unterklasse oder Instanz von einer abstrakten Entität ist, kann durch Abfragen des Wssensgraphen verifiziert werden. Solche Abfragen prüfen im einfachsten Fall, ob x mit Y durch einen Eigenschaftspfad „Unterklasse-von“ oder „Instanz-von“ verbunden ist. So kann für Entität(x):=Pho aus Wkidata abgeleitet werden, dass Unterklasse-von(x,Y):=Nahrung gilt. Das heißt, dass Pho eine Art von Nahrung ist.

Zusätzlich kann das Attribut „Ursprungsland“ der Entitäten vom Typ Nahrung in der Wssensbasis verwendet werden, um auf den Typ der Küche zu schließen. Es kann auch der Fall sein, dass die Eigenschaft "Küche" explizit in der Wissensbasis erfasst ist. Konkret kann für die Entität(x):=Pho das Wssen aus Wkidata, dass Unterklasse-von(x):=Nahrung und Ursprungsland(x):=Vietnam gilt, verwendet werden, um abzuleiten, dass der Benutzer an der Suche nach vietnamesischen Restaurants interessiert ist. Dies entspricht einer Suchfunktion im Fahrzeug mit Ort-von-lnteresse(p):=Restaurant und Küche(p):=Vietnamesisch.

Der beschriebene Ansatz skaliert mit der Größe der Wssensbasis. Mit der einfachen Logik der Ableitung des Typs einer Entität unter Verwendung einer hierarchisch strukturierten Wssensbasis und unter Verwendung verschiedener Eigenschaften ist die NLU-Komponente im Fahrzeug in der Lage, jedes in der Wssensbasis erwähnte Gericht und jede erwähnte Küche zu identifizieren.

Der oben beschriebene Ansatz zur Erweiterung der NLU-Fähigkeiten der Sprachassistenten für Anwendungsfälle im Fahrzeug beruht auf der Identifizierung der vom Benutzer genannten Entitäten und des jeweiligen Typs. Die Fähigkeit einer NLU-Komponente, alle Arten von benannten Entitäten zu verstehen, ist auch nützlich, um Benutzeranfragen zu bearbeiten, die über den Funktionsumfang des Assistenten hinausgehen. Der Funktionsumfang eines Sprachassistenten, d.h. unterstützte Domänen, Absichten oder Entitäten, ist dem Benutzer in der Regel nicht bekannt. So kann ein Sprachassistent im Fahrzeug zwar die Bereiche Navigation, Medien, Telefon, Fahrzeugfunktionen etc. unterstützen, aber keine Fragen zu Sportergebnissen beantworten. Wie eingangs schon erläutert wäre auf die Frage „Wie hat Borussia Dortmund gespielt?“ die Systemantwort „Beim Thema Sport kann ich Ihnen leider nicht weiterhelfen.“ angemessener.

Mit dem erfindungsgemäßen Ansatz kann dies mit geringem Aufwand erreicht werden. Ausgangspunkt ist die Identifikation der vom Nutzer genannten Entität, also Entität(x):=Borussia Dortmund. Anschließend wird der Typ von x über die Ist-Typ-von(x)- Abfrage an die Wssensbasis abgeleitet. Bei der oben bereits beispielshaft erwähnten Liste abstrakter Klassen Y:={Lebensmittel, Suppe, Künstler, Album, Ort} für die unterstützten Domänen (in-domain-Klassen) wird erwartet, dass die Abfrage lst-Typ-von(x,Y) null liefert. Dies ist nicht unbedingt hilfreich. Jedoch kann mit dem gleichen Ansatz manuell oder algorithmisch eine Liste von abstrakten Klassen für nicht unterstützte Domänen (out-of- domain-Klassen) erstellt und gepflegt werden, z.B. 0:={Sport, Nachrichten}. In diesem Fall würde eine Abfrage lst-Typ-von(x,0) an die Wssensdatenbank ergeben, dass Ist-Typ- von(x,0):=Sport zutrifft.

