一种人工智能交互方法及人工智能交互装置与流程

本发明涉及音视频智能控制领域，特别涉及人工智能交互方法及人工智能交互装置。

背景技术：

智能助理产品包括交互信息输入、交互信息响应和交互信息输出的过程。例如微软公司的cortana助理产品和苹果公司的siri助理产品在通过语音识别技术获得交互输入的语音文本后，采用nlp技术(即自然语言处理技术)对语音文本中的交互信息进行关键字提取，通过关键字匹配/模糊匹配的方式检索知识列表(或知识库)对输入的交互信息进行响应，并将响应的知识内容作为消息回复，消息回复以语音或文字的形式作为交互信息输出。

在交互信息响应过程中由于利用的知识列表(或知识库)采用格式化处理，仅包含必要的知识内容，使得相同查询产生的消息回复形成的交互信息输出缺乏情绪特征，导致智能助理产品的交互信息输出表现呆板，无法反应交互过程中上下文关联属性，人机交互体验差。

技术实现要素：

有鉴于此，本发明实施例提供了一种人工智能交互方法及人工智能交互装置，用于解决交互信息响应由于缺乏情绪特征，人工智能辅助角色交互效果差的技术问题。

本发明的人工智能交互方法，包括：

从语料库中获取角色的语料资源进行向量化处理，形成角色的角色语料；

通过神经网络模型对角色语料进行自然语言语义识别，形成确定角色，形成所述确定角色的语句情绪特征，形成所述确定角色的性格特征。

本发明的人工智能交互装置，包括：

语料短语生成模块，用于从语料库中获取角色的语料资源进行向量化处理，形成角色的角色语料。

语义识别模块，用于通过神经网络模型对所述角色语料进行自然语言语义识别，形成确定角色，形成所述确定角色的语句情绪特征，形成所述确定角色的性格特征。

本发明实施例的人工智能交互方法及人工智能交互装置，通过自然语义识别的方式创建带有人物性格的人工智能助手，大规模降低人工参与，降低了开发的工作量，同时能够产生更具有自然情绪效果的人工智能助手。

附图说明

图1为本发明实施例的人工智能交互方法的流程图。

图2为本发明实施例的人工智能交互方法的确定角色、确定角色性格和确定角色情绪形成的流程图。

图3为本发明实施例的人工智能交互方法的情绪交互信息输出的流程图。

图4为人工智能交互装置或程序模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图中的步骤编号仅用于作为该步骤的附图标记，不表示执行顺序。

图1为本发明实施例的人工智能交互方法的流程图。如图1所示包括：

步骤100：从语料库中获取角色的语料资源进行向量化处理，形成角色的角色语料。

角色的语料资源包括可以在语料库中检索到的包含确定角色的小说、剧本、诗歌或台词等文学作品。文学作品的载体可以是文字或者音频，音频的文学作品通过语音识别技术可以对应形成文字的文学作品。角色的语料资源可以是包括一个角色的文学作品，也可以是包括若干个角色的文学作品。若干个角色可以在同一个文学作品中存在语言上的交流，也可以在不同的文学作品中被互相引用。

角色的语料资源进行向量化包括在分句、分词、脱敏等预处理的基础上，采用例如word2vec(即文本到向量)技术形成语料资源中所有词语的向量化，并保持所有词语的顺序。

步骤200：通过神经网络模型对角色语料进行自然语言语义识别，形成确定角色，形成确定角色的语句情绪特征，形成确定角色的性格特征。

对角色语料进行自然语言语义识别的神经网络模型可以采用cnn(即卷积神经网络)模型、rnn(即循环神经网络)模型或dnn(即深度神经网络)模型。自然语言语义识别的内容包括语句顺序的内在联系、词语顺序的内在联系、语句中词语频率与情绪表达程度的内在联系、语句与角色的内在联系、角色的性格及情绪与语句结构的内在联系等围绕确定角色的文学作品中具体量化的内在情绪联系。

