指令结果比对筛选装置的制作方法

本发明属于语音交互领域，涉及一种指令结果筛选装置，具体涉及一种设置在语音交互终端中的指令结果比对筛选装置。

背景技术：

人机交互系统在目前的智能电子设备中应用非常广泛，其基础就是语音识别及语义分析这两种技术。语音识别是指将人说话的声音转换成对应的文本，语义分析则是将文本进行分析，得到计算机能够理解或执行的指令。语义分析包括分词、语法分析、句型匹配、关键词获取等步骤，其中每个步骤都需要运用到预先存储或设定好的数据库，例如词语库、句法库、句型模板库等。

现有技术中，语义分析多在供应商的云端服务器中完成，这样的云端服务器中所储存的数据库容量较大，具有涉及领域广泛的优势。

上述云端分析的方式中，智能电子设备需要与云端服务器时刻保持联网，一旦网络中断则无法完成分析。一些智能电子设备并不具有长期稳定的网络环境(例如，设置在汽车等交通运输工具中的智能电子设备可能在行驶过程中进入无网络环境)，这就使得这样的智能电子设备需要在自身内部设置本地语义分析装置。由于智能电子设备的储存容量等硬件条件有限，本地语义分析装置所能够分析的领域也是有限的，在用户发出的语音指令涉及更广泛的领域时往往得不到正确的结果。

现有技术的语义分析方法中，每个步骤都会得出多个中间结果，但是现有技术通常只选择一个最佳的中间结果进行后续步骤，这就使得每个步骤都有可能丢失一些信息。当用户所发出的语音指令具有一定歧义时，这样的信息丢失极有可能使最终的分析结果与用户的本意相差甚远。

另外，通常情况下，本地和云端所得出的指令候选结果中会有一些一致或接近的结果。但是，由于本地和云端所存储的数据库差异，二者均在一部分领域中容易得出更可信的结果(以下称这些领域为擅长领域)，在另一些领域中容易得出可信度相对较低的结果，并且本地擅长领域和云端擅长领域通常是不一样的。这就导致在某些情况下，对用户的同一个指令，本地和云端会得出完全不一致的结果，使得语音交互终端难以将本地语义分析和与云端语义分析结合来得出可靠的结果。

技术实现要素：

为解决上述问题，提供一种能够实现本地和云端语义分析结合，并且在本地和云端得出完全不一致的结果时仍然能够筛选得出可靠结果的结果筛选装置，本发明采用了如下技术方案：

本发明提供一种指令结果比对筛选装置，设置在用户所持有的语音交互终端内，通过第一通信网络与设置在该语音交互终端内的本地语义分析装置通信连接，通过第二通信网络与设置在语义分析服务供应商的服务器中的云端语义分析装置通信连接，分别接收本地语义分析装置的本地候选结果和云端语义分析装置的云端候选结果并对该两种候选结果进行比对筛选得出语义分析结果，

每个候选结果均包含指令类型、关键词以及由对应的指令类型匹配值和关键词评分值构成的评分值，并且本地候选结果及云端候选结果中没有指令类型相同的候选结果，

其特征在于，包括：

排序部，分别将本地候选结果及云端候选结果按照评分值从高到低进行排序，形成包含本地候选结果的本地比对序列和云端比对序列；

比对对象设定部，将本地比对序列中排位最高的本地候选结果设定为第一比对对象，并将云端比对序列中排位最高的云端候选结果设定为第二比对对象；

擅长领域判定部，依次判定第一比对对象及第二比对对象的指令类型是属于本地擅长领域还是属于云端擅长领域；

关键词分值调整部，当擅长领域判定部判定第一比对对象的指令类型属于本地擅长领域时根据预定的擅长领域分值调整规则对第一比对对象的关键词分值进行调整计算，当擅长领域判定部判定第二比对对象的指令类型属于所示云端擅长领域时根据预定的擅长领域分值调整规则对第二比对对象的关键词分值进行调整计算；

差值计算部，计算第一比对对象和第二比对对象之间的评分值差值；

差值阈值判定部，判定评分值差值是否大于预定的阈值；

保留结果设定部，在阈值判定部的判定结果为是时将第一比对对象和第二比对对象之间评分值更高的一个设定为保留结果；在阈值判定部的判定结果为否时将第一比对对象和第二比对对象同时设定为保留结果；

