[发明专利]语意相似度计算方法

说明书

一种语意相似度计算方法，包括下列步骤，首先，输入待解析的语句，并将该语句与每一标示词预设的杂词进行去杂词处理，接着，提取该语句中的字词与每一标示词预设的反义词进行反义词检查，然后，将该语句与每一标示词预设的相似词进行相似词的置换，接着，该语句与每一标示词默认的特征词进行特征词检查，以获取语意解析后的规则语句，最后，对所述的规则语句与该标示词进行相似度计算，以输出与该规则语句的语意相对应的响应语句。

技术领域

本发明是有关一种相似度计算方法，特别是指一种语意相似度计算方法。

背景技术

随着科技的日新月异，人类与智能型电子装置间的沟通模式已透过最自然且方便的语音来进行，近年来互动要求为主的机器人陆续被发表。

目前较为熟知的人机互动技术有一种是先针对使用者可能会表达的话语或问题，于机器人身上内建预先设好的对话数据库，当机器人接收到语音消息即与内建的对话数据库进行比对，以辨识该语音消息的语意，而进行的互动对谈，如果需达到双向互动沟通的功能，设备所需对话数据量非常巨大，单以人工方式建置该对话数据库，除了需耗费庞大的时间与人力成本，更会增加存放数据库的内存空间，且建置后的对话数据库若无持续扩充更新，几次后使用者将对机器人丧失新鲜感。

另一种技术则是透过神经网络进行深度学习，于实务上神经网络大多利用超级计算机或单芯片系统来实现。在使用单芯片系统的情况下，是令单芯片系统中的同一套电路在不同时间点分别扮演多层人造神经网络中不同的运算层，当神经网络的层数越多，越能模拟复杂的函式(亦即较复杂的判断规则)，然而，当层数增加，整个网络中所需要的神经元数量会随的大幅增长，将衍生庞大的硬件成本负担，且各个运算层的输入数据、可学习参数与运算结果的数据数量都非常可观，绝非一般企业得以负担。

上述缺点都是现有人机互动技术在使用上所衍生的种种问题，依目前人工智能的发展，要达到人机自主互动仍属不易，毕竟语言是人类经过长期学习与经验累积的文化产物，因此，如何利用有限度的对话数据库，且快速撷取使用者的语意进行分析，成为重要课题。

发明内容

有鉴于此，本发明的目的，是提供一种语意相似度计算方法，包括下列步骤。

输入待解析的语句，并将该语句与每一标示词预设的杂词进行去杂词处理，提取该语句中的字词与每一标示词预设的反义词进行反义词检查，将该语句与每一标示词预设的相似词进行相似词的置换，该语句与每一标示词默认的特征词进行特征检查，以获取一语意解析后的规则语句，对所述的规则语句与该标示词进行相似度计算，以输出与该规则语句的语意相对应的响应语句。

本发明的另一技术手段，在于该语句与每一标示词默认的常数特征词先进行特征词检查，再与每一标示词默认的变量特征词进行特征词检查，且标示词的特征词包括至少一常数特征词、至少一变量特征词，或二者的组合，而每一变量特征词具有多个与该变量特征词相关的关联特征词。

本发明的又一技术手段，在于该语句与每一标示词默认的常数特征词先进行特征词检查，再与每一标示词默认的变量特征词进行特征词检查，且该标示词的特征词包括至少一常数特征词、至少一变量特征词，或二者的组合，每一变量特征词具有多个与该变量特征词相关的关联特征词，且多个变量特征词间互为交集关系。

本发明的再一技术手段，在于上述的多个变量特征词有先后的排列顺序。

本发明的另一技术手段，在于上述是先对该常数特征词进行检查，再对该变量特征词进行检查。

本发明的又一技术手段，在于上述当同时符合进行特征检查的标示词的常数特征词与该变量特征词时，获取该规则语句。

本发明的再一技术手段，在于上述的响应语句提取对应的标示词的常数特征词或该变量特征词分别设置有至少一常数响应特征词、至少一变量响应特征词，或二者的组合，且该常数响应特征词与该变量响应特征词是对应该常数特征词与该变量特征词的顺序设置。