步骤300：通过对交互信息输入的情绪判断将确定角色的语句情绪特征与交互信息响应相结合，形成情绪交互信息输出。

利用神经网络模型从角色语料中提取语料间的内在联系信息，量化确定角色的性格并形成特定的语言结构特征，与传统的交互信息响应配合形成具有上下文情绪关联表达的交互信息响应。使得交互信息输出的语气和情绪表达适应交互信息输入时的语言情绪变化，满足作为交互信息响应的知识内容可以针对交互过程中输入主体的情绪变化做出适时调整，增加智能助理产品的亲和力，提升语言交互体验。

本发明实施例的人工智能交互方法通过自然语义识别的方式创建带有人物性格的ai助手，大规模降低人工参与，降低了开发的工作量，同时能够产生更具有自然情绪效果的人工智能助手。

图2为本发明实施例的人工智能交互方法的确定角色、确定角色性格和确定角色情绪形成的流程图。如图2所示形成确定角色包括：

步骤210：通过第一神经网络模型处理角色语料，输出语料短语。

本发明实施例中第一神经网络模型包括cnn模型和softmax分类器(即最大类别分类器)，cnn模型包括输入层、卷积层、池化层和全连接层cnn模型处理后形成的数据经softmax分类器形成包含在角色语料中的所有语料短语。cnn模型可以保证角色语料中词语间的内在联系信息在分类过程中不损失，softmax分类器可以保证输出数据形成语料短语时的离散化。

步骤220：对语料短语中的词语进行词性标记。

词性是指以词的特点为根据，来划分词类。现代汉语的词可以分为两类12种词性。一类是实词：名词、动词、形容词、数词、量词和代词。一类是虚词：副词、介词、连词、助词、叹词和拟声词。词性标注算法可以采用hanlp算法和jieba(结巴)算法。

步骤230：根据词性标记对语料短语进行统计形成确定角色，并形成确定角色列表。

词性标记可以进一步反映语料短语中的自然语言结构，即表现主语、谓语、宾语、定语、状语和补语的属性和连接结构。通过对主语、谓语和宾语具体含义的统计，可以获得主语指代的确定角色，并形成所有的确定角色列表。

如图2所示本发明实施例形成确定角色的语句情绪特征包括：

步骤210：通过第一神经网络模型处理角色语料，输出语料短语。

本发明实施例中第一神经网络模型包括cnn模型和softmax分类器(即最大类别分类器)，cnn模型包括输入层、卷积层、池化层和全连接层cnn模型处理后形成的数据经softmax分类器(即最大类别分类器)形成包含在角色语料中的所有语料短语。cnn模型可以保证角色语料中词语间的内在联系信息在分类过程中不损失，softmax分类器可以保证输出数据形成语料短语时的离散化。

步骤230：根据词性标记对语料短语进行统计形成确定角色，并形成确定角色列表。

词性标记可以进一步反映语料短语中的自然语言结构，即表现主语、谓语、宾语、定语、状语和补语的属性和连接结构。通过对主语、谓语和宾语具体含义的统计，可以获得主语指代的确定角色，并形成所有的确定角色列表。

步骤240：根据确定角色对语料短语进行分类，形成确定角色的角色语料短语，从确定角色的角色语料短语中获取前导对话关键词。

确定角色的角色语料短语中包括的是与确定角色相关的对话内容，排除了与确定角色无关的语料短语。根据词性标记和确定角色列表可以完成每一个确定角色的对话内容。角色语料短语中的前导对话关键词是根据频率等特征体现的确定角色惯用的词语、词汇或短句。

步骤270：结合现有交互信息响应中的关键词(或字)列表和确定角色的前导对话关键词，形成确定角色的专有关键词列表。

本发明实施例通过专有关键词列表将现有交互信息响应中的响应信息与确定角色的对话形成关联，使得响应信息和确定角色的特征信息可以进行统一处理和融合。

如图2所示本发明实施例形成确定角色的语句情绪特征包括：

步骤250：通过第二神经网络模型处理确定角色的角色语料短语，将角色语料短语形成按情绪特征分类的确定角色的情绪语料短语，形成确定角色的语句情绪特征。

本发明实施例中第二神经网络模型包括cnn模型和svm分类器(即支持向量机分类器)，cnn模型包括输入层、卷积层、池化层和全连接层cnn模型处理后形成的数据经串联的两个svm分类器形成不同情绪分类的情绪语料短语。svm分类器可以保证利用第二神经网络模型形成的内在情绪联系进行准确的情绪分类。例如包含喜怒哀惊恐爱六个基本分类，svm分类器作为有监督学习方式，可以通过情绪字典将极端的哀和爱的情绪语料短语分类，而后通过第一个svm分类器分类形成喜-惊和恐-怒两类情绪语料短语，在经过第二个svm分类器分类分类形成喜、惊、恐和怒四类情绪语料短语。