比对结束判定部，判断当前的第一比对对象是否为本地比对序列的最后一个本地候选结果，以及当前的第二比对对象是否为云端比对序列的最后一个云端候选结果，当其中一个判断为是时判定比对结束；以及

结果设定部，

当比对结束判定部的判定结果为比对未结束时，比对对象设定部用被设定为保留结果的第一比对对象或第二比对对象的下一个候选结果来替换当前的第一比对对象或第二比对对象，

当比对结束判定部的判定结果为比对结束时，结果设定部将所有保留结果按照评分值从高到低排列，并将预定名次以前的保留结果设定为语义分析结果。

本发明提供的指令结果比对筛选装置，还可以具有如下技术特征：其中，预定名次为第4名。

本发明提供的指令结果比对筛选装置，还可以具有如下技术特征：

其中，擅长领域分值调整规则为：

当擅长领域判定部对第一比对对象的判定结果为属于本地擅长领域时，将该第一比对对象的关键词评分值乘以一个大于1的本地调整系数，

当擅长领域判定部对第二比对对象的判定结果为属于云端擅长领域时，将该第二比对对象的关键词评分值乘以一个大于1的云端调整系数。

进一步，本发明还提供一种语义分析设备，与设置在用户所持有的语音交互终端内的语音转换设备通信连接，接收语音转换设备将用户语音指令转换成的语义文本并对该语义文本进行分析，其特征在于，包括：

云端语义分析装置，设置在语义分析服务供应商的服务器内，通过第一通信网络接收语义文本并对语义文本进行云端语义分析，得到多个云端候选结果；

本地语义分析装置，设置在语音交互终端内，接收语义文本并对该语义文本进行本地语义分析，得到多个本地候选结果；

指令结果比对筛选装置，设置在语音交互终端内，通过第一通信网络与设置在该语音交互终端内的本地语义分析装置通信连接，通过第二通信网络与设置在语义分析服务供应商的服务器中的云端语义分析装置通信连接，分别接收本地语义分析装置的本地候选结果和云端语义分析装置的云端候选结果并对该两种候选结果进行筛选得出语义分析结果，

其中，指令结果比对筛选装置为如上任一项所述的指令结果比对筛选装置。

发明作用与效果

根据本发明的指令结果比对筛选装置，由于采用排序部分别将本地候选结果和云端候选结果进行排序，并按照该排序进行一一比对，依据经过擅长领域分值调整后的评分值来设定保留结果，因此能够在本地和云端得出的结果完全不一致的情况下，根据云端或本地的不同擅长领域对本地候选结果和云端候选结果进行依次比对保留，从而得到更加准确的语义分析结果。

附图说明

图1是本发明在实施例中的语义分析设备构成示意图；

图2为本发明在实施例中的指令结果比对筛选装置的框图；

图3为语义分析设备的工作流程图；

图4为本地语义分析装置或云端语义分析装置所进行的语义分析过程流程图；

图5为指令结果比对筛选装置的指令比对筛选流程图。

具体实施方式

以下结合附图来说明本发明的具体实施方式。

以下结合附图及实施例来说明本发明的具体实施方式。

<实施例>

图1是本发明在实施例中的语义分析设备构成示意图。

如图1所示，语义分析设备1包括本地语义分析装置2、指令结果比对筛选装置3以及云端语义分析装置4。

本地语义分析装置2及指令结果比对筛选装置3均设置在一个由用户持有的语音交互终端5内，二者通过一个第一通信网络6通信连接。语音交互终端5内还设置有一个语音转换设备7，用于将用户说话的语音对应地转换为文本，该语音转换设备7也通过第一通信网络6与本地语义分析装置2通信连接。

云端语义分析装置4设置在语义分析服务供应商的服务器8内，通过第二通信网络9分别与语音转换设备7及指令结果比对筛选装置3通信连接，接收语音转换设备7转换出的文本，进行语义分析后将语义分析的结果通过第二通信网络9传输给指令结果比对筛选装置3。同时，语音转换设备7还通过第一通信网络6将转换出的文本传输给本地语义分析装置2，本地语义分析装置2得出语义分析结果后通过第一通信网络6传输给指令结果比对筛选装置3。

