指令结果筛选装置的制作方法

本发明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，由于云端服务器中能够储存的数据库容量较大，因此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。

另外，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。例如，将用户语音指令对应的文本指令进行指令类型或指令模板匹配时，通常会得出具有不同匹配值的多个指令类型或模板；对该文本指令进行关键词提取时，通常也会得出多个关键词。但是，现有技术的语义分析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。

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，并且能够尽可能保留每个步骤的结果以减少信息丢失的语义分析设备，本发明采用了如下技术方案：

本发明提供了一种指令结果筛选装置，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，其特征在于，包括：一致判断获取部，判断本地候选结果和云端候选结果中是否存在指令类型及关键词均一致的候选结果并获取所有的一致候选结果；擅长领域判定部，依次判定一致候选结果的指令类型属于本地擅长领域还是云端擅长领域；评分值调整计算部，根据预定的擅长领域分值调整规则依次对每个一致候选结果中的本地候选结果和云端候选结果的评分值分别进行调整计算；一致评分值计算部，将每个一致候选结果中的本地候选结果和云端候选结果的调整后评分值进行加和计算，得到一致结果评分值；以及第一结果设定部，将一致候选结果按照一致结果评分值从高到低的顺序进行排列，并将预定名次以前的一致候选结果设定为语义分析结果。

本发明提供的指令结果筛选装置，还可以具有如下技术特征：其中，预定名次为第四名。

本发明提供的指令结果筛选装置，还可以具有如下技术特征：其中，当擅长领域判定部的判定结果为既不属于本地擅长领域又不属于云端擅长领域时，一致评分值计算部将该一致候选结果中的本地候选结果和云端候选结果的评分值直接进行加和计算，得到一致结果评分值。

本发明提供的指令结果筛选装置，还可以包括：同类型分组部，当一致判断获取部的判断结果为否时将本地候选结果和云端候选结果中具有相同的指令类型的候选结果记为一个同类型组；同类型组分值计算部，将同一个同类型组内的候选结果的评分值相加得到该同类型组对应的同类型组分值；最优同类型组设定部，将同类型组分值最高的同类型组设定为最优同类型组；最擅长领域判断部，判断最优同类型组的指令类型是否属于本地最擅长领域或云端最擅长领域；第二结果设定部，当最优同类型组的指令类型属于本地最擅长领域时，将该最优同类型组内分值最高的本地候选结果设定为语义分析结果，当最优同类型组的指令类型属于云端最擅长领域时，将该最优同类型组内分值最高的云端候选结果设定为语义分析结果。

本发明提供的指令结果筛选装置，还可以具有如下技术特征：其中，当最擅长领域判断部的判断结果为最优同类型组的指令类型既不属于本地最擅长领域、又不属于云端最擅长领域时，擅长领域判定部依次判定最优同类型组中候选结果的指令类型是本地擅长领域还是云端擅长领域，评分值调整计算部根据擅长领域分值调整规则依次对最优同类型组中候选结果的评分值进行调整计算，第二结果设定部将调整计算后最优同类型组内评分值最高的候选结果设定为语义分析结果。

本发明提供的指令结果筛选装置，还可以具有如下技术特征：其中，擅长领域分值调整规则为：当擅长领域判定部的判定结果为属于本地擅长领域时，将本地候选结果的关键词评分值乘以一个大于1的本地调整系数，当擅长领域判定部的判定结果为属于云端擅长领域时，将云端候选结果的关键词评分值乘以一个大于1的云端调整系数。

本发明还提供了一种语义分析设备，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，指令结果筛选装置为如上所述的指令结果筛选装置。

发明作用与效果

根据本发明的指令结果筛选装置，由于擅长领域判定部能够依次判定一致候选结果的指令类型属于本地擅长领域还是云端擅长领域，评分值调整计算部能够根据相应的擅长领域分别进行评分值调整，因此在对云端和本地语义分析装置得出的多个候选结果进行筛选时能够根据不同的擅长领域筛选得出更加准确的指令结果。

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为指令结果筛选装置的指令筛选流程图。

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筛选装置的框图。

如图2所示，指令结果筛选装置3包括一致判断获取部11、擅长领域判断部12、评分值调整计算部13、一致评分值计算部14、第一结果设定部15、同类型分组部16、最优同类型组设定部17、最擅长领域判断部18、第二结果设定部19、同类型分值计算部、通信部21以及控制部22。