如图2所示本发明实施例形成确定角色的性格特征包括：

步骤260：对确定角色的情绪语料短语进行情绪频次统计，形成确定角色主要的性格特征。

采用情绪字典对确定角色的情绪语料短语进行情绪词语和情绪词语频率的统计形成情绪频次直方图数据，将情绪频次直方图数据输入svm分类器获得性格特征分类。例如性格特征分类包括：

a型性格情绪稳定,社会适应性及向性均衡，但智力表现一般,主观能动性一般,交际能力较弱；

b型性格具有外向性的特点,情绪不稳定，社会适应性较差，遇事急躁,人际关系不融洽；

c型性格具有内向性特点，情绪稳定，社会适应性良好，但在一般情况下表现被动；

d型性格具有外向性特点,社会适应性良好或一般，人际关系较好,有组织能力；

e型性格具有内向性特点，情绪不稳定，社会适应性较差或一般，不善交际，但往往善于独立思考，有钻研性。

权重最大的性格特征分类作为确定角色的性格特征。

如图2所示本发明实施例中形成确定角色的语句情绪特征还包括：

步骤280：通过自然语言结构对确定角色的角色语料短语进行统计，形成与确定角色的语句情绪特征对应的情绪语言结构。

本发明实施例利用自然语言结构为统计基础，统计确定角色的情绪语料短语中不同语言结构的频次，将高频次语言结构作为确定角色在不同情绪特征下的语言习惯。进一步根据情绪特征下的语言习惯形成确定角色的对话样例模板。

如图2所示本发明实施例中形成确定角色的语句情绪特征还包括：

步骤290：对语料短语中的专用名词和专用名词上下文联系进行频率统计，形成专用名词相关关联名词表达语料。

语料短语中的专用名词的确定参考现有交互信息响应中的关键词列表、与关键词列表关联的相应信息内容中的频次统计，专用名词上下文联系的确定参考语料短语中以及与关键词列表关联的相应信息内容中语句和词语的语法关联。当智能助理产品的交互信息输入过程中触发专用名词时，与专用名词相关的关联名词及上下文作为响应输出。

图3为本发明实施例的人工智能交互方法的情绪交互信息输出的流程图。如图3所示，本发明实施例中通过对交互信息输入的情绪判断将确定角色的语句情绪特征与交互信息响应相结合包括：