Unter Verwendung des abgeleiteten Wissens, dass der Benutzer eine Entität aus einer Klasse einer nicht unterstützten Domäne genannt hat, nämlich Sport, kann der Sprachassistent dem Benutzer auf eine intelligentere Art und Weise antworten, wie z.B. „Entschuldigung, ich weiß nicht viel über Sport.“. Auf diese Weise kann das System vermitteln, dass es in der Lage ist, Benutzeranfragen zu verstehen, auch wenn sie nicht in den Funktionsumfang des Systems fallen.

Es muss nun noch der Fall betrachtet werden, dass der Benutzer etwas erwähnt, das weder zu den Klassen der unterstützten Domänen noch zu den Klassen der nicht unterstützten Domänen gehört. Solche Äußerungen des Benutzers stellen Anfragen außerhalb des Anwendungsbereichs dar. Beispielweise könnte eine solche Anfrage an einen digitalen Assistenten im Fahrzeug lauten „Kannst du mir etwas über Game of Thrones erzählen?“. Eine typische Antwort darauf wäre „Entschuldigung, ich habe Sie nicht verstanden.“. We schon zuvor ist eine solche Systemantwort nicht klar genug: Der Benutzer weiß nicht, ob etwas mit dem Kommunikationskanal falsch gelaufen ist oder ob das System nicht in der Lage ist, über Fernsehserien zu sprechen. Eine angemessenere Systemreaktion wäre z.B. „Entschuldigung, ich weiß nicht viel über Fernsehserien.“.

Falls die NLU-Komponente nicht in der Lage ist, den Typ einer Entität x mit Hilfe eines der beiden Ansätze als Typ einer Klasse der unterstützten Domänen (lst-Typ-von(x,Y)) oder Typ einer Klasse der nicht unterstützten Domänen (lst-Typ-von(x,0)) zu identifizieren, kann sie die Anfrage als außerhalb des Anwendungsbereichs kennzeichnen und die Wissensbasis nur hinsichtlich des Typs der Entität abfragen, d.h. Ist-Typ-von(x). Für eine hierarchische Wissensbasis, in der eine Entität mit anderen Typen in einer hierarchischen Form verknüpft ist, liefert eine solche Abfrage die verschiedenen möglichen Klassentypen von x. Den Verknüpfungen in Fig. 5 kann beispielsweise entnommen werden, dass Pho eine Unterklasse von Suppe und Gericht ist, dass Suppe eine Unterklasse von Flüssigkeit ist und dass Gericht eine Unterklasse von Nahrung ist. Eine entsprechende Abfrage liefert somit Ist- Typ-von(x):={Gericht, Nahrung, Suppe, Flüssigkeit}. Dies repräsentiert im Wesentlichen, dass es sich bei Pho um ein Gericht handelt, dass Pho auch ein Lebensmittel ist, dass Pho eigentlich eine Suppe ist, und dass Pho eine Flüssigkeit ist.

Alle diese Interpretationen sind laut der Wissensbasis korrekt, wobei der Grad der Beschreibung variiert und der Umstand, dass Pho eine Flüssigkeit ist, wahrscheinlich zu abstrakt für eine sinnvolle Systemantwort ist. Dennoch bietet dieser Ansatz der NLU- Komponente verschiedene mögliche Interpretationen.

