一种改进型基于计算机云数据的深度学习智能应答系统的制作方法

技术特征：

1.一种改进型基于计算机云数据的深度学习智能应答系统，其特征在于，其包括如下单元：

定位单元，用于对用户实时位置进行定位，将实时位置信息发送给地图信息描绘单元；

地图信息描绘单元，用于接收定位单元发送的实时位置信息，并实时位置信息形成用户的行为轨迹，将用户的行为轨迹进行分段，并对轨迹分段进行描述；基于预设时间内用户的轨迹分段的描述信息划定用户活动区域；还用于预先描绘出特定区域的完整地图，并在地图上详细的标记出该特定区域内的各个兴趣点，在用户的实时位置信息为某一特定兴趣点时，推送该特定兴趣点的相关信息；

信息接收单元，用于接收用户输入的文本查询或语音查询信息，在为文本查询信息时，经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给数据库单元；在为语音查询信息时，先将语音查询信息识别为文本查询信息，并经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给数据库单元；在为文本查询信息时，将处理后的信息发送给情绪识别单元，在为语音查询信息时，同时将处理后的信息以及语音查询信息发送给情绪识别单元；

情绪识别单元，用于根据信息接收单元发送的信息判断用户的情绪状态，用户的情绪状态分为一般、低落、伤心、高兴；在为低落或伤心时，将特定兴趣点的相关信息推送强度调低的指令发送给地图信息描绘单元；

所述情绪识别单元包括如下文字情绪识别子单元以及语音情绪识别子单元：

文字情绪识别子单元包括分类存储代表一般、低落、伤心、高兴的标准词汇；

通过分类器函数对测试输入的词汇进行训练并分类到各个分类中，并根据分类的结果建立判断模型；

将接收的信息与标准词汇中目标词的每一个单一的语境进行匹配，捕捉语义对比信息，并对所获取的语义对比信息判断文字信息的情绪；

语音情绪识别子单元识别子单元用于通过语音识别技术识别语音的情绪信息；

数据库单元，用于收集和整理各个用户提出问题和解答的答案知识素材建立知识库，对素材提取候选关键词，并对关键词的内容进行人工标记，以便进行后续的关键词索引；将知识库拆分为问题知识库和答案知识库，其中问题知识库中用于存放用户提出的各种需求和问题，答案知识库中存在与问题知识库中的需求和问题相匹配的解答内容、解答思路和解答详细过程；并在问题知识库和答案知识库之间建立问答匹配度评估的关联，关联用于度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化；

社交网络描述单元，用于获取特定区域内的用户之间相互关联和相互影响以及用户之间扮演者不同的社会角色，从而确定各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈；

统计分析单元，用于根据预设时间内用户的轨迹分段的描述信息、各个用户各自具有不同的用户属性和用户任务，以及用户之间的交互构成了各自的用户关系和社交圈生成并保存用户的行程规律信息表；在用户的行程规律信息表中包括用户在各个时间段内的活动区域、活动事项以及用户的兴趣。

2.如权利要求1所述的改进型基于计算机云数据的深度学习智能应答系统，其特征在于，所述地图信息描绘单元还用于在定位单元发送的实时位置信息符合特定区域内的兴趣点时，将该兴趣点发送至统计分析单元；

统计分析单元判断在该时间点在该兴趣点是否有待处理事项；在存在待处理事项时，以该兴趣点名称以及待处理事项发送至信息接收单元；

信息接收单元经过中文分词、语义分析和语法分析的文本挖掘和处理，并将处理后的信息发送给数据库单元；

数据库单元将和问题相匹配的解答内容、解答思路和解答详细过程推送并显示。

3.如权利要求2所述的改进型基于计算机云数据的深度学习智能应答系统，其特征在于，

在社交网络描述单元中预先存储用户的待处理事项的处理权限，处理权限分为自己处理以及允许社交圈内特定用户替代处理。

4.如权利要求3所述的改进型基于计算机云数据的深度学习智能应答系统，其特征在于，

统计分析单元用于用户在某一时间段内存在待处理事项且用户处于待处理事项的活动区域之外时，判断该待处理事项是否为允许社交圈内特定用户替代处理的待处理事项，如果是则将该待处理事项发送至用户社交圈内相应的其他用户。

5.如权利要求1所述的改进型基于计算机云数据的深度学习智能应答系统，其特征在于，

数据库单元中度量问题与答案之间的匹配程度，并将这一过程与后续的用户满意度反馈相结合，共同用于对知识库的优化，和对问题知识库和答案知识库中相关内容的更新与优化包括：

