基于情感特征调整机器人回答的方法及系统与流程

本发明涉及人工智能领域，尤其涉及人机对话系统领域。

背景技术：

在现有的人工智能对话系统中，利用语料库以及模板来判断用户讲话，对话系统通常使用搜索的方式来寻找合适的回答。但是，并没有使用用户的情感当作线索来调整回答策略，除了考量用户情绪外，机器人也应该基于自身的情绪来选择回应的策略。在人与人的自然对话上，情感是一个重要因素，人类会根据对方所表达的情感和自身现有的情感来调整自己的回答策略，达到沟通的效果。

因此，现有技术中的缺陷是，在人工智能对话过程中，机器人给用户的回答不能基于用户输入的文本信息中的情感，并且结合机器人自身的情感做出智能的回应，无法给出准确的回答，使用户体验度低。

技术实现要素：

针对上述技术问题，本发明提供一种基于情感特征调整机器人回答的方法及系统，基于人机对话过程中的当前文本信息和过去文本信息，提取用户情感特征信息和机器人情感特征信息，再结合用户语意特征信息，使机器人给出的回答带有机器人的感情，人机对话更加智能化，进一步提高了用户体验。

为解决上述技术问题，本发明提供的技术方案是：

第一方面，本发明提供一种基于情感特征调整机器人回答的方法，包括：

步骤S1，获得用户输入的当前文本信息和过去文本信息；

步骤S2，根据所述当前文本信息和过去文本信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息；

步骤S3，获得机器人情感特征信息，结合所述用户情感特征信息，进行信息整合，得到双方情感特征值，所述机器人情感特征信息是通过过去与所述用户交互的信息经计算获得的；

步骤S4，根据所述用户语意特征信息，结合所述双方情感特征值，给出所述当前文本信息对应的回答。

本发明提供了一种基于情感特征调整机器人回答的方法，其技术方案为：先获得用户输入的当前文本信息和过去文本信息；然后，根据所述当前文本信息和过去文本信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息；接着，获得机器人情感特征信息，结合所述用户情感特征信息，进行信息整合，得到双方情感特征值，所述机器人情感特征信息是通过过去与所述用户交互的信息经计算获得的；最后，根据所述用户语意特征信息，结合所述双方情感特征值，给出所述当前文本信息对应的回答。

本发明的基于情感特征调整机器人回答的方法，基于人机对话过程中的当前文本信息和过去文本信息，提取用户情感特征信息和机器人情感特征信息，再结合用户语意特征信息，使机器人给出的回答带有机器人的感情，人机对话更加智能化，进一步提高了用户体验。

进一步地，所述步骤S2，具体为：

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的情绪状态信息，所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的文本讯息，所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的话题信息，所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息，所述语言行为信息包括当前主要语言行为信息和次要语言行为信息；

根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息。

进一步地，所述步骤S4中，具体为：

获取资料库，所述资料库中预先存储多个回答；

根据所述用户语意特征信息，结合所述双方情感特征值，通过机器学习算法，在所述资料库中选择一个回应作为所述当前文本信息对应的回答。

进一步地，所述步骤S4中，具体为：

根据所述用户语意特征信息，结合所述双方情感特征值，通过逻辑规则的方法，自动生成所述当前文本信息对应的回答：

根据所述用户语义特征信息，分析所述语义特征信息中情绪特征；

根据所述语义特征信息中情绪特征，结合所述机器人的情绪，形成一种逻辑组合；

根据所述逻辑组合，从通过逻辑规则的方法预先建立的回答策略中自动生成所述当前文本信息对应的回答。

进一步地，所述步骤S4中，具体为：

根据所述用户语意特征信息，结合所述双方情感特征值，通过机器学习的方法，自动生成所述当前文本信息对应的回答：

根据所述用户语义特征信息，分析所述语义特征信息中情绪特征；

根据所述语义特征信息中情绪特征，结合所述机器人的情绪，形成一种回应策略；

根据所述回应策略，从通过机器学习的方法预先建立的回答策略中自动生成或选择生成所述当前文本信息对应的回答。

第二方面，本发明提供了一种基于情感特征调整机器人回答的系统，包括：

文本信息获取模块，用于获得用户输入的当前文本信息和过去文本信息；

对话识别模块，用于根据所述当前文本信息和过去文本信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息；

机器人情感模块，用于获得机器人情感特征信息，结合所述用户情感特征信息，进行信息整合，得到双方情感特征值，所述机器人情感特征信息是通过过去与所述用户交互的信息经计算获得的；