Für die oben angeführte Frage nach „Game of Thrones“, d.h. Entität(x):=Game of Thrones, erhält die NLU-Komponente durch Abfrage einer Wissensbasis eine Reihe von Interpretationen, z.B. lst-Typ-von(x):={Fernsehserie, Serie, Fernsehsendung, Marke}. Diese Interpretationen können genutzt werden, um unterschiedliche intelligente Systemantworten zu generieren. Mögliche Antworten wären beispielsweise „Entschuldigung, ich weiß nicht viel über Fernsehsendungen.“, „Entschuldigung, ich weiß nicht viel über Serien.“ oder „Entschuldigung, ich weiß nicht viel über die Marke.“ Ein intelligenter Assistent kann dabei algorithmisch lernen, welche der Alternativen für das menschliche Verständnis besser geeignet ist. Ein solcher Algorithmus kann beispielsweise vom Systementwickler spezifiziertes Wissen nutzen. Alternativ oder zusätzlich kann der Algorithmus automatisch aus allgemeinem Wissen über die Welt lernen, oder sogar die Reaktion des Benutzers auf die gewählte Systemreaktion nutzen, um zu lernen, ob die Reaktion für den Benutzer angemessen war. Fig. 8 zeigt schematisch ein Systemdiagram eines erfindungsgemäßen NLU-Frameworks 60. Um benannte Entitäten wie „Lasagne“ oder „Borussia Dortmund“ unter Verwendung einer strukturierten Wissensbasis zu extrahieren und aufzulösen, werden eine Reihe von Verarbeitungsmodulen genutzt. Ein Extraktionsmodul 61 dient dazu, die Entitäten zu erkennen, über die in einer Wortfolge gesprochen wird. Ein konventionelles NLU-Modul 62 ist in der Lage, die Benutzerabsicht und den Funktionsbereich in Hinblick auf Anwendungen im Fahrzeug zu erkennen. Ein wissensbasiertes NLU-Modul 63 sucht in einer externen Wssensbasis nach gefundenen Entitäten und ruft deren Eigenschaften ab. Das Ergebnis des konventionellen NLU-Moduls 62 kann genutzt werden, um die Hypothesen der Wssensbasis zu disambiguieren und den korrekten Typ der Entität auszuwählen, wenn die Wssensbasis mehrere Ergebnisse liefert. Beispielsweise kann die Wssensbasis zwei Suchergebnisse zu „Lasagne“ liefern. Das erste ist ein Lebensmittel und das zweite ein Familienname. Das konventionelle NLU-Modul klassifizierte die Absicht der Äußerung als „Anruf“. Eine anwendungsspezifische Logik wählt in diesem Fall auf der Grundlage der Kompatibilität zwischen Entität und Absicht das zweite Ergebnis aus, d.h. den Familiennamen. Umgekehrt kann das konventionelle NLU-Modul 62 vom wissensbasierten NLU-Modul 63 beim Disambiguieren seines eigenen Sprachverständnisses profitieren. Ein Fusionsmodul 64 fusioniert schließlich die Ergebnisse. Wenn das Ergebnis des konventionellen NLU-Moduls 62 eine hohe Bewertung aufweist und die aus der Wssensbasis abgerufenen Entitäten mit diesem Ergebnis kompatibel sind, werden die Ergebnisse zusammengeführt.

Beispiel: „Finde einen Ort, an dem Lasagne serviert wird“

Konventionelles NLU-Ergebnis: Domäne=Navigation, Absicht=Suche_POI Wssensbasiertes NLU-Ergebnis: Lebensmittel=Lasagne, Ursprungsland=ltalien Kombiniertes NLU-Ergebnis: Domäne=Navigation, Absicht=Suche_POI, Lebensmittel=Lasagne, Ursprungsland=ltalien

Wenn das Ergebnis des konventionellen NLU-Moduls 62 eine niedrige Bewertung aufweist und in der Wssensbasis eine benannte Entität gefunden wurde, können die Eigenschaften dieser Entität genutzt werden, um eine intelligente Zurückweisung zu generieren.

Beispiel: „We hat Borussia Dortmund gespielt?“

Konventionelles NLU-Ergebnis: Domäne=Medien

Wssensbasiertes NLU-Ergebnis: Sportverein=Borussia Dortmund, Eigenschaft=Sport Kombiniertes NLU-Ergebnis: Domäne=Sport Referenzen

