本发明涉及人工智能会话系统,尤其涉及一种话题驱动的人工智能回应方法及装置。
背景技术:
人与人的自然对话会围绕着话题,使得对话有主题性,随着对话过程,话题也会自然的变换,但目前的人工智能对话系统没有能够考虑到这些特性,使得人机互动显得不自然、不连贯,用户体验不够好。
技术实现要素:
在人工智能对话系统中,若能识别用户文本的话题、推论用户喜好的话题、判断转换话题的时机,并在响应时考虑这些信息,便能使人机互动更贴近人与人的自然对话。
基于此,本发明的目的是提供一种话题驱动的人工智能回应方法及装置,旨在解决现有的人机对话系统不能根据用户谈论的话题预测用户喜好的话题、因此无法在响应时以此作为参考的问题。
本发明解决其技术问题所采用的技术方案是:
一种话题驱动的人工智能回应方法,包括:
接收用户输入的文本信息;
对所述文本信息进行话题识别,获取当前话题;
将所述当前话题映像到话题图谱上;所述话题图谱为图形结构的话题关系图,所述话题图谱上的话题点表征话题及其喜好程度,话题点之间的线表征话题之间的关联强度;
对所述话题图谱上的话题的喜好程度进行更新;
根据所述话题图谱,对用户下一次输入的文本信息的话题进行预测,得到预测话题;
根据所述当前话题和所述预测话题,生成响应策略;
根据所述响应策略,对用户做出回应。
在上述实施例的基础上,进一步地,所述当前话题包括当前主要话题和当前次要话题。
在上述任意实施例的基础上,进一步地,所述话题图谱包括个人化话题图谱和全局话题图谱。
在上述任意实施例的基础上,进一步地,所述根据所述当前话题和所述预测话题,生成响应策略的步骤,具体为:
根据所述话题图谱、所述当前话题和所述预测话题,生成响应策略。
一种话题驱动的人工智能回应装置,包括:
接收模块,用于接收用户输入的文本信息;
识别模块,用于对所述文本信息进行话题识别,获取当前话题;
映像模块,用于将所述当前话题映像到话题图谱上;所述话题图谱为图形结构的话题关系图,所述话题图谱上的话题点表征话题及其喜好程度,话题点之间的线表征话题之间的关联强度;
更新模块,用于对所述话题图谱上的话题的喜好程度进行更新;
预测模块,用于根据所述话题图谱,对用户下一次输入的文本信息的话题进行预测,得到预测话题;
生成模块,用于根据所述当前话题和所述预测话题,生成响应策略;
回应模块,用于根据所述响应策略,对用户做出回应。
在上述实施例的基础上,进一步地,所述当前话题包括当前主要话题和当前次要话题。
在上述任意实施例的基础上,进一步地,所述话题图谱包括个人化话题图谱和全局话题图谱。
在上述任意实施例的基础上,进一步地,所述生成模块用于:
根据所述话题图谱、所述当前话题和所述预测话题,生成响应策略。
本发明的有益效果是:
本发明提供了一种话题驱动的人工智能回应方法及装置,接收用户输入的文本信息,识别出用户谈论的话题,映像到话题图谱上并对话题图谱进行更新,并据话题图谱预测出用户下一句可能谈论的话题,再根据当前话题与下一句的预测话题生成响应策略,根据响应策略对用户进行响应。本发明考虑用户谈论的话题做为响应策略的因素,基于文本分析,能够侦测用户话题,推论用户喜好的下一个话题,在适当的时机进行话题转换,并在响应策略里考虑当前话题、预测话题,使得人工智能对话系统的响应能切中话题,解决人机互动中的不自然与不连贯现象。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种话题驱动的人工智能回应方法的流程图;
图2示出了本发明实施例提供的一种话题驱动的人工智能回应方法的流程示意图;
图3示出了本发明实施例提供的一种话题驱动的人工智能回应装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不限定本发明。
具体实施例一
如图1和图2所示,本发明实施例提供了一种话题驱动的人工智能回应方法,包括:
步骤S101,接收用户输入的文本信息。
步骤S102,对文本信息进行话题识别,获取当前话题。本发明实施例对当前话题不做限定,优选的,其可以包括当前主要话题和当前次要话题。这样做的好处是,可以多元化、有层次地考虑到用户关心的话题以及对话题的喜好程度或者关心程度。
步骤S103,将当前话题映像到话题图谱上;话题图谱为图形结构的话题关系图,话题图谱上的话题点表征话题及其喜好程度,话题点之间的线表征话题之间的关联强度。本发明实施例对话题图谱不做限定,优选的,其可以包括个人化话题图谱和全局话题图谱。这样做的好处是,可以用个人化图谱来代表个人对于不同话题的喜好程度,用全局话题图谱来代表所有用户对于不同话题的喜好程度,以此来反映不同话题的热门程度。