对话回答模块，用于根据所述用户语意特征信息，结合所述双方情感特征值，给出所述当前文本信息对应的回答。

本发明提供的一种基于情感特征调整机器人回答的系统，其技术方案为：先通过文本信息获取模块，用于获得用户输入的当前文本信息和过去文本信息；接着通过对话识别模块，用于根据所述当前文本信息和过去文本信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息；然后通过机器人情感模块，用于获得机器人情感特征信息，结合所述用户情感特征信息，进行信息整合，得到双方情感特征值，所述机器人情感特征信息是通过过去与所述用户交互的信息经计算获得的；最后通过对话回答模块，用于根据所述用户语意特征信息，结合所述双方情感特征值，给出所述当前文本信息对应的回答。

本发明的基于情感特征调整机器人回答的系统，基于人机对话过程中的当前文本信息和过去文本信息，提取用户情感特征信息和机器人情感特征信息，再结合用户语意特征信息，使机器人给出的回答带有机器人的感情，人机对话更加智能化，进一步提高了用户体验。

进一步地，所述对话识别模块，具体用于：

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的情绪状态信息，所述情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的文本讯息，所述文本讯息包括所述当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的话题信息，所述话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种；

根据所述当前文本信息和过去文本信息，获得所述当前文本信息和过去文本信息中的句型、语气信息和语言行为信息，所述语言行为信息包括当前主要语言行为信息和次要语言行为信息；

根据所述情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息，提取出所述用户的特征信息，所述特征信息包括用户情感特征信息和用户语意特征信息。

进一步地，所述对话回答模块，具体用于：

获取资料库，所述资料库中预先存储多个回答；

根据所述用户语意特征信息，结合所述双方情感特征值，通过机器学习算法，在所述资料库中选择一个回应作为所述当前文本信息对应的回答。

进一步地，所述对话回答模块，具体用于：

根据所述用户语意特征信息，结合所述双方情感特征值，通过逻辑规则的方法，自动生成所述当前文本信息对应的回答：

根据所述用户语义特征信息，分析所述语义特征信息中情绪特征；

根据所述语义特征信息中情绪特征，结合所述机器人的情绪，形成一种逻辑组合；

根据所述逻辑组合，从通过逻辑规则的方法预先建立的回答策略中自动生成所述当前文本信息对应的回答。

进一步地，所述对话回答模块，具体用于：

根据所述用户语意特征信息，结合所述双方情感特征值，通过机器学习的方法，自动生成所述当前文本信息对应的回答：

根据所述用户语义特征信息，分析所述语义特征信息中情绪特征；

根据所述语义特征信息中情绪特征，结合所述机器人的情绪，形成一种回应策略；

根据所述回应策略，从通过机器学习的方法预先建立的回答策略中自动生成或选择生成所述当前文本信息对应的回答。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1示出了本发明第一实施例所提供的一种基于情感特征调整机器人回答的方法的流程图；

图2示出了本发明第二实施例所提供的一种基于情感特征调整机器人回答的系统的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例一

图1示出了本发明第一实施例所提供的一种基于情感特征调整机器人回答的方法的流程图；如图1所示，本发明实施例一提供了一种基于情感特征调整机器人回答的方法，包括：

步骤S1，获得用户输入的当前文本信息和过去文本信息；

步骤S2，根据当前文本信息和过去文本信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息；

步骤S3，获得机器人情感特征信息，结合用户情感特征信息，进行信息整合，得到双方情感特征值，机器人情感特征信息是通过过去与用户交互的信息经计算获得的；

步骤S4，根据用户语意特征信息，结合双方情感特征值，给出当前文本信息对应的回答。

本发明提供了一种基于情感特征调整机器人回答的方法，其技术方案为：先获得用户输入的当前文本信息和过去文本信息；然后，根据当前文本信息和过去文本信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息；接着，获得机器人情感特征信息，结合用户情感特征信息，进行信息整合，得到双方情感特征值，机器人情感特征信息是通过过去与用户交互的信息经计算获得的；最后，根据用户语意特征信息，结合双方情感特征值，给出当前文本信息对应的回答。