步骤310：接收交互信息输入的文本词汇或情绪控制信息。

步骤320：提取交互信息输入的文本词汇，通过与确定角色的情绪语料短语进行匹配提取确定角色的情绪特征。

步骤350：通过确定角色的情绪特征获得确定角色的情绪语言结构，将确定角色的专有关键词列表中的前导对话关键词与现有交互信息响应中的标准响应信息按情绪语言结构结合。

本发明实施例将情绪语料短语与现有交互信息响应中的标准响应信息相结合，为标准响应信息增加确定角色的情绪表达因素。

如图3所示，本发明实施例中通过对交互信息输入的情绪判断将确定角色的语句情绪特征与交互信息响应相结合包括：

步骤310：接收交互信息输入的文本词汇或情绪控制信息。

步骤320：提取交互信息输入的文本词汇，通过与确定角色的情绪语料短语进行匹配提取确定角色的情绪特征。

步骤340：提取交互信息输入的文本词汇，通过与语料短语中的专用名词进行匹配提取确定角色的专用名词相关关联名词表达语料。

步骤350：通过确定角色的情绪特征获得确定角色的情绪语言结构，将确定角色的专用名词的相关关联名词表达语料与现有交互信息响应中的标准响应信息按情绪语言结构结合。

本发明实施例将专用名词相关关联名词表达语料与现有交互信息响应中的标准响应信息相结合，利用确定角色的语料短语中的关联上下文增加确定角色的情绪表达因素。

如图3所示，本发明实施例中通过对交互信息输入的情绪判断将确定角色的语句情绪特征与交互信息响应相结合包括：

步骤310：接收交互信息输入的文本词汇或情绪控制信息。

步骤330：提取交互信息输入的情绪控制信息，匹配确定角色，以及确定角色的情绪特征。

步骤350：通过确定角色的情绪特征获得确定角色的情绪语言结构，将确定角色的专有关键词列表中的前导对话关键词与现有交互信息响应中的标准响应信息按情绪语言结构结合。

本发明实施例可以将确定角色和确定情绪作为可控权重信息通过交互信息连续输入，实现根据用户体验和感受即时调整确定角色在确定情绪表现上的表现程度。使得根据用户与虚拟的确定角色间的情绪响应形成反馈，对确定角色的持续情绪表现给出可控的正反馈或负反馈影响，进一步增强角色与用户间的人机互动。

图4为人工智能交互装置或程序模块的结构示意图。如图4所示人工智能交互装置或处理器中部署的程序模块包括：

语料短语生成模块10，用于从语料库中获取角色的语料资源进行向量化处理，形成角色的角色语料。

语义识别模块20，用于通过神经网络模型对角色语料进行自然语言语义识别，形成确定角色，形成确定角色的语句情绪特征，形成确定角色的性格特征。

情绪结合模块30，用于通过对交互信息输入的情绪判断将确定角色的语句情绪特征与交互信息响应相结合，形成情绪交互信息输出。

语义识别模块20包括：

语料短语生成单元21，用于通过第一神经网络模型处理角色语料，输出语料短语。

词性标记单元22，用于对语料短语中的词语进行词性标记。

确定角色生成单元23，用于根据词性标记对语料短语进行统计形成确定角色，并形成确定角色列表。

角色语料短语生成单元24，用于根据确定角色对语料短语进行分类，形成确定角色的角色语料短语，从确定角色的角色语料短语中获取前导对话关键词。

情绪语料短语生成单元25，用于通过第二神经网络模型处理确定角色的角色语料短语，将角色语料短语形成按情绪特征分类的确定角色的情绪语料短语，形成确定角色的语句情绪特征。

性格特征生成单元26，用于对确定角色的情绪语料短语进行情绪频次统计，形成确定角色主要的性格特征。

专有关键词列表生成单元27，用于结合现有交互信息响应中的关键词(或字)列表和确定角色的前导对话关键词，形成确定角色的专有关键词列表。

情绪语言结构生成单元28，用于通过自然语言结构对确定角色的角色语料短语进行统计，形成与确定角色的语句情绪特征对应的情绪语言结构。

专用名词生成单元29，用于对语料短语中的专用名词和专用名词上下文联系进行频率统计，形成专用名词相关关联名词表达语料。

情绪结合模块30包括：

情绪信息提取单元31，用于接收交互信息输入的文本词汇或情绪控制信息。

情绪特征识别单元32，用于提取交互信息输入的文本词汇，通过与确定角色的情绪语料短语进行匹配提取确定角色的情绪特征。

情绪特征控制单元33，用于提取交互信息输入的情绪控制信息，匹配确定角色，以及确定角色的情绪特征。

专用名词关联单元34，用于提取交互信息输入的文本词汇，通过与语料短语中的专用名词进行匹配提取确定角色的专用名词相关关联名词表达语料。

响应信息情绪生成单元35，用于通过确定角色的情绪特征获得确定角色的情绪语言结构，将确定角色的专有关键词列表中的前导对话关键词与现有交互信息响应中的标准响应信息按情绪语言结构结合。

第二响应信息情绪生成单元34，用于通过确定角色的情绪特征获得确定角色的情绪语言结构，将确定角色的专用名词的相关关联名词表达语料与现有交互信息响应中的标准响应信息按情绪语言结构结合。

本发明实施例中人工智能交互装置的具体实现和有益效果可参见人工智能交互方法，在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。