一致判断获取部11用于判断通过通信部21接收到的本地候选结果和云端候选结果中是否存在指令类型及关键词均一致的候选结果，并在存在一致的候选结果时获取所有的一致候选结果。

擅长领域判定部12在一致判断获取部11获取到所有一致候选结果后，依次判定这些一致候选结果的指令类型属于本地擅长领域还是云端擅长领域。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。

评分值调整计算部13用于在擅长领域判断部12判断出某个候选结果的指令类型属于本地擅长领域还是云端擅长领域之后对该候选结果进行评分值调整计算。

评分值调整计算部13所进行的调整计算采用擅长领域分值调整规则，即：当擅长领域判定部12判定一个本地候选结果的指令类型属于本地擅长领域时，将该本地候选结果的关键词评分值乘以一个该指令类型对应的本地调整系数；当擅长领域判定部12判定一个云端候选结果的指令类型属于云端擅长领域时，将该云端候选结果的关键词评分值乘以一个该指令类型对应的云端调整系数。其中，本地调整系数和云端调整系数均依据指令类型不同而预先设定，并且均大于1。另外，当候选结果的指令类型既不属于本地擅长领域、又不属于云端擅长领域时，评分值调整计算部13不对其作任何调整。

一致评分值计算部14用于将一致的候选结果中本地候选结果和云端候选结果的评分值进行加和计算，得到该一致的候选结果的一致结果评分值。

当一个本地候选结果和一个云端候选结果一致，也就是指令类型和关键词均完全相同时，一致评分值计算部14将二者的评分值相加，得到该一致候选结果的评分值。对于经过评分值调整计算部13调整计算的本地候选结果或云端候选结果，一致评分值计算部14将调整后得到的评分值相加；对于未经过评分值调整计算部13调整计算的本地候选结果或云端候选结果，一致评分值计算部14直接将其评分值相加。

第一结果设定部15用于将所有的一致候选结果按照一致结果评分值从高到低的顺序进行排列，并将预定名次以前的一致候选结果设定为语义分析结果，通过通信部21将该语义分析结果传输给下位执行设备，让下位执行设备执行相应的动作。在本实施例中，该预定名次为第4名，即第一结果设定部15将一致结果评分值排在前三位的一致候选结果设定为最终的语义分析结果。

同类型分组部16用于在一致判断获取部11判断云端候选结果和本地候选结果中没有指令类型及关键词均一致的候选结果，但存在指令类型相同的候选结果时将指令类型相同的候选结果记为一个同类型组。

同类型组分值计算部20依次将每一个同类型组内的各个候选结果的评分值相加，得到该同类型组对应的同类型组分值，最优同类型组设定部17将同类型组分值最高的一个同类型组设定为最优同类型组，最擅长领域判断部18用于判断该最优同类型组的指令类型是否属于本地最擅长领域或云端最擅长领域。

在本实施例中，本地最擅长领域与本地擅长领域、云端最擅长领域与云端最擅长领域并不完全相同。以本地最擅长领域与本地擅长领域为例，“播放音乐”“播放收音机”等本地更容易作出正确分析的领域属于本地擅长领域，但“拨打电话”这类云端作出的分析可信度远低于本地的则属于本地最擅长领域。

上述四个领域均根据不同指令类型在本地或云端所作出时的不同可信度预先设定，本实施例中本地擅长领域包含了本地最擅长领域，同样地云端擅长领域包含了云端最擅长领域。当然，是否存在包含关系也可以根据实际情况设定，本地擅长领域可以不包含或部分包含本地最擅长领域，云端擅长领域也可以不包含或部分包含云端最擅长领域。

第二结果设定部19用于在最优同类型组的指令类型属于本地最擅长领域时将该最优同类型组内分值最高的本地候选结果设定为语义分析结果，在最优同类型组的指令类型属于云端最擅长领域时将该最优同类型组内分值最高的云端候选结果设定为语义分析结果。在最优同类型组的指令类型既不属于本地最擅长领域、又不属于云端最擅长领域时，评分值调整计算部13根据擅长领域分值调整规则依次对该最优同类型组中候选结果的评分值进行调整计算，第二结果设定部19将调整计算后最优同类型组内评分值最高的候选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筛选装置3，以保证可信度过低的结果不会传给指令结果筛选装置3。

