[发明专利]人机交互的对话管理系统

说明书

本发明提供了一种人机交互的对话管理系统，所述对话管理系统包括对话系统和数据系统，所述对话系统用于识别用户意图，所述数据系统为对话系统记录外部的使用情况并为对话系统进行知识赋能，数据系统包括语料管理模块、脚本生成模块、测试执行模块、以及数据管理模块；通过语料管理模块来保存对话系统的语料信息，然后通过脚本生成模块将语料管理模块的语料生成对应的脚本，再加载到对话系统中，为对话系统进行知识赋能；再通过测试执行模块来验证脚本修改后的识别情况；数据管理模块则用于收集用户的对话记录，用于快速筛选出训练语料并加入语料管理模块，与此同时生成命中率统计图，便于产品进行适应性调整；本发明能提高人机交互的识别率。

技术领域

本发明涉及人工智能技术领域，特别是人机交互的对话管理系统。

背景技术

目前常见的智能对话框架大致分为两类，一种是规则型框架，例如aiml，开发者可以通过编写对应aiml脚本，然后加载到对话系统中进行训练；一种是学习型框架，例如：Rasa，开发者可以通过编写对应语料脚本进行训练来达到一个对话意图的识别。AIML，全名为Artificial Intelligence Markup Language(人工智能标记语言)，是一种创建自然语言软件代理的XML语言。Rasa是一个用于自动文本和基于语音的对话的开源机器学习框架。

缺点一，针对规则型框架(比如aiml)，为了支持机器人可以识别意图的各种问法，需要人为去扩展语料，然后将其编写成对应的脚本，以保证能够识别更多的问法(例如：配置一句话“#如何#提高#生产力#”，那么输入“如何提升生产力”，aiml是无法识别的，需要配置一句“#如何#提升#生产力#”)。即通过规则型框架实现的对话系统识别率过度依赖所编写的扩展脚本。

缺点二，针对学习性框架(比如rasa)，支持泛化能力，能够识别比较相似的问句(比如上述的配置了“如何提高生产力”，询问“如何提升生产力”，是可以识别到的)，但是误差率比较高，尤其在有些敏感问题上，泛化能力可能使得机器人答非所问。同时训练型的框架也需要进行脚本的编写，相对于规则型的框架，维护成本低，但是识别的误差比较高。

缺点三，无论是哪一个框架，目前都需要人为维护的成本投入，需要编写对应脚本来完善机器人的“大脑”，从而赋予大脑知识点的能力。目前大多的语料都是通过收集的用户数据，然后筛选分类成对应的意图。再由对应的配置人员进行配置，发布，再通过质量保证QA的测试，最终进行发布。其中收集的用户数据，可能存在重复的数据，会导致重复的配置，浪费沟通成本。

缺点四，大部分对话系统的测试，只是针对所已知问题的期望结果进行验收是否正确。并没有针对机器人的一个对话成长做记录，无法知道目前对话系统在实际的运用过程中的一个体验发展状况。

发明内容

为克服上述问题，本发明的目的是提供一种人机交互的对话管理系统，提高对话管理系统的智能性，提高人机交互的识别率，降低了人工维护的成本。

本发明采用以下方案实现：一种人机交互的对话管理系统，所述对话管理系统包括对话系统和数据系统，所述对话系统用于识别用户意图，所述数据系统为对话系统记录外部的使用情况并为对话系统进行知识赋能，所述数据系统包括语料管理模块、脚本生成模块、测试执行模块、以及数据管理模块；通过语料管理模块来保存对话系统的语料信息，即语料管理模块是对话系统的知识库；然后通过脚本生成模块将语料管理模块的语料生成对应的脚本，再加载到对话系统中，为对话系统进行知识赋能；再通过测试执行模块来验证脚本修改后的识别情况；数据管理模块则用于收集用户的对话记录，用于快速筛选出训练语料并加入语料管理模块，与此同时生成命中率统计图，便于产品进行适应性调整；所述对话系统是由aiml识别服务和rasa识别服务组合的一个系统，支持用户问题的输入，并识别返回对应的意图和行为，同时对话系统会将每次的请求内容和结果反馈给数据系统，由数据系统进行记录和管理。

进一步的，所述语料管理模块实现方式具体为：支持创建新产品，当填写完新产品具体的信息之后，为每个产品默认生成一个产品标识号app_id；