[發明專利]基于智能聊天機器人的聊天方法及裝置

在審

• 申請號: 201611225674.7
• 申請日: 2016-12-27
• 公開（公告）號: CN106815321A
• 公開（公告）日: 2017-06-09
• 發明（設計）人: 章敏;吳龍飛
• 申請（專利權）人: 深圳前海勇藝達機器人有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62;G06K9/72
• 代理公司: 北京金蓄專利代理有限公司11544
• 代理人: 孫巍

技術領域

本發明涉及計算機領域，特別地，涉及一種基于智能聊天機器人的聊天方法及裝置。

背景技術

近年來，在人工智能研究熱潮的推動下，智能聊天機器人被定位成未來各種產品和服務的入口，并成為各相關領域公司的重點研究項目。實現智能聊天器人的聊天功能，主要需要語音識別及語義理解兩個技術的支撐，其中，語音識別已經在業內被做得非常精準了，因此，采用現有的語音識別算法包直接接入到智能聊天機器人產品中即可，而語義理解始終是一個難以解決的問題。

目前，主要是采用幾下幾種方式來處理智能聊天機器人在聊天過程中的語義理解：

第一種，基于模板進行語義理解，該技術主要通過預先設定一些固定形式的用于描述用戶可能會提問的問題結構類型以及對應回答的對話模板。其優點在于能夠精準的回答用戶提問的問題，其缺點在于過度依賴于人工設定的對話模板，而且需要大量人工工作，可拓展性差，不夠靈活。

第二種，基于檢索進行語義理解，該技術主要通過預先存儲好的對話庫并建立索引，根據用戶提問的問題，在對話庫中進行模糊匹配找到最合適的回答。其優點在于不需要大量的人工工作，其缺點在于過于依賴于對話庫，對于對話庫中沒有的問題，無法給供回答。

第三種，基于機器翻譯進行語義理解，該技術主要通過將用戶輸入信息、機器人做出回應的過程看做是將信息翻譯成回應的過程，從而將統計機器翻譯領域里相對成熟的技術應用到智能聊天機器人產品中。該技術是基于深度學習方法的一個過渡方法，但是直接使用機器翻譯的方法提供的回答精確度不高。

第四種，基于深度學習進行語義理解，該技術主要是利用一些深度學習框架訓練提問所對應的回答，是現有技術中拓展性最好的，且提供回答的精確度也較高，而且且隨著訓練數據的增加，其精確度還會不斷提高。

目前，基于深度學習的方法主要是序列到序列的方法，例如RNN(Recurrent Neural Network，循環神經網絡)，LSTM(Long Short Term Memory，長短期記憶神經網絡，為一種時間遞歸神經網絡，為RNN的特殊類型)，BRNN(Bidirectional Recurrent Neural Network，雙向遞歸神經網絡)等。

但是，目前該方法都是以用戶作為主體來引導對話，機器人都是被動的，機器人的回答都是基于訓練語料和上下文特征的分析，并沒有考慮到與用戶相關的其他因素，不是“經過思考的產物”，沒有發揮機器人的“主觀能動性”。

發明內容

本發明提供了一種基于智能聊天機器人的聊天方法及裝置，可根據用戶需求確定對話動機并提供回答，不但了保證回答內容的精確度，還可有效解決用戶問題。

為實現上述目的，本發明提出了一種基于智能聊天機器人的聊天方法，包括：

基于已存在的聊天內容初步確定能夠回答用戶問題的內容，以作為應答內容的行為分布；

根據所述聊天內容及獲取到的環境信息對用戶需求進行分析，并根據分析結果構建對話評分函數；

以經過預處理的聊天內容及環境信息作為輸入、以所述行為分布作為類別，利用卷積神經網絡CNN訓練得到能夠使對話評分函數在當前狀態下達到最大值的行為，以作為應答內容并輸出。

可選的，基于已存在的聊天內容初步確定能夠回答用戶問題的內容，以作為應答內容的行為分布，包括：

確定已存在的聊天內容；

通過分層神經網絡HNN對所存在的聊天內容中的句子進行編碼；

將編碼后的句子輸入到長短期記憶神經網絡LSTM中進行訓練，篩選出能夠回答用戶問題的句子，以作為所述行為分布。

可選的，所述方法還包括：將預置的個性化信息經過詞嵌入處理后輸入到所述LSTM中，以將編碼后的句子與預置的個性化信息一并進行訓練。

可選的，所述獲取到的環境信息，包括：

通過預置的傳感器獲取到的溫度信息、濕度信息和/或光照強度信息；

通過預置的攝像頭獲取到的用戶面部圖像；

通過與天氣信息相關的網站獲取天氣信息。

本發明還提出了一種基于智能機器人的聊天裝置，包括：

行為分布確定單元，用于基于已存在的聊天內容初步確定能夠回答用戶問題的內容，以作為應答內容的行為分布；

用戶需求分析單元，用于根據所述聊天內容及獲取到的環境信息對用戶需求進行分析，并根據分析結果構建對話評分函數；