一种基于信号和场景的智能机器人对话方法及系统技术方案

本发明专利技术公开了一种基于信号和场景的智能机器人对话方法及系统，对话方法包括如下步骤，S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。优点是：使机器人在处理会话逻辑时，可以根据用户自然语言的内容不同，智能选择最优的多轮会话场景组合及最优路径，更智能、更灵活的完成多轮会话的沟通，实现具有业务目的的对话沟通。话沟通。话沟通。

【技术实现步骤摘要】
一种基于信号和场景的智能机器人对话方法及系统


[0001]本专利技术涉及智能对话
，尤其涉及一种基于信号和场景的智能机器人对话方法及系统。

技术介绍

[0002]目前，智能机器人的对话方法比较简单，一般是通过关键词或数字指令进行对话，不具备针对复杂业务场景的对话能力，无法实现复杂场景下的对话任务。

技术实现思路

[0003]本专利技术的目的在于提供一种基于信号和场景的智能机器人对话方法及系统，从而解决现有技术中存在的前述问题。
[0004]为了实现上述目的，本专利技术采用的技术方案如下：
[0005]一种基于信号和场景的智能机器人对话方法，包括如下步骤，
[0006]S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；
[0007]S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；
[0008]S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。
[0009]优选的，所述信号识别模型为训练后的信号识别算法，以历史用户输入的语言文本以及对应输出的信号数据作为训练的原始数据进行训练，最终获取信号识别模型。
[0010]优选的，步骤S1具体包括如下内容，
[0011]S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；
[0012]S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；
[0013]所述子图中包含节点和边，所述节点包含了基本语言单位、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系；
[0014]S13、将标量和向量作为子图中的边和节点的附带信息，进而构成含义片段，并将含义片段与子图中的节点和边进行匹配融合，进而形成更完整的含义片段，即信号数据。
[0015]优选的，所述场景最优路径决策模型为训练后的场景最优路径决策算法；以多历史轮会话消息数据、该多轮会话消息中途经的场景数据以及该多轮会话的实际业务是否完成作为训练的原始数据，针对多轮对话中每一条会话消息的信号数据、场景、实际业务完成度进行训练预测，直到实际业务完成度最高时，输出训练好的场景最优路径决策模型。
[0016]优选的，步骤S2具体为，基于决策理论，以信号数据为条件，计算条件效用期望，并选择期望值最大的场景作为最优场景；条件期望效用由两个算子组成，分别为场景的信号条件分布模型和场景的业务效用模型，计算公式分别如下，
[0017][0018][0019]其中，Action
*
为最优场景；a为被选场景；s为信号数据；E为期望；U为效用函数；U(a,s)为场景为a，信号为s时的效用；E
Action＝a,Signal＝s
[U]为a场景s信号条件下的U的期望；argmaxE指代决策过程，以便获得使E最大时的a；E
a,s
[U(a,s)]为给定信号数据s和被选场景a后，计算涉及的所有效用U的期望值；Φ为业务参数；u
i
为第i个效用函数，i＝1,2,3
…
,N；Utility为业务效用函数变量，在分布p中充当随机变量；p为业务效用函数对应信号条件分布函数，积分对p分布边缘化掉Φ，得到以a和s为条件的u
i
的分布，之后与u
i
(a,s)相乘后求和，得到期望E
a,s
[U(a,s)]。
[0020]优选的，步骤S3具体为，基于步骤S2输出的最优场景，将用户引导进入选定的最优场景，执行最优场景下集成的业务响应动作，实现对话回应；等待后续用户消息的反馈，再次激活信号、选择最优场景、给出对话回应，反复进行会话控制，最终形成路径式的最优场景选择和应答，实现智能多轮交互。
[0021]本专利技术的目的还在于提供一种基于信号和场景的智能机器人对话系统，所述系统用于实现上述任一所述的对话方法，所述对话系统包括，
[0022]基于信号的自然语言处理模块；用于利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；