本发明的基于情感特征调整机器人回答的方法，基于人机对话过程中的当前文本信息和过去文本信息，提取用户情感特征信息和机器人情感特征信息，再结合用户语意特征信息，使机器人给出的回答带有机器人的感情，人机对话更加智能化，进一步提高了用户体验。

具体地，步骤S2，具体为：

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的情绪状态信息，情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的文本讯息，文本讯息包括当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的话题信息，话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的句型、语气信息和语言行为信息，语言行为信息包括当前主要语言行为信息和次要语言行为信息；

根据情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息。

还可以将当前文本信息结合上下文信息，改写原始句子后得到的改写句子的信息加入到提取特征信息的源信息中，同情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息一起提取用户的特征信息。

其中，改写句子的信息是为了解决有些句子信息不足的现象。

例如：

A:你喜欢看电影吗？

B:喜欢。

但是，B只输入“喜欢”，此时信息量不足。如果根据前文做改写，就会变成“喜欢看电影”，此时计算机就能做出更正确的判断。

原始句子：保留原始句子的样子，让计算机能够得到原始句子。配合改写句子，更全面的理解用户输入。

例如：

A:我们明天去看电影

B:恩恩。

此时，“恩恩”会被改写成“我明天去看电影”。如果保留原句“恩恩”，输入计算机变成“恩恩+我明天去看电影”；计算机就可以理解成：明天看电影+回应问题。通过此种方式进而得到更完整的信息。

充分分析识别用户的当前对话文本信息和过去的文本对话信息，分析处理的因素越多，会使提取得到的用户情感特征信息和用户语意特征信息更准确，进而使机器人给出的回答更准确，更智能。

具体地，步骤S4中，具体为：

获取资料库，资料库中预先存储多个回答；

根据用户语意特征信息，结合双方情感特征值，通过机器学习算法，在资料库中选择一个回应作为当前文本信息对应的回答。

机器人给出的回答可以通过挑选的方式从资料库中选出一个对应合理的回答，通过机器学习的相关算法，使机器人给出的回答更智能。

具体地，步骤S4中，具体为：

根据用户语意特征信息，结合双方情感特征值，通过逻辑规则的方法，自动生成当前文本信息对应的回答：

根据用户语义特征信息，分析语义特征信息中情绪特征；

根据语义特征信息中情绪特征，结合机器人的情绪，形成一种逻辑组合；

根据逻辑组合，从通过逻辑规则的方法预先建立的回答策略中自动生成当前文本信息对应的回答。

举例进行说明：

用户输入：“我和男朋友分手了”，其语意特征是：“分手,男朋友”，用户情绪特征会偏向“难过”,假设机器人此时的情绪是“中性”，则有较高的机会回答“我能理解你现在的感觉，我能陪你聊聊”等安慰类型的回覆。如果机器人情绪为“冷漠”，极可能回应：“恩恩，加油～”。

这其中的逻辑规则是指：我们预先制定好的“语意特征”和“双方情绪”的各种组合，如果当前对话内容中的“语意特征”和“双方情绪”形成的逻辑组合落入到通过逻辑规则的方法预先建立的回答策略某种组合时，就会在一定的回答范畴内选一个的回应。通过逻辑规则的方法进行人机对话，给用户快速智能的回答，同时考虑到双方的情绪，使回答更智能，更人性化。

具体地，步骤S4中，具体为：

根据用户语意特征信息，结合双方情感特征值，通过机器学习的方法，自动生成当前文本信息对应的回答：

根据用户语义特征信息，分析语义特征信息中情绪特征；

根据语义特征信息中情绪特征，结合机器人的情绪，形成一种回应策略；

根据回应策略，从通过机器学习的方法预先建立的回答策略中自动生成或选择生成当前文本信息对应的回答。

举例说明：

用户输入：“我和男朋友分手了”，其语意特征是：“分手,男朋友”，用户情绪特征会偏向“难过”,假设机器人此时的情绪是“中性”，则有较高的机会回答“我能理解你现在的感觉，我能陪你聊聊”等安慰类型的回覆。如果机器人情绪为“冷漠”，极可能回应：“恩恩，加油～”。

