[发明专利]人机对话上下文语义拒识方法

说明书

本发明涉及自然语言处理领域，为了提高拒识准确率，提供了一种人机对话上下文语义拒识方法，包括：步骤1、建立强弱语义模型及上下文关系模型并训练，所述强弱语义模型用于判断语句是否是针对机器作出的，所述上下文关系模型用于判断当前语句与前一轮语句是否有关联；步骤2、获取用户当前语句，并将其输入强弱语义模型进行判断，若语句不是针对机器的，则将语句输入上下文关系模型；步骤3、上下文关系模型判断当前语句与前一轮语句是否有关联：若不相关，则当前语句为拒识；若相关且前一轮语句为拒识，则当前语句为拒识。采用上述步骤可以提高拒识准确率。

技术领域

本发明涉及自然语言处理领域，具体是一种人机对话上下文语义拒识方法。

背景技术

人机交互已经渗透到我们的生活，如我们可以通过语音控制身边的电视，空调等。目前市面上运行在智能电视的语音助手普遍采用半双工交互方式进行人机交互。其不足在于：一是使用唤醒词，每次对话都需要使用唤醒词，唤醒后才能进行交互；二是使用语音遥控器，当用户按下语音键，开启对话进入拾音状态，当用户抬起语音键，停止拾音；三是在半双工状态下，环境噪声以及周围人声容易引起无效输入，对话系统或错误响应，或给出“没听懂”的呆板播报，并且播报时不能打断，十分影响交互效率。

为了优化体验，引入了全双工技术。当用户开启全双工模式时，由于周围噪声及语音技术局限，当说话人的语音模糊不清、有周围人说话声、无意义语音或者语音数据不在已有训练集合中时，识别系统会产生识别错误，从而影响对话系统的识别和理解效果。为了解决这一问题，采用了语义拒识别方法。

现有的人机对话中的语义拒识别一般采用以下两种方式：一是采用文本分类模型或文本相似度模型，获取用户问句和知识库所有知识点的类别概率或相似度，从获取的多个相似度中选取最大的类别概率或相似度，若最大类别概率或最大相似度未超过预设阈值，则拒绝识别用户问句。二是在分类器新增“拒绝识别类”，如果用户问句被分为拒绝识别类，则拒绝识别，否则，从知识库获取分类类别对应知识点回答。第一种方式中的文本相似度模型方法，对特征工程具有较强的依赖性，容易造成拒识准确率低。第二种方式，“拒绝识别类”的训练语料有限，因而拒绝识别范围有限，面对真实世界中成千上万的业务无关问句，造成拒识率太低。

发明内容

为了提高拒识准确率，提供了一种人机对话上下文语义拒识方法。

本发明解决上述问题所采用的技术方案是：

人机对话上下文语义拒识方法，包括：

步骤1、建立强弱语义模型及上下文关系模型并训练，所述强弱语义模型用于判断语句是否是针对机器作出的，所述上下文关系模型用于判断当前语句与前一轮语句是否有关联；

步骤2、获取用户当前语句，并将其输入强弱语义模型进行判断，若语句不是针对机器的，则将语句输入上下文关系模型；

步骤3、上下文关系模型判断当前语句与前一轮语句是否有关联：若不相关，则当前语句为拒识；若相关且前一轮语句为拒识，则当前语句为拒识。

进一步地，所述强弱语义模型包括：词嵌入层、卷积层、池化层及输出层。

进一步地，所述上下文关系模型包括：输入层、Embedding层、LSTM层、Attention层及输出层。

进一步地，所述步骤2具体为：

步骤21、获取用户当前语句并使用bert模型将其转换为向量；

步骤22、将步骤21得到的向量输入强弱语义模型进行判断，若语句不是针对机器的，则将语句输入上下文关系模型。

进一步地，所述步骤1还包括建立关键词库，对应的，所述步骤2中，若语句不是针对机器的，则将其输入上下文关系模型前，还包括判断语句中是否包含关键词，若不包含，则将语句输入上下文关系模型，若包含，则当前语句不拒识。