本發(fā)明涉及漢語自然語言處理、知識管理、自動問答領(lǐng)域，特別是涉及一種可視化流程圖的智能問答多輪交互方法和系統(tǒng)。

背景技術(shù)：

基于上下文對話場景的多輪交互，是智能問答中的重要功能和巨大難題。在實(shí)際的應(yīng)用中，智能問答系統(tǒng)需要解決的問題很可能是一個(gè)復(fù)雜的流程型知識，而非簡單的一問一答形式。

例如，在電信行業(yè)中，對于問題“寬帶故障處理”，其標(biāo)準(zhǔn)答復(fù)是首先引導(dǎo)詢問或查詢用戶是否停機(jī)欠費(fèi)，待用戶回應(yīng)后，再根據(jù)用戶不同的情況，進(jìn)一步引導(dǎo)詢問用戶的故障碼、設(shè)備狀態(tài)等多個(gè)條件，才能最終確定辦理方案，整個(gè)流程如圖1所示。對于智能問答系統(tǒng)而言，其目標(biāo)是可以通過多輪交互的方式，根據(jù)流程一步步引導(dǎo)用戶完成對話。因此，將復(fù)雜的引導(dǎo)和交互流程，簡單直觀地實(shí)現(xiàn)編輯、查看、管理功能，并可直接應(yīng)用于自助智能問答系統(tǒng)，具有重要的價(jià)值。

要完成如上功能，需要實(shí)現(xiàn)三個(gè)目標(biāo)：

1.將復(fù)雜流程進(jìn)行可視化編輯，明確流程圖中節(jié)點(diǎn)、連線的類別和功能；

2.當(dāng)交互流轉(zhuǎn)到某個(gè)節(jié)點(diǎn)，需要智能問答系統(tǒng)主動提出詢問，引導(dǎo)用戶進(jìn)行選擇時(shí)，系統(tǒng)能自動完成；

3.當(dāng)用戶做出應(yīng)答時(shí)，需要智能問答系統(tǒng)在語義理解時(shí)增加約束條件，使智能問答系統(tǒng)能自動在流程可能達(dá)到的節(jié)點(diǎn)中進(jìn)行理解，從而保證理解的正確性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題：針對以上問題本發(fā)明提供了一種操作簡單直觀、有效結(jié)合流程知識管理和智能問答、識別性能好的基于可視化流程圖的智能問答多輪交互方法和系統(tǒng)。發(fā)明通過定義流程圖中節(jié)點(diǎn)、連線的類型，并采取自動化操作，從而實(shí)現(xiàn)了智能問答系統(tǒng)中的自動發(fā)起引導(dǎo)和限定范圍內(nèi)理解。

為了解決以上問題本發(fā)明采用了如下的技術(shù)方案：

一種基于可視化流程圖的智能問答多輪交互方法，其特征在于：包括以下步驟：

第1步，在引導(dǎo)型節(jié)點(diǎn)中，自動添加引導(dǎo)話術(shù)：

在流程圖中，當(dāng)前引導(dǎo)型節(jié)點(diǎn)v可以流轉(zhuǎn)到的節(jié)點(diǎn)集合為V⁺＝{v₁，v₂，...，v_m}，那么，在節(jié)點(diǎn)v上，自動利用V⁺節(jié)點(diǎn)名信息為v產(chǎn)生引導(dǎo)話術(shù)；

第2步，在應(yīng)答型節(jié)點(diǎn)中，進(jìn)行語義理解并保存補(bǔ)全的咨詢歷史：

第2.1步，當(dāng)用戶做出應(yīng)答時(shí)，語義理解系統(tǒng)將用戶的自然語言輸入，映射到流程圖中的應(yīng)答型節(jié)點(diǎn)，此時(shí)將限定節(jié)點(diǎn)的范圍，僅在系統(tǒng)上次流轉(zhuǎn)到的引導(dǎo)性節(jié)點(diǎn)v的后續(xù)節(jié)點(diǎn)V⁺中；

第2.2步，當(dāng)映射到具體的應(yīng)答型節(jié)點(diǎn)后，該節(jié)點(diǎn)會將用戶的咨詢進(jìn)行自動補(bǔ)全，將用戶的最近咨詢歷史，同當(dāng)前咨詢合并起來，作為完整的咨詢保存為最近的咨詢歷史；

為了完成語義理解，在兩類節(jié)點(diǎn)中將附帶有一系列語義文法，語義文法定義如下：

語義文法Semantic-Syntax為一個(gè)四元組：

Semantic-Syntax＝<ID，Body>

其中，ID為文法的唯一性標(biāo)識，兩條不同的文法不能有相同的ID；

文法體Body是文法的核心元素，用于自然語言形式的匹配用戶問題；文法體Body是對自然語言表達(dá)的泛化，反之，自然語言可以稱作是文法體的具化；兩者之間存在多對多的映射關(guān)系；Body的上下文無關(guān)文法形式定義為：

上述定義中，各非終結(jié)符的含義如下：

1).Section：文法項(xiàng)，一個(gè)文法體由以通配符’*’作為間隔的多個(gè)文法項(xiàng)組成；

2).Constant：常量型文法項(xiàng)；

3).NeccessaryConstant：必選常量型文法項(xiàng)，由詞類(WordClass)和常量詞集(Words)組成；

4).WordClass：詞類，為一組詞(Word)所組成的集合的名稱；詞類所具體包含的詞，可在文法體之外單獨(dú)進(jìn)行定義；

5).Words：常量詞集，為一組詞(Word)所組成的集合；

6).OptionalConstant：可選常量型文法項(xiàng)；

7).Variable：變量型文法項(xiàng)，由變量標(biāo)志符’？’，變量標(biāo)識(VariableID)，變量名(VariableName)組成；