这其中的机器学习算法，是透过事先的收集资料，让机器学习“语意特征”和“双方情绪”与“自动产生回应”或“选择如何回应”的搭配性。

根据训练资料上每笔用户的实际回应状况和实验回应反馈进行对比，若对比结果不一致，则更新机器学习的参数，且重复进行迭代，当在训练资料上产生的回应与与实验反馈回应一致性达最高时，则停止迭代，且训练完成。在测试的阶段当中，当使用者输入一个本文句子时，我们可以透过过往的数据训练出来的预测模块来进行回应(可以自动产生或者是选择合适回应)。

通过机器学习的方法预先建立回答策略，如果当前文本信息中包含的“语意特征”和“双方情绪”形成的回答策略，与预先建立的回答策略中的某个匹配，则可自动生成当前文本信息对应的回答。如果形成的回答策略没有雨预先建立的回答策略中的回答策略匹配，则可选择相近的回答策略生成当前文本信息对应的回答。通过机器学习的方法，可得到大量且准确的回答策略，为用户提供准确智能的回答。

实施例二

图2示出了本发明第二实施例所提供的一种基于情感特征调整机器人回答的系统的示意图。如图2所示，本发明实施例二提供了一种基于情感特征调整机器人回答的系统10，包括：

文本信息获取模块101，用于获得用户输入的当前文本信息和过去文本信息；

对话识别模块102，用于根据当前文本信息和过去文本信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息；

机器人情感模块103，用于获得机器人情感特征信息，结合用户情感特征信息，进行信息整合，得到双方情感特征值，机器人情感特征信息是通过过去与用户交互的信息经计算获得的；

对话回答模块104，用于根据用户语意特征信息，结合双方情感特征值，给出当前文本信息对应的回答。

本发明提供的一种基于情感特征调整机器人回答的系统10，其技术方案为：先通过文本信息获取模块101，用于获得用户输入的当前文本信息和过去文本信息；接着通过对话识别模块102，用于根据当前文本信息和过去文本信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息；然后通过机器人情感模块103，用于获得机器人情感特征信息，结合用户情感特征信息，进行信息整合，得到双方情感特征值，机器人情感特征信息是通过过去与用户交互的信息经计算获得的；最后通过对话回答模块104，用于根据用户语意特征信息，结合双方情感特征值，给出当前文本信息对应的回答。

本发明的基于情感特征调整机器人回答的系统10，基于人机对话过程中的当前文本信息和过去文本信息，提取用户情感特征信息和机器人情感特征信息，再结合用户语意特征信息，使机器人给出的回答带有机器人的感情，人机对话更加智能化，进一步提高了用户体验。

具体地，对话识别模块102，具体用于：

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的情绪状态信息，情绪状态信息包括当前情绪状态信息、用户过去主要情绪信息和过去次要情绪信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的文本讯息，文本讯息包括当前文本信息和过去文本信息中的语意信息、关键词信息、专有名词信息和动词信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的话题信息，话题信息包括当前主要话题信息、当前次要话题信息、过去主要话题信息、过去次要话题信息、喜好话题信息和时下热门话题信息中的至少一种；

根据当前文本信息和过去文本信息，获得当前文本信息和过去文本信息中的句型、语气信息和语言行为信息，语言行为信息包括当前主要语言行为信息和次要语言行为信息；

根据情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息，提取出用户的特征信息，特征信息包括用户情感特征信息和用户语意特征信息。

还可以将当前文本信息结合上下文信息，改写原始句子后得到的改写句子的信息加入到提取特征信息的源信息中，同情绪状态信息、文本讯息、话题信息、句型、语气信息和语言行为信息一起提取用户的特征信息。

其中，改写句子的信息是为了解决有些句子信息不足的现象。

例如：

A:你喜欢看电影吗？

B:喜欢。

但是，B只输入“喜欢”，此时信息量不足。如果根据前文做改写，就会变成“喜欢看电影”，此时计算机就能做出更正确的判断。

原始句子：保留原始句子的样子，让计算机能够得到原始句子。配合改写句子，更全面的理解用户输入。

例如：

A:我们明天去看电影

B:恩恩。

此时，“恩恩”会被改写成“我明天去看电影”。如果保留原句“恩恩”，输入计算机变成“恩恩+我明天去看电影”；计算机就可以理解成：明天看电影+回应问题。通过此种方式进而得到更完整的信息。

