[发明专利]基于智能聊天机器人的聊天方法及装置

说明书

技术领域

本发明涉及计算机领域，特别地，涉及一种基于智能聊天机器人的聊天方法及装置。

背景技术

近年来，在人工智能研究热潮的推动下，智能聊天机器人被定位成未来各种产品和服务的入口，并成为各相关领域公司的重点研究项目。实现智能聊天器人的聊天功能，主要需要语音识别及语义理解两个技术的支撑，其中，语音识别已经在业内被做得非常精准了，因此，采用现有的语音识别算法包直接接入到智能聊天机器人产品中即可，而语义理解始终是一个难以解决的问题。

目前，主要是采用几下几种方式来处理智能聊天机器人在聊天过程中的语义理解：

第一种，基于模板进行语义理解，该技术主要通过预先设定一些固定形式的用于描述用户可能会提问的问题结构类型以及对应回答的对话模板。其优点在于能够精准的回答用户提问的问题，其缺点在于过度依赖于人工设定的对话模板，而且需要大量人工工作，可拓展性差，不够灵活。

第二种，基于检索进行语义理解，该技术主要通过预先存储好的对话库并建立索引，根据用户提问的问题，在对话库中进行模糊匹配找到最合适的回答。其优点在于不需要大量的人工工作，其缺点在于过于依赖于对话库，对于对话库中没有的问题，无法给供回答。

第三种，基于机器翻译进行语义理解，该技术主要通过将用户输入信息、机器人做出回应的过程看做是将信息翻译成回应的过程，从而将统计机器翻译领域里相对成熟的技术应用到智能聊天机器人产品中。该技术是基于深度学习方法的一个过渡方法，但是直接使用机器翻译的方法提供的回答精确度不高。

第四种，基于深度学习进行语义理解，该技术主要是利用一些深度学习框架训练提问所对应的回答，是现有技术中拓展性最好的，且提供回答的精确度也较高，而且且随着训练数据的增加，其精确度还会不断提高。

目前，基于深度学习的方法主要是序列到序列的方法，例如RNN(Recurrent Neural Network，循环神经网络)，LSTM(Long Short Term Memory，长短期记忆神经网络，为一种时间递归神经网络，为RNN的特殊类型)，BRNN(Bidirectional Recurrent Neural Network，双向递归神经网络)等。

但是，目前该方法都是以用户作为主体来引导对话，机器人都是被动的，机器人的回答都是基于训练语料和上下文特征的分析，并没有考虑到与用户相关的其他因素，不是“经过思考的产物”，没有发挥机器人的“主观能动性”。

发明内容

本发明提供了一种基于智能聊天机器人的聊天方法及装置，可根据用户需求确定对话动机并提供回答，不但了保证回答内容的精确度，还可有效解决用户问题。

为实现上述目的，本发明提出了一种基于智能聊天机器人的聊天方法，包括：

基于已存在的聊天内容初步确定能够回答用户问题的内容，以作为应答内容的行为分布；

根据所述聊天内容及获取到的环境信息对用户需求进行分析，并根据分析结果构建对话评分函数；

以经过预处理的聊天内容及环境信息作为输入、以所述行为分布作为类别，利用卷积神经网络CNN训练得到能够使对话评分函数在当前状态下达到最大值的行为，以作为应答内容并输出。

可选的，基于已存在的聊天内容初步确定能够回答用户问题的内容，以作为应答内容的行为分布，包括：

确定已存在的聊天内容；

通过分层神经网络HNN对所存在的聊天内容中的句子进行编码；

将编码后的句子输入到长短期记忆神经网络LSTM中进行训练，筛选出能够回答用户问题的句子，以作为所述行为分布。

可选的，所述方法还包括：将预置的个性化信息经过词嵌入处理后输入到所述LSTM中，以将编码后的句子与预置的个性化信息一并进行训练。

可选的，所述获取到的环境信息，包括：

通过预置的传感器获取到的温度信息、湿度信息和/或光照强度信息；

通过预置的摄像头获取到的用户面部图像；

通过与天气信息相关的网站获取天气信息。

本发明还提出了一种基于智能机器人的聊天装置，包括：

行为分布确定单元，用于基于已存在的聊天内容初步确定能够回答用户问题的内容，以作为应答内容的行为分布；

用户需求分析单元，用于根据所述聊天内容及获取到的环境信息对用户需求进行分析，并根据分析结果构建对话评分函数；