步骤S104,对话题图谱上的话题的喜好程度进行更新。本发明实施例中对更新话题图谱上的话题的喜好程度的方式不做限定,优选的,其可以为根据逻辑规则或机器学习算法对话题图谱上的话题的喜好程度进行更新。
步骤S105,根据话题图谱,对用户下一次输入的文本信息的话题进行预测,得到预测话题。本发明实施例对预测方式不做限定,优选的,其可以为根据逻辑规则或机器学习方法来预测用户下一次输入的文本信息的话题。
步骤S106,根据当前话题和预测话题,生成响应策略。本发明实施例对步骤S106不做限定,优选的,步骤S106可以具体为:根据话题图谱、当前话题和预测话题,生成响应策略。将话题图谱考虑在内,例如考虑到热门话题的因素,很多时候能够更贴近用户的需求。本发明对响应策略的生成方式不做限定,优选的,其可以为使用逻辑规则或机器学习算法来生成响应策略。
步骤S107,根据响应策略,对用户做出回应。
本发明实施例能够接收用户输入的文本信息,识别出用户谈论的话题,映像到话题图谱上并对话题图谱进行更新,并据话题图谱预测出用户下一句可能谈论的话题,再根据当前话题与下一句的预测话题生成响应策略,根据响应策略对用户进行响应。本发明实施例考虑用户谈论的话题做为响应策略的因素,基于文本分析,能够侦测用户话题,推论用户喜好的下一个话题,在适当的时机进行话题转换,并在响应策略里考虑当前话题、预测话题,使得人工智能对话系统的响应能切中话题,解决人机互动中的不自然与不连贯现象。
具体的,例如,步骤S101,接收用户输入的文本信息:有没有王菲的新闻。步骤S102,从上述文本信息中侦测用户谈论的话题,此处可以为“艺人”与“歌手”。步骤S103,将“艺人”与“歌手”两个话题映像到话题图谱上。步骤S104,更新该用户的个人化话题图谱,反馈该用户对于不同话题的喜好程度的变化趋势;更新全局话题图谱,反馈所有用户对于不同话题的喜好程度及热门程度的变化趋势。步骤S105,根据个人化话题图谱、全局话题图谱,预测用户下一个输入的文本信息的话题,例如当前热门话题是王菲演唱会,那么可以预测用户下一个关心的话题是“演唱会”。步骤S106,根据预测的下一个话题与当前话题,生成响应策略。步骤S107,根据响应策略,对用户做出回应:你对王菲下个月的演唱会有没有兴趣?
具体实施例二
如图3所示,本发明实施例提供了一种话题驱动的人工智能回应装置,包括:
接收模块201,用于接收用户输入的文本信息。
识别模块202,用于对文本信息进行话题识别,获取当前话题。
映像模块203,用于将当前话题映像到话题图谱上;话题图谱为图形结构的话题关系图,话题图谱上的话题点表征话题及其喜好程度,话题点之间的线表征话题之间的关联强度。
更新模块204,用于对话题图谱上的话题的喜好程度进行更新。本发明实施例中对更新模块204的更新方式不做限定,优选的,其可以为根据逻辑规则或机器学习算法对话题图谱上的话题的喜好程度进行更新。
预测模块205,用于根据话题图谱,对用户下一次输入的文本信息的话题进行预测,得到预测话题。本发明实施例对预测模块205的预测方式不做限定,优选的,其可以为根据逻辑规则或机器学习方法来预测用户下一次输入的文本信息的话题。
生成模块206,用于根据当前话题和预测话题,生成响应策略。本发明对生成模块206的生成方式不做限定,优选的,其可以为使用逻辑规则或机器学习算法来生成响应策略。
回应模块207,用于根据响应策略,对用户做出回应。
本发明实施例能够接收用户输入的文本信息,识别出用户谈论的话题,映像到话题图谱上并对话题图谱进行更新,并据话题图谱预测出用户下一句可能谈论的话题,再根据当前话题与下一句的预测话题生成响应策略,根据响应策略对用户进行响应。本发明实施例考虑用户谈论的话题做为响应策略的因素,基于文本分析,能够侦测用户话题,推论用户喜好的下一个话题,在适当的时机进行话题转换,并在响应策略里考虑当前话题、预测话题,使得人工智能对话系统的响应能切中话题,解决人机互动中的不自然与不连贯现象。
本发明实施例对当前话题不做限定,优选的,其可以包括当前主要话题和当前次要话题。这样做的好处是,可以多元化、有层次地考虑到用户关心的话题以及对话题的喜好程度或者关心程度。
本发明实施例对话题图谱不做限定,优选的,其可以包括个人化话题图谱和全局话题图谱。这样做的好处是,可以用个人化图谱来代表个人对于不同话题的喜好程度,用全局话题图谱来代表所有用户对于不同话题的喜好程度,以此来反映不同话题的热门程度。
本发明实施例对生成模块206不做限定,优选的,生成模块206可以用于:根据话题图谱、当前话题和预测话题,生成响应策略。将话题图谱考虑在内,例如考虑到热门话题的因素,很多时候能够更贴近用户的需求。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。