充分分析识别用户的当前对话文本信息和过去的文本对话信息，分析处理的因素越多，会使提取得到的用户情感特征信息和用户语意特征信息更准确，进而使机器人给出的回答更准确，更智能。

具体地，对话回答模块104，具体用于：

获取资料库，资料库中预先存储多个回答；

根据用户语意特征信息，结合双方情感特征值，通过机器学习算法，在资料库中选择一个回应作为当前文本信息对应的回答。

机器人给出的回答可以通过挑选的方式从资料库中选出一个对应合理的回答，通过机器学习的相关算法，使机器人给出的回答更智能。

具体地，对话回答模块104，具体用于：

根据用户语意特征信息，结合双方情感特征值，通过逻辑规则的方法，自动生成当前文本信息对应的回答：

根据用户语义特征信息，分析语义特征信息中情绪特征；

根据语义特征信息中情绪特征，结合机器人的情绪，形成一种逻辑组合；

根据逻辑组合，从通过逻辑规则的方法预先建立的回答策略中自动生成当前文本信息对应的回答。

举例进行说明：

用户输入：“我和男朋友分手了”，其语意特征是：“分手,男朋友”，用户情绪特征会偏向“难过”,假设机器人此时的情绪是“中性”，则有较高的机会回答“我能理解你现在的感觉，我能陪你聊聊”等安慰类型的回覆。如果机器人情绪为“冷漠”，极可能回应：“恩恩，加油～”。

这其中的逻辑规则是指：我们预先制定好的“语意特征”和“双方情绪”的各种组合，如果当前对话内容中的“语意特征”和“双方情绪”形成的逻辑组合落入到通过逻辑规则的方法预先建立的回答策略某种组合时，就会在一定的回答范畴内选一个的回应。通过逻辑规则的方法进行人机对话，给用户快速智能的回答，同时考虑到双方的情绪，使回答更智能，更人性化。

具体地，对话回答模块104，具体用于：

根据用户语意特征信息，结合双方情感特征值，通过机器学习的方法，自动生成当前文本信息对应的回答：

根据用户语义特征信息，分析语义特征信息中情绪特征；

根据语义特征信息中情绪特征，结合机器人的情绪，形成一种回应策略；

根据回应策略，从通过机器学习的方法预先建立的回答策略中自动生成或选择生成当前文本信息对应的回答。

同样举例说明：

用户输入：“我和男朋友分手了”，其语意特征是：“分手,男朋友”，用户情绪特征会偏向“难过”,假设机器人此时的情绪是“中性”，则有较高的机会回答“我能理解你现在的感觉，我能陪你聊聊”等安慰类型的回覆。如果机器人情绪为“冷漠”，极可能回应：“恩恩，加油～”。

这其中的机器学习算法，是透过事先的收集资料，让机器学习“语意特征”和“双方情绪”与“自动产生回应”或“选择如何回应”的搭配性。

根据训练资料上每笔用户的实际回应状况和实验回应反馈进行对比，若对比结果不一致，则更新机器学习的参数，且重复进行迭代，当在训练资料上产生的回应与与实验反馈回应一致性达最高时，则停止迭代，且训练完成。在测试的阶段当中，当使用者输入一个本文句子时，我们可以透过过往的数据训练出来的预测模块来进行回应(可以自动产生或者是选择合适回应)。

通过机器学习的方法预先建立回答策略，如果当前文本信息中包含的“语意特征”和“双方情绪”形成的回答策略，与预先建立的回答策略中的某个匹配，则可自动生成当前文本信息对应的回答。如果形成的回答策略没有雨预先建立的回答策略中的回答策略匹配，则可选择相近的回答策略生成当前文本信息对应的回答。通过机器学习的方法，可得到大量且准确的回答策略，为用户提供准确智能的回答；机器人的回答，会根据当前“语意、用户情感、机器人情感”来做回应。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。