[发明专利]一种智能电视自动智能应答机器人的实现方法

说明书

技术领域

本发明涉及人工智能技术领域，具体涉及一种智能电视自动智能应答机器人的实现方法。

背景技术

随着计算机、人工智能等技术领域的不断发展，使用计算机软件程序来代替人工进行文字或语音应答的需求越来越多，毕竟人会疲劳，需要一定的时间休息，而计算机软件程序可以24小时不间断地工作。而且使用计算机软件程序会大大降低业务运营的成本。对于老年人而言，智能电视属于新生事物，有些老年人对智能电视存在一定的抗拒，他们觉得很难学会智能电视的使用。还有一些用户，在使用智能电视时遇到困难，不知道该向谁求助，此时自动智能应答机器人软件程序就能派上用场了。

市面上现有的自动智能应答机器人程序本身尚未具有“智能”功能，或者是“智能”的程序非常低，只能根据用户的输入(包括语音或文字)按照一些既定的逻辑做出简单的回应，比如通过主要关键词索引关联固定的答案，应答机器人程序本身没有做到真正理解用户输入的内容，因此返回给用户的输出就存在着“答非所问”、“乱答一通”之类的情况。

发明内容

本发明的目的是为解决上述的技术问题，提供一种智能电视自动智能应答机器人的实现方法，可以让自动应答机器人具备较高的“智能”，真正方便了智能电视的用户，可以代替人工客服或咨询师，快速简单的服务于用户。

为了达到上述的技术效果，本发明采取以下技术方案：

第一步，获取用户的输入，并对之前的历史信息和预回复的内容进行匹配度计算，生成相似度矩阵A。

所述的获取用户的输入可以是用户通过手机或遥控器使用输入法输入的内容，也可以是用户手机或遥控器使用语音功能输入的内容。针对语音输入的内容，可以采用互联网开放语音识别服务解决方案，比如讯飞开放平台SDK、百度语音API、网易云信SDK等，实现将用户的语音输入转换成文字输出。

所述匹配度计算可以是解决普通模糊匹配冲突问题常用的方法，包括海明距离和指数法，以及基于指数法提出类指数法和绝对值差积法等。

第二步，对用户输入进行特征词汇向量和语句级别的卷积神经网络CNN的相似度计算，生成相似度矩阵B。卷积神经网络即ConvolutionalNeural Network，简称CNN。

所述相似度计算可以是采用最长公共子序列及最长公共子串的方法，也可以是采用余弦相似度算法，以及杰卡德距离(Jaccard Distance)、Simhash算法等方法。

第三步，把A、B两个矩阵分别作为卷积神经网络CNN的一个通道，利用卷积神经网络的最大池化(Max-Pooling)进行特征抽象，形成一个匹配向量。

第四步，利用卷积神经网络CNN将用户输入的内容和根据历史相似问题的回复所计算出的匹配信息进一步融合，得到融合的匹配信息。

第五步，利用第四步融合的匹配信息计算最终的匹配得分。

第六步，将用户输入的信息结合上下文历史信息使用TF-IDF进行筛选，选出五个关键词。

第七步，进行最后的检索，使用第六步产生的五个关键词在系统中进行检索，然后用卷积神经网络对候选结果打分从而得到回复的内容。

第八步，将第七步得到的回复内容返回给用户。

与现有技术相比，本发明的有益效果是，在实际的应用中，基于本发明的智能应答机器人的智能化程度更高，用户的满意度有提升，对互联网业务的发展有较大的促进作用。

附图说明

图1是一种智能电视自动智能应答机器人的实现方法的流程示意图。

具体实施方式

下面结合本发明的实施例对本发明作进一步的阐述和说明。

实施例：

如图1所示，为本发明实施例提供的一种智能电视自动智能应答机器人的实现方法的流程示意图，该方法主要包括以下步骤：

步骤101，获取用户的输入信息，并对之前的历史信息和预回复的内容进行匹配度计算，生成相似度矩阵A。

所述获取用户的输入信息可以是用户通过手机或遥控器使用输入法输入的内容，也可以是用户手机或遥控器使用语音功能输入的内容。针对语音输入的内容，可以采用互联网开放语音识别服务解决方案，比如讯飞开放平台SDK、百度语音API、网易云信SDK等，实现将用户的语音输入转换成文字输出。

所述匹配度计算可以是解决普通模糊匹配冲突问题常用的方法，包括海明距离和指数法，以及基于指数法提出类指数法和绝对值差积法等。