本地语义分析装置2及云端语义分析装置4对于从语音转换设备7接收的文本所作的分析过程均相同，其目的主要是为了得出用户希望做什么，也就是在用户发出语音时得出与用户语音相对应的指令结果。在分析时，主要通过多种分类算法得出与文本指令相匹配的指令类型(即用户希望实行的动作)，通过关键词提取得出相应指令的关键词(即用户希望实行动作的对象)，同时还得到反映指令类型与文本指令匹配程度的指令类型匹配值和反映关键词可信度的关键词评分值。因此，一个指令类型和相应的关键词构成了一个指令的候选结果，对应的指令类型匹配值和关键词评分值即构成了该候选结果的评分值。

在本实施例中，语音交互终端5安装在汽车内，第一通信网络6为该汽车内的近距离无线传输网络或者近距离有线传输网络，第二通信网络9为广域网(例如Internet)。

图2为本发明在实施例中的指令结果比对筛选装置的框图。

如图2所示，指令结果比对筛选装置3包括排序部11、比对对象设定部12、擅长领域判定部13、关键词分值调整部14、差值计算部15、差值阈值判定部16、保留结果设定部17、比对结束判定部18、结果设定部19、通信部20以及控制部21。

排序部11用于将通过通信部20接收到的本地候选结果和云端候选结果分别按照评分值从高到低进行排序，使所接收到的本地候选结果形成一个本地比对序列，云端候选结果形成一个云端比对序列。

比对对象设定部12用于在比对开始时将本地比对序列中排位最高的本地候选结果设定为第一比对对象，并将云端比对序列中排位最高的所述云端候选结果设定为第二比对对象。另外，该比对对象设定部12还用于在保留结果设定部17设定完保留结果、并且比对结束判定部18判定比对未结束时，用被设定为保留结果比对对象的下一个候选结果来替换该比对对象。例如，在保留结果设定部17将第一比对对象设定为保留结果，并且比对结束判定部判定比对未结束时，比对对象设定部12就将该第一比对对象在本地比对序列中的下一个本地候选结果设定为新的第一比对对象，从而实现第一比对对象的替换；同样地，当保留结果设定部17将第二比对对象设定为保留结果，并且比对结束判定部判定比对未结束时，比对对象设定部12就将该第二比对对象在云端比对序列中的下一个云端候选结果设定为新的第二比对对象，从而实现第二比对对象的替换。

擅长领域判定部13用于依次第一比对对象及第二比对对象的指令类型是属于本地擅长领域还是属于云端擅长领域。其中，本地擅长领域及云端擅长领域均根据实际情况预先设定好，例如，在本实施例中，由于语音交互终端内存储有用户的音乐曲库，因此指令类型为“播放音乐”时，本地更容易得出准确结果，该指令类型为本地擅长领域。

关键词分值调整部14用于根据擅长领域判断部13的判断结果，基于擅长领域分值调整规则对第一比对对象或第二比对对象的关键词分值进行调整计算。

其中，擅长领域分值调整规则为：当擅长领域判定部13对第一比对对象的判定结果为属于本地擅长领域时，将该第一比对对象的关键词评分值乘以一个大于1的本地调整系数；当擅长领域判定部13对第二比对对象的判定结果为属于云端擅长领域时，将该第二比对对象的关键词评分值乘以一个大于1的云端调整系数。当第一比对对象的判定结果为不属于本地擅长领域(例如，属于云端擅长领域或者两种领域都不属于)时，关键词分值调整部14不对其关键词分值进行任何的调整。同样地的，当第二比对对象的判定结果为不属于云端擅长领域时，关键词分值调整部14不对其关键词分值进行任何的调整。

经过调整后，相应的候选结果的关键词分值产生变化，但其指令类型匹配值不发生变化。也就是说，关键词分值调整部14只对符合上述擅长领域分值调整规则的候选结果的关键词分值进行调整并用调整后的关键词分值代替调整前，而不对指令类型匹配值进行任何处理。

差值计算部15用于在关键词分值调整后计算得到第一比对对象和第二比对对象之间的评分值差值，差值阈值判定部16用于判定该评分值差值是否大于预定的阈值。

保留结果设定部17用于进行保留结果的设定。其具体规则为：在阈值判定部16的判定结果为是，也就是第一比对对象和第二比对对象的评分值差值大于阈值时，将第一比对对象和第二比对对象之间评分值更高的一个设定为保留结果；在阈值判定部16的判定结果为否，也就是第一比对对象和第二比对对象的评分值差值小于阈值时，将第一比对对象和第二比对对象同时设定为保留结果。