通过问答匹配度评估过程后将问题与答案之间建立匹配映射关系，并对候选答案与问题的匹配程度进行排名，将排名靠前的若干个候选答案提供给用户进行选择，同时让用户对问题的答案进行评价，并将评价的结果及时反馈给问答系统进行问答匹配度的修正和知识库中知识的替换与更新。

6.如权利要求1所述的改进型基于计算机云数据的深度学习智能应答系统，其特征在于，

数据库单元中问题知识库与问题关键词之间的映射关系矩阵M_q,k表示如下：

$M_{q,k}=\begin{array}{cccccc}{K}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ K_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ K_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ K_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ R_{q\→k}& Q_1& Q_2& Q_3& \mathrm{...}& Q_n\end{array}$

其中R_q→k表示二者之间的映射关系，Q_i(i＝1...n)表示问题及其个数，K_j(j＝1...m)表示问题关键词及其个数；一个问题可以被拆解为多个关键词加以描述，同时一个关键词也可以运用于多个问题中；T_ij(i＝1...n,j＝1...m)表示问题i由问题关键词j所组成的文本内容；

数据库单元中问题关键词与答案关键词之间的映射关系矩阵M_k,k’表示如下：

$M_{k,k^{\′}}=\begin{array}{cccccc}{K^{\′}}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ {K^{\′}}_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ {K^{\′}}_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ {K^{\′}}_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ R_{q\→k^{\′}}& K_1& K_2& K_3& \mathrm{...}& K_n\end{array}$

其中R_k→k'表示二者之间的映射关系，K_i(i＝1...n)表示问题关键词及其个数，K'_j(j＝1...m)表示答案关键词及其个数；一个问题关键词可以对应于多个问题答案关键词，同时一个答案关键词也可以运用于多个问题关键词中；T_ij(i＝1...n,j＝1...m)表示问题关键词i由答案关键词j予以解答的文本内容；

数据库单元中答案关键词与答案之间的映射关系矩阵M_k’,a表示如下：

$M_{k^{\′}a}=\begin{array}{cccccc}{A}_m& T_{1m}& T_{2m}& T_{3m}& \mathrm{...}& T_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ A_3& T_{13}& T_{23}& T_{33}& \mathrm{...}& T_{n3}\\ A_2& T_{12}& T_{22}& T_{32}& \mathrm{...}& T_{n2}\\ A_1& T_{11}& T_{21}& T_{31}& \mathrm{...}& T_{n1}\\ R_{k^{\′}\→a}& {K^{\′}}_1& {K^{\′}}_2& {K^{\′}}_3& \mathrm{...}& {K^{\′}}_n\end{array}$

其中R_k'→a表示二者之间的映射关系，K'_i(i＝1...n)表示答案关键词及其个数，A_j(j＝1...m)表示答案及其个数；一个答案关键词可以用以描述多个答案，同时一个答案也可以运用多个答案关键词进行描述；T_ij(i＝1...n,j＝1...m)表示答案关键词i对答案j进行描述的文本内容；

数据库单元中答案与答案排名之间的映射关系矩阵M_a,rank表示如下：

$M_{a,rank}=\begin{array}{cccccc}Rank& R_{A_1}& R_{A_2}& R_{A_3}& \mathrm{...}& R_{A_n}\\ R_{a\→rank}& A_1& A_2& A_3& \mathrm{...}& A_n\end{array}$

其中R_a→rank表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，表示答案i的排名；

数据库单元中答案与用户满意度之间的映射关系矩阵M_a,us表示如下：

$M_{a,u_s}=\begin{array}{cccccc}{U}_{s,m}& P_{1m}& P_{2m}& P_{3m}& \mathrm{...}& P_{nm}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ U_{s,3}& P_{13}& P_{23}& P_{33}& \mathrm{...}& P_{n3}\\ U_{s,2}& P_{12}& P_{22}& P_{32}& \mathrm{...}& P_{n2}\\ U_{s,1}& P_{11}& P_{21}& P_{31}& \mathrm{...}& P_{n1}\\ R_{a\→u_s}& A_1& A_2& A_3& \mathrm{...}& A_n\end{array}$

其中表示二者之间的映射关系，A_i(i＝1...n)表示答案及其个数，U_s,j(j＝1...m)表示用户满意度及其个数；一个答案可以被多个用户进行评价，可以拥有多个用户满意度，同时一个用户也可以对多个答案进行评价，分别给出多个答案的用户满意度评价；P_ij(i＝1...n,j＝1...m)表示答案i由用户j予以评价的用户满意度。