图5为指令结果筛选装置的指令筛选流程图。

如图5所示，指令结果筛选装3的指令筛选过程，即步骤S4包括如下步骤：

步骤S4-1，分别接收本地候选结果和云端候选结果；

步骤S4-2，一致判断获取部11判断本地候选结果和云端候选结果中是否有一致的候选结果，当判断结果为是时进入步骤S4-3，当判断结果为否时进入步骤S4-7；

步骤S4-3，一致判断获取部11获取一致的候选结果；

步骤S4-4，擅长领域判定部12依次判定步骤S4-3中获取到的一致候选结果的指令类型属于本地擅长领域还是云端擅长领域，评分值调整计算部13根据擅长领域分值调整规则以及擅长领域判断部12的判断结果进行评分值调整计算；

步骤S4-5，一致评分值计算部14将一致的候选结果中本地候选结果和云端候选结果的评分值进行加和计算，得到该一致的候选结果的一致结果评分值；

步骤S4-6，第一结果设定部15将所有的一致候选结果按照一致结果评分值从高到低的顺序进行排列，并将排在前3位的一致候选结果设定为语义分析结果，该次指令结果筛选过程结束。

步骤S4-7，同类型分组部16将指令类型相同的候选结果记为一个同类型组；

步骤S4-8，同类型组分值计算部20依次将每一个同类型组内的各个候选结果的评分值相加，得到该同类型组对应的同类型组分值；

步骤S4-9，最优同类型组设定部17将同类型组分值最高的一个同类型组设定为最优同类型组；

步骤S4-10，最擅长领域判断部18判断该最优同类型组的指令类型是否属于本地最擅长领域或云端最擅长领域，当判断结果为属于本地最擅长领域时进入步骤S4-11，当判断结果为属于云端最擅长领域时进入步骤S4-12，当判断结果为既不属于本地最擅长领域、又不属于云端最擅长领域时进入步骤S4-13；

步骤4-11，第二结果设定部19将最优同类型组内分值最高的本地候选结果设定为语义分析结果，该次指令结果筛选过程结束。

步骤4-12，第二结果设定部19将最优同类型组内分值最高的云端候选结果设定为语义分析结果，该次指令结果筛选过程结束。

步骤4-13，擅长领域判定部12判定最优同类型组的指令类型属于本地擅长领域还是云端擅长领域，当判定结果为属于本地擅长领域或云端擅长领域时，评分值调整计算部13根据擅长领域分值调整规则依次对最优同类型组中候选结果的评分值进行调整计算；

步骤4-14，第二结果设定部19将步骤4-13调整计算后最优同类型组内评分值最高的候选结果设定为语义分析结果，该次指令结果筛选过程结束。

通信部21将上述过程中得出的语义分析结果传给下位执行设备后，下位执行设备可根据接收到的语义分析结果的情况执行相应的动作。例如，当语义分析结果中的具有两个以上候选结果，并且评分值均较高时，说明这些结果可信度都较高，下位执行设备可以询问用户选择哪个来执行；当只有一个候选结果评分值较高时，下位执行设备可以直接根据该候选结果来执行相应动作；当其中没有评分值较高的候选结果时，说明其中没有得出可信度较高的结果，下位执行设备可以让用户重新发出语音指令。

实施例作用与效果

根据本实施例的指令结果筛选装置，由于擅长领域判定部能够依次判定一致候选结果的指令类型属于本地擅长领域还是云端擅长领域，评分值调整计算部能够根据相应的擅长领域分别进行评分值调整，因此在对云端和本地语义分析装置得出的多个候选结果进行筛选时能够根据不同的擅长领域筛选得出更加准确的指令结果。

当本地和云端得出一致的候选结果时，经过上述擅长领域判定及评分值调整后，采用调整后的评分值进行加和计算所得出的一致结果评分值能够更好地反映该一致结果是否准确可信；当本地和云端没有得出一致的候选结果时，在最佳同类型组不属于某个最擅长领域的情况下，这种调整也能够对属于不同擅长领域的候选结果进行相应的调整，让最终得出的结果更加可信。

由于具有最擅长领域判定部，因此在某些指令类型明显是云端或本地中的一种分析就能准确得出的类型时，能够直接将对应的候选结果设定为语义分析结果，排除另外一种不能准确得出的分析装置的结果所产生的干扰。

另外，本实施例的语义分析设备能够将多个本地和云端的候选结果进行筛选，并且在该筛选前仅通过本地语义分析装置和云端语义分析装置去除了评分值明显偏低、明显不可信的候选结果，因此能够尽可能多地让不同的候选结果进入筛选过程，保留更多的信息，使得筛选得出的结果准确度更高。