[0023]基于信号的场景寻址模块；用于基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；
[0024]基于会话场景构建的机器人知识图谱模块；用于基于最优场景执行该最优场景下的业务响应动作，做出对话回应。
[0025]本专利技术的有益效果是：1、根据用户发送的消息不同，动态、智能地做出灵活的反应，随着信号、场景的不算丰富智能多轮会话的逻辑会越来越灵活，用户的会话体验也会越来好。2、使机器人在处理会话逻辑时，可以根据用户自然语言的内容不同，智能选择最优的多轮会话场景组合及最优路径，更智能、更灵活的完成多轮会话的沟通，实现具有业务目的的对话沟通。
附图说明
[0026]图1是本专利技术实施例中对话方法的流程示意图；
[0027]图2是本专利技术实施例中对话系统的结构示意图。
具体实施方式
[0028]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。
[0029]实施例一
[0030]如图1所示，本实施例中，提供了一种基于信号和场景的智能机器人对话方法，包
括如下步骤，
[0031]S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；
[0032]S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；
[0033]S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。
[0034]参见上述步骤，对话方法主要包括三部分内容，分别是获取信号数据、获取最优场景、做出对话回应；下面分别针对这三部分内容进行详细说明。
[0035]一、获取信号数据
[0036]该部分对应步骤S1的内容，步骤S1具体包括，
[0037]S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；
[0038]S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；
[0039]所述子图中包含节点和边，所述节点包含了基本语言单位(字词)、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系。
[0040]其中，词性类型是指LTP(语言技术平台)使用的863词性标注集；语法角色是指LTP(语言技术平台)使用的句法关系；语义角色是指LTP(语言技术平台)使用的语义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信号和场景的智能机器人对话方法，其特征在于：包括如下步骤，S1、利用信号识别模型对用户输入的语言文本进行识别，输出信号数据；S2、基于输出的信号数据，利用场景最优路径决策模型，响应与输出的信号数据相匹配的最优场景；S3、基于最优场景执行该最优场景下的业务响应动作，做出对话回应。2.根据权利要求2所述的基于信号和场景的智能机器人对话方法，其特征在于：所述信号识别模型为训练后的信号识别算法，以历史用户输入的语言文本以及对应输出的信号数据作为训练的原始数据进行训练，最终获取信号识别模型。3.根据权利要求2所述的基于信号和场景的智能机器人对话方法，其特征在于：步骤S1具体包括如下内容，S11、信号识别模型对用户输入的语言文本进行语言特征分析，得到分词、词性、语法、语义以及语言特征向量；S12、将得到的分词、词性、语法和语义图化为语言特征子图，将语言特征子图和语言特征向量合并形成特征组；所述特征组的组成员包括标量、向量和子图；所述子图中包含节点和边，所述节点包含了基本语言单位、词性类型、语法角色、语义角色、情感类别、句型类别及业务相关信息；所述边代表了这些节点的结构、时序和相关关系；S13、将标量和向量作为子图中的边和节点的附带信息，进而构成含义片段，并将含义片段与子图中的节点和边进行匹配融合，进而形成更完整的含义片段，即信号数据。4.根据权利要求1所述的基于信号和场景的智能机器人对话方法，其特征在于：所述场景最优路径决策模型为训练后的场景最优路径决策算法；以多历史轮会话消息数据、该多轮会话消息中途经的场景数据以及该多轮会话的实际业务是否完成作为训练的原始数据，针对多轮对话中每一条会话消息的信号数据、场景、实际业务完成度进行训练预测，直到实际业务完成度最高时，输出训练好的场景最优路径决策模型。5.根据权利要求4所述的基于信号和场景的智能机器人对话方法，其特征在于：步骤S2具体为，基于决策理论，以信号数据为条件，计算条件效用期望，并选择期望值最大的场景作为最优场景；条件期望效用由两个算子组成，分别...

【专利技术属性】
技术研发人员：邴立新，
申请(专利权)人：北京易聊科技有限公司，
类型：发明
国别省市：