[1] https://www.wikidata.org

Bezugszeichenliste

10 Empfangen einer Nutzereingabe

11 Extrahieren zumindest einer Entität aus der Nutzereingabe

12 Abfragen von Daten für die zumindest eine Entität aus einer Wissensbasis

13 Auswerten der aus der Wssensbasis abgefragten Daten

14 Generieren einer Antwort auf die Nutzereingabe

20 Vorrichtung

21 Eingang

22 Empfangsmodul

23 Extraktionsmodul

24 Abfragemodul

25 Verarbeitungsmodul

26 Kontrollmodul

27 Schnittstelle

28 Speicher

29 Benutzerschnittstelle

30 Vorrichtung

31 Speicher

32 Prozessor

33 Eingang

34 Ausgang

40 Fortbewegungsmittel

41 Assistenzsystem

42 Sensorik

43 Navigationssystem

44 Datenübertragungseinheit

45 Speicher

46 Netzwerk

50 Dienstanbieter

51 Wissensbasis

60 NLU-Framework

61 Extraktionsmodul

62 Konventionelles NLU-Modul

63 Wissensbasiertes NLU-Modul

64 Fusionsmodul

NE Nutzereingabe

Claims

Patentansprüche

1. Verfahren zum Verarbeiten einer Nutzereingabe (NE), mit den Schritten:

- Empfangen (10) einer Nutzereingabe (NE);

- Extrahieren (11) zumindest einer Entität aus der Nutzereingabe (NE);

- Abfragen (12) von Daten für die zumindest eine Entität aus einer Wissensbasis (51);

- Auswerten (13) der aus der Wissensbasis (51) abgefragten Daten, wobei anhand der aus der Wissensbasis (51) abgefragten Daten eine Klasse für die zumindest eine Entität bestimmt wird und auf Grundlage der Klasse bestimmt wird, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört; und

- Generieren (14) einer Antwort auf die Nutzereingabe (NE) unter Verwendung von Ergebnissen der Auswertung (13).

2. Verfahren gemäß Anspruch 1, wobei die Nutzereingabe (NE) eine Spracheingabe oder eine textbasierte Nutzereingabe ist.

3. Verfahren gemäß Anspruch 1 oder 2, wobei die aus der Wissensbasis (51) abgefragten Daten relationale Attribute der zumindest einen Entität umfassen.

4. Verfahren gemäß einem der vorherigen Ansprüche, wobei die aus der Wissensbasis (51) abgefragten Daten durch eine Abfrage eines Wissensgraphen ermittelt werden.

5. Verfahren gemäß einem der Ansprüche 1 bis 4, wobei anhand der aus der Wissensbasis (51) abgefragten Daten bestimmt wird, ob die zumindest eine Entität außerhalb eines vorgegebenen Anwendungsbereichs liegt.

6. Verfahren gemäß einem der vorherigen Ansprüche, wobei beim Auswerten (13) der aus der Wissensbasis (51) abgefragten Daten ein Abgleich mit Ergebnissen einer nicht-wissensbasierten Sprachverarbeitung vorgenommen wird.

7. Computerprogramm mit Instruktionen, die bei Ausführung durch einen Computer den Computer zur Ausführung der Schritte eines Verfahrens gemäß einem der Ansprüche 1 bis 6 zum Verarbeiten einer Nutzereingabe (NE) veranlassen.

8. Vorrichtung (20) zum Verarbeiten einer Nutzereingabe (NE), mit:

- einem Empfangsmodul (22) zum Empfangen (10) einer Nutzereingabe (NE); - einem Extraktionsmodul (23) zum Extrahieren (11) zumindest einer Entität aus der Nutzereingabe (NE);

- einem Abfragemodul (24) zum Abfragen (12) von Daten für die zumindest eine Entität aus einer Wissensbasis (51); und

- einem Verarbeitungsmodul (25) zum Auswerten (13) der aus der Wssensbasis (51) abgefragten Daten, wobei das Verarbeitungsmodul (25) anhand der aus der Wssensbasis (51) abgefragten Daten eine Klasse für die zumindest eine Entität bestimmt und auf Grundlage der Klasse bestimmt, ob die zumindest eine Entität zu einer unterstützten Domäne oder einer nicht unterstützten Domäne gehört, und zum Generieren (14) einer Antwort auf die Nutzereingabe (NE) unter Verwendung von Ergebnissen der Auswertung (13).

9. Fortbewegungsmittel (40), dadurch gekennzeichnet, dass es eine Vorrichtung (20) gemäß Anspruch 8 aufweist oder eingerichtet ist, ein Verfahren gemäß einem der Ansprüche 1 bis 6 zum Verarbeiten einer Nutzereingabe (NE) auszuführen.