比对结束判定部18用于判断当前的第一比对对象是否为本地比对序列的最后一个本地候选结果，以及当前的第二比对对象是否为云端比对序列的最后一个云端候选结果，当其中一个判断为是时，说明本地比对序列或云端比对序列的一个当中已经没有可以进行比对的候选结果了，比对结束判定部18就判定比对结束。

结果设定部19用于在比对结束时将所有的保留结果按照评分值从高到低排列，并将预定名次以前的保留结果设定为语义分析结果，让通信部20对这些语义分析结果进行输出。在本实施例中，该预定名次为第4名，也就是说，结果设定部19将前三个保留结果设定为语义分析结果。当然，在保留结果的数量不足三个时，结果设定部19将全部保留结果设定为语义分析结果。

以下结合附图说明本发明的语义分析设备的工作流程。

图3为语义分析设备的工作流程图。

如图3所示，当用户发出一次语音时，本发明实施例的语义分析设备1就将该一次的语音内容作为语音指令进行分析，其分析流程包括如下步骤：

步骤S1，语音转换设备7将该一次语音的内容转换为对应的文本，得到与语音指令对应的文本指令；

步骤S2，语音转换设备7通过第一通信网络6将该文本指令传输给本地语义分析装置2，同时通过第二通信网络9将该文本指令传给云端语义分析装置4；

步骤S3，本地语义分析装置2对接收到的文本指令进行语义分析，得出多个本地候选结果；同时，云端语义分析装置4对接收到的文本指令进行语义分析，得出多个云端候选结果。

步骤S4，指令结果比对筛选装置3分别接收本地候选结果和云端候选结果并进行指令结果比对筛选，筛选得到语义分析结果后传给下位执行设备，让下位执行设备执行相应的动作。

图4为本地语义分析装置或云端语义分析装置所进行的语义分析过程流程图。

如图4所示，步骤S3中，本地语义分析装置2及云端语义分析装置4所进行的语义分析过程相同，均包括如下步骤：

步骤S3-1，对接收到的文本指令进行分词以及属性标注，得到多个分词路径。其中，每个分词路径均包含多个按照一定语序排列的词语，并且每个词语均标注有相应的属性。分词过程基于预先存储的词库进行，该词库包含词语以及每个词语对应的多种属性。例如，文本指令“我想听看海”中，“我”、“想”、“听”、“看”、“海”均在词库中有存储，因此该文本指令的一条分词路径为“我/想/听/看/海”；同时，“看海”在词库中也有存储，其属性为“歌曲名”，因此该文本指令的另一条分词路径为“我/想/听/看海”。

步骤S3-2，从步骤S3-1得到的多个分词路径中进行特征值提取，将具有特定属性的词语作为特征值提取出来。通常情况下，可以作为特征值的是一些动词，例如“想”、“听”、“看”。

步骤S3-3，采用不同的匹配算法根据步骤S3-2提取得到的特征值进行指令类型匹配，即根据特征值采用分类算法进行分类，得到多个对应的指令类型及每个指令类型与文本指令的指令类型匹配值。

本实施例中所采用的匹配算法为直接模板匹配法、正则表达式算法和基于机器学习的条件随机场算法。该三种算法均能够得出多个对应的指令类型，每个指令类型与文本指令均具有一定的匹配度，该匹配度是在匹配算法得出指令类型的同时得出的。当不同的算法得出同一个指令类型时，将不同算法得出的匹配度值乘以该算法对应的权重值以后相加，得到的就是该指令类型的指令类型匹配值，其中不同算法的权重值是根据该算法得出结果的可信度预先设定的。

步骤S3-4，提取关键词。采用分词路径评价法从步骤S3-1得出的多条分词路径中选择出至少一条最优分词路径，随后将该最优分词路径中具有特定属性的词语作为关键词。其中，特定属性一般为名词，例如人名、路名、曲名等等。

本实施例中，分词路径评价法为根据预设的分词值库对一条分词路径中的每个词语给予对应的分词值，随后将该条分词路径中所有词语的分词值相加，得到该条路径的评价值，最优分词路径即为评价值最优的一个或多个分词路径。例如，“我想听看海”的分词路径“我/想/听/看/海”和“我/想/听/看海”中，仅“看/海”和“看海”的分词值不同，因此二者得出的评价值接近，最终采用这两条分词路径作为最优分词路径，提取其中的关键词为“海”和“看海”。

