[发明专利]封闭域的智能人机对话系统

说明书

本发明提出一种封闭域的智能人机对话系统，该系统包括：第一建模模块，第一建模模块用于基于双向长短时记忆网络和卷积神经网络构建多特征融合深度意图识别模型；第二建模模块，用于采用人机对话状态系统当前状态输入与上下文语句联合建模方式来构建基于MC‑BLSTM‑MSCNN的对话状态跟踪模型；第三建模模块，用于构建基于移位注意力机制的域外恢复机制的Bi‑LSTM匹配模型，以将识别到的用户意图、用户槽值输入移位网络进行注意力机制的权重分发，实现对话状态的编码和对话控制的匹配。本发明具有更高的意图识别精确度、对话状态跟踪的正确性和对话控制的稳定性，进而提升了人机系统的认知智能能力。

技术领域

本发明涉及人机对话技术领域，特别涉及一种封闭域的智能人机对话系统。

背景技术

目前业界的人机对话系统大多采用人工梳理业务逻辑编写成规则的方式进行对话匹配，不具备更高的认知智能，而学术界多专注于人机对话系统的某个实现部分，例如对话状态跟踪，自然语言理解等，没有一套充分考虑业务场景的完整解决方案，且现有技术并不能够轻易解决人机对话系统的低流畅性和单领域问题。而在人机交互的对话系统中又存在如下三个难点。

(1)短文本性和语法缺失性对意图理解精确性的挑战。

在人机交互场景中，用户输入多为口语形式的话语，具有短文本性和语法缺失性等特征，增大了在对话系统中用户意图识别的难度。

(2)人机对话多轮反复的复杂性对对话模型智能化程度及迁移性的挑战。

对话系统不同于一般的“一问一答”问答系统，需要进行对话过程中的状态跟踪，因此需要解析用户输入中的槽值对信息。

(3)人机对话系统多个环节全部AI化带来的挑战。

智能服务人机对话系统要实现一个完整AI系统包括多个流程，设计一套低耦合度、保证各模块高可用性高性能、同时能形成一套完整的数据处理流需要十分详尽的解决方案。

目前的人机对话系统中的意图识别可以作为文本语义分类问题，传统意图识别使用机器学习中的方法，诸如支持向量机(SVM)，贝叶斯网络等。对话状态跟踪技术并没有很好的实现与应用；而对话管理则大多采用有限状态机和规则匹配，根据不同的状态或规则产生相应的对话动作。比如在申请号为201410781154.9的中国专利申请中，使用了一种支持向量机(SVM)的意图识别方法。该系统将采集的数据用数字进行分类编号，确定出特征值和意图类别，然后对采集的数据用PCA主成份分析法进行降维处理，选择适当的核函数将特征向量映射到高维的空间中，以便将本来不可分的数据分开，再用预先分类好的SVM模型对参数进行训练和离线验证，最后通过实时采集的数据对意图进行识别。在申请号为201511001276.2的专利申请中，使用了有限状态机，首先获得用户输入的语音所转化的文本；对所述文本进行语义识别，获得所述用户的意图；将所述用户的意图与跳转条件进行匹配；根据与所述用户的意图匹配的跳转条件根据有限状态自动机，跳转到相应的代理模块，以执行所述代理模块的功能，获得执行结果。

然而，现有对话系统中意图识别忽略了人机对话场景中的短文本性、语法缺失性，造成识别精度不高；对话状态跟踪没有得到很好的应用，导致上下文的语义信息被忽略；对话控制忽略了对话跳到非该域外的控制与恢复，且没有针对上下文语境实现不同反馈，无法响应对话的动态变化。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种封闭域的智能人机对话系统，该系统具有更高的意图识别精确度、对话状态跟踪的正确性和对话控制的稳定性，进而提升了人机系统的认知智能能力。