一种基于人工智能话术模型的匹配方法及系统与流程

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能话术模型的匹配方法及系统。

背景技术

近年来，人工智能的兴起使得交互式问答的人工智能系统取得了重大突破，但现有的交互式问答系统在与用户的交流过程中，仍然显得不够“智能”。

现有的人机对话系统中，大多采用基于知识库的方式生成备选答案，然后再对答案进行排序后回复，但这种匹配模式，容易造成匹配混乱，机器答非所问，使得人机互动不自然、不连贯，用户体验不够好。

技术实现要素：

本发明的目的在于提供一种基于人工智能话术模型的匹配方法及系统，目的在于解决现有人工智能系统中人机对话缺乏主动性而无法满足用户需求的问题。

为实现上述目的，本发明的技术方案如下：

一种基于人工智能话术模型的匹配方法，包括如下步骤，

s1，根据用户输入信息，关键字提取输入信息中的命名实体；

s2，根据所述命名实体，获取命名实体在话术模型中的对应信息位置；

s3，根据所述信息位置，获取与输入信息相应的知识信息；

s4，根据所述知识信息，产生对应的应答内容。

上述方案中，所述步骤s1具体包括：采用自然语言处理技术和语义分析技术，关键字或关键句型获取用户输入信息中命名实体。

上述方案中，所述步骤s2具体包括：在话术模型中预设多个匹配位置点定位，利用提取的命名实体出现的次数，将其匹配至所在话术模型中的对应位置。

上述方案中，所述步骤s3具体包括：根据所示对应信息位置，利用深度学习神经网络，通过数据挖掘对对话信息进行整理后获取知识信息，包括常识知识信息和专业知识信息。

上述方案中，所述步骤s4具体包括：根据所述知识信息，应用深度学习神经网络的特征提取能力，提取用户输入信息的特征与命名实体属性间的关系，确定应答内容，输出匹配结果。

一种基于人工智能话术模型的匹配系统，包括：

实体提取单元，用于关键字提取用户输入信息中的命名实体；

模型匹配单元，用于确定命名实体在话术模型中的位置；

知识提取单元，用于提取命名实体在话术模型位置信息的各种知识信息；

信息应答单元，通过深度学习将用户输入信息中问题的特征与命名实体的知识信息相关联，确定最终的回复。

上述方案中，所述话术模型为一种基于图的数据库，存储的内容为命名实体，各个命名实体之间通过属性相关联。

本发明的基于人工智能话术模型的匹配方法及系统，针对用户不同的对话内容，利用关键字或关键句型提取对话内容中的命名实体，匹配到话术模型中并利用深度学习神经网络获取知识信息，产生对应的应答内容，实现人机对话中的相互性，从而能使机器更自然地跟用户进行交互，提升对话的交互性和用户体验。

附图说明

图1是本发明一个实施例的基于人工智能话术模型的匹配方法的流程图；

图2是本发明一个实施例的基于人工智能话术模型的匹配系统的结构示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的详细说明。

图1是本发明一个实施例的基于人工智能话术模型的匹配方法的流程图。

如图1所示，该基于人工智能话术模型的匹配方法，通过关键词提取出命名实体，在话术信息系统中定位到命名实体的所在位置，获取命名实体的对应信息，应用深度学习神经网络的特征提取能力，提取出用户输入问句的特征与命名实体属性间的关系，从而确定对应的应答内容，具体包括以下几个步骤：

s1，根据用户输入信息，关键字提取信息中的命名实体。

采用自然语言处理技术和语义分析技术获取用户输入信息的关键字或采用自然语言处理技术和语义分析技术获取用户输入信息的关键句型；

如：用户输入“华盛顿是哪个国家的首都？”根据输入信息提取“华盛顿”作为命名实体。

其中，自然语言处理技术采用seq2seq方法，自动覆盖原有应用中不能覆盖的问答，通过大数据和自动升级不断纠错升级，基于bi-lstm技术，通过多层深度神经网络进行情绪和意图判断；语义分析技术运用语义区分量表研究事物的意义，采用若干个七点等级的语义量表对关键字或关键句型提取的命名实体进行评价，判定在各被评维度上的意义和强度。

s2，根据所述命名实体，获取实体在话术模型中的对应信息位置；

话术模型是一种基于图的数据库，存储的内容为命名实体，各个命名实体之间通过属性相关联。在话术模型中预设多个匹配位置点定位，利用获取用户输入信息的实体出现的次数，将其匹配至实体所在话术模型中的对应位置。

如：根据“纽约”作为命名实体，从话术模型中定位出“华盛顿”在话术模型中的信息位置。

s3，根据所述信息位置，获取与输入的信息相应的知识信息。

根据所示对话信息位置，利用深度学习神经网络，通过数据挖掘对对话信息进行整理后获取知识信息，包括常识知识信息和专业知识信息，其中常识知识信息为常识性的知识信息。

根据信息位置获得命名实体的各个属性，例如华盛顿-首都-美国，华盛顿-位置-北美洲等知识信息。

s4，根据所述知识信息，产生对应的应答内容。

根据所述知识信息，通过深度学习方法提取问句的特征与各个属性特征的关系，从而获取对应的应答内容，确定了用户输入信息“华盛顿是哪个国家的首都？”中“首都”信息与问题更加相关，最终应答内容为“美国”。

为了实现上述实施例，本发明还提供了一种基于人工智能话术模型的匹配系统。

图2是本发明一个实施例的基于人工智能话术模型的匹配系统的结构示意图。

如图2所示，该基于人工智能话术模型的匹配系统，包括实体提取单元、模型匹配单元、知识提取单元和信息应答单元，其中，

实体提取单元，用于关键字提取用户输入信息中的命名实体；

模型匹配单元，用于确定命名实体在话术模型中的位置；

知识提取单元，用于提取命名实体在话术模型位置信息的各种属性知识信息；

信息应答单元，通过深度学习将用户输入信息中问题的特征与命名实体的属性知识信息相关联，确定最终回复。

例如：当用户输入信息为“华盛顿是哪个国家的首都？”

通过实体提取单元，采用关键字提取用户输入信息问题中的“华盛顿”作为命名实体；

在模型匹配单元匹配出命名实体“华盛顿”在话术模型中的信息位置；

根据知识提取单元提取命名实体“华盛顿”在话术模型对应位置的各种属性知识信息，例如华盛顿-首都-美国，华盛顿-位置-北美洲等；

最后通过深度学习方法提取用户输入问句的特征与各个属性特征的关系，从而获取对应的应答内容，最终确定“首都”信息与问题更加相关，信息应答单元确定最终回复“美国”。

本发明的基于人工智能话术模型的匹配方法及系统，针对用户不同的对话内容，利用关键字或关键句型提取对话内容中的命名实体，匹配到话术模型中并利用深度学习神经网络获取知识信息，产生对应的应答内容，实现人机对话中的相互性，从而能使机器更自然地跟用户进行交互，提升对话的交互性和用户体验。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应含在本发明的保护范围之内。