步骤S3-5，将步骤S3-3得出的多个指令类型与步骤S3-4提取得到的关键词结合，形成候选结果，并将候选结果传送给指令结果比对筛选装置3。其结合过程需要根据不同指令类型对应的关键词属性进行，例如，指令类型“听”所对应的关键词属性为曲名、歌手名等，因此该指令类型所能够结合的关键词为“看海”。每一个候选结果中包含指令类型、关键词以及由对应的指令类型匹配值和关键词评分值构成的评分值。

在本实施例中，本地语义分析装置2和云端语义分析装置4并不将所有的候选结果传给指令结果比对筛选装置3，而是只将评分值在预定值以上的候选结果传给指令结果比对筛选装置3，以保证可信度过低的结果不会传给指令结果比对筛选装置3。

图5为指令结果比对筛选装置的指令筛选流程图。

如图5所示，指令结果比对筛选装置3的指令筛选过程，即步骤S4包括如下步骤：

步骤S4-1，通信部20分别接收本地候选结果和云端候选结果；

步骤S4-2，排序部11分别将接收到的所有本地候选结果按照评分值从高到低排序形成本地比对序列，将接收到的所有云端候选结果按照评分值从高到低排列形成云端比对序列；

步骤S4-3，比对对象设定部12将排在本地比对序列第一位的本地候选结果设定为第一比对对象，并将排在云端比对序列第一位的云端候选结果设定为第二比对对象；

步骤S4-4，擅长领域判定部13依次第一比对对象及第二比对对象的指令类型是属于本地擅长领域还是属于云端擅长领域，关键词分值调整部14根据该判定结果，依据擅长领域分值调整规则对第一比对对象和第二比对对象的关键词分值进行调整计算；

步骤S4-5，差值计算部15计算第一比对对象和第二比对对象的评分值差值；

步骤S4-6，差值阈值判定部16判定步骤S4-5计算得到的评分值差值是否大于阈值，当判定结果为是，即评分值差值大于阈值时进入步骤S4-8，当判断结果为否，即评分值差值小于阈值时进入步骤S4-7；

步骤S4-7，保留结果设定部17把第一比对对象和第二比对对象同时设定为保留结果，进入步骤S4-9；

步骤S4-8，保留结果设定部17把第一比对对象和第二比对对象中评分值更高的一个设定为保留结果，进入步骤S4-9；

步骤S4-9，比对结束判定部18判断第一比对对象是否是本地比对序列的最后一个，或者第二比对对象是否是云端比对序列的最后一个，当其中有一个判断结果为是时判定比对结束，进入步骤S4-11；当两个的判断结果都为否时判定比对未结束，进入步骤S4-10。

步骤S4-10，比对对象设定部12将被设定为保留结果的比对对象在其对应比对序列中的下一个候选结果设定为新的比对对象，随后回到步骤S4-4；

步骤S4-11，结果设定部19将所有保留结果按照评分值从高到低排序，并将前3个设定为结果并让通信部20进行输出。当所有保留结果不满3个时，将所有保留结果设定为结果进行输出。

实施例作用与效果

根据本实施例的指令结果比对筛选装置，由于采用排序部分别将本地候选结果和云端候选结果进行排序，并按照该排序进行一一比对，依据经过擅长领域分值调整后的评分值来设定保留结果，因此能够在本地和云端得出的结果完全不一致的情况下，根据云端或本地的不同擅长领域对本地候选结果和云端候选结果进行依次比对保留，从而得到更加准确的语义分析结果。

另外，由于评分值差值计算部能够计算两个比对对象的评分值差值，让保留结果设定部能够根据该评分值差值是否大于阈值来进行保留结果的设定，因此当两个比对对象评分值接近，也就是两个比对对象可信度相差不大的情况下都能够被设定为保留结果来实现保留，当两个比对对象评分值相差较大，也就是两个比对对象可信度相差较大的情况下评分值更高的一个才会被保留。

比对对象设定部将被设定为保留结果的下一个候选结果设定为新的比对对象，直到一个比对序列中所有候选结果均被比对完毕，因此能够让云端比对序列或本地比对序列中的一个中的所有候选结果参与比对过程，防止一些候选结果被从比对结果中漏掉。例如，云端比对序列中有一个云端候选结果是云端语义分析所擅长的领域，因而其关键词分值被调整后整体评分值上升，上述过程可以防止这样的候选结果漏掉，从而能够对候选结果进行更全面的比对筛选，得到更加可信的结果。