8).VariableID：變量標(biāo)識，唯一確定一條文法中的變量型文法項(xiàng)；

9).VariableName：變量名，即變量型文法項(xiàng)的名稱；

各終結(jié)符的含義如下：

1).’*’：通配符；

2).’<’，‘>’：文法項(xiàng)括號；

3).’！’：詞類標(biāo)志符，表示其后為一個(gè)詞類；

4).’？’：變量標(biāo)志符，標(biāo)識其后為一個(gè)變量標(biāo)識和一個(gè)變量名；

5).’|’：邏輯或關(guān)系標(biāo)志符，標(biāo)識多個(gè)常量型文法間的“或”關(guān)系；

6).’(’，‘)’：變量名括號；

7).’[’，‘]’：可選文法項(xiàng)括號；

8).string：字符串常量

對于一個(gè)具體的文法體b，可以計(jì)算其余用戶咨詢q的匹配度，從而決定q是否映射到b所在的節(jié)點(diǎn)；q與b的匹配分值Credit(b，q)考慮了兩個(gè)方面的特征，一是q被b所匹配的詞的加權(quán)比例，二是b被p所映射到的文法項(xiàng)的比例，具體定義為：

其中，M為q中映射到b中的分詞集合，M’＝q-M，M’為q中未映射到b中的分詞集合，G為b的所有文法項(xiàng)中映射到b的文法項(xiàng)。對于M和M’中的某個(gè)詞w，IDF(w)體現(xiàn)了其在q中的重要程度，

IDF(w)＝log(|所有節(jié)點(diǎn)附帶的文法體集合|/|常量詞中包含w的文法體集合|)(2)

0＜ε＜1是平滑因子；系統(tǒng)中優(yōu)選取值為0.1。

第3步，在智能問答系統(tǒng)各種，用戶可能會不按照系統(tǒng)給出的引導(dǎo)流程進(jìn)行應(yīng)答，而是轉(zhuǎn)移到另外一個(gè)話題；

系統(tǒng)如下判斷是否是進(jìn)行了話題轉(zhuǎn)移：將首先按照第2步中的方式進(jìn)行語義理解，記匹配得分為c₁，如果匹配失敗，c₁＝0；同時(shí)，也在取消理解的約束范圍，整個(gè)知識庫中理解，記最大的匹配得分為c₂；整個(gè)知識庫包括多個(gè)流程型知識庫，每個(gè)流程型知識庫包括多個(gè)應(yīng)答節(jié)點(diǎn)；如果c2-c1＞max_credit_span，則認(rèn)為用戶轉(zhuǎn)移了話題，在我們的系統(tǒng)匯總，話題轉(zhuǎn)換的判斷閾值max_credit_span優(yōu)選取值為0.45。

一種基于可視化流程圖的智能問答多輪交互系統(tǒng)，其特征在于：包括在引導(dǎo)型節(jié)點(diǎn)中，自動添加引導(dǎo)話術(shù)的模塊1；在應(yīng)答型節(jié)點(diǎn)中，自動添加語義理解限定范圍的模塊2；話題轉(zhuǎn)換判別模塊3。

有益效果：本發(fā)明借助將流程知識進(jìn)行圖形化管理并直接應(yīng)用于問答的系統(tǒng)和方法，包括對可視化流程圖中節(jié)點(diǎn)、邊的形式化表示和存儲，以及在節(jié)點(diǎn)、邊上通過自動添加語義理解約束條件、流程引導(dǎo)話術(shù)的方法，使得智能問答系統(tǒng)可以基于復(fù)雜的流程圖，對用戶的咨詢進(jìn)行自動應(yīng)答。在當(dāng)回復(fù)面臨多種選擇時(shí)，可以主動向用戶提出多個(gè)引導(dǎo)條件；在用戶回復(fù)了簡略的應(yīng)答時(shí)，可以在語義理解時(shí)自動增加約束條件，保證理解的正確。當(dāng)語義文法和自然語言咨詢匹配度計(jì)算平滑因子取值0.1，話題轉(zhuǎn)換的判斷閾值max_credit_span＝0.45時(shí)，系統(tǒng)可以取得98％的多輪交互精度，和87％的理解率。在多輪交互中，本方法可以有效解決上下文缺省問題，取得了較好的識別性能，已經(jīng)達(dá)到了實(shí)際應(yīng)用的目的。

附圖說明

圖1是本發(fā)明基于可視化流程圖的智能問答多輪交互方法和系統(tǒng)的工作流程圖。

圖2是兩種節(jié)點(diǎn)類型示例-密碼重置。

圖3是基于復(fù)雜流程型知識的交互場景示例-寬帶上網(wǎng)故障。

具體實(shí)施方式

為了能夠更清楚的說明本發(fā)明，以下定義并解釋如下的術(shù)語：

(1)智能問答系統(tǒng)：一個(gè)可以接收用戶自然語言形式的輸入，在理解用戶意圖的基礎(chǔ)上，基于企業(yè)知識庫、數(shù)據(jù)庫等資源，自動給出回復(fù)的計(jì)算機(jī)系統(tǒng)。如果系統(tǒng)僅支持一問一答的形式，稱為單輪智能問答系統(tǒng)；如果系統(tǒng)可以基于上下文對話場景進(jìn)行交互，稱為多輪交互式智能問答系統(tǒng)。

(2)自動引導(dǎo)：在智能問答系統(tǒng)中，當(dāng)需要進(jìn)一步詢問用戶信息，才能做出下一步回答時(shí)，所想用戶提出的詢問。

(3)語義理解：在智能問答系統(tǒng)中，對用戶自然語言形式的提問或應(yīng)答進(jìn)行分析，提取出用戶語言的結(jié)構(gòu)、意圖等信息的過程。語義理解可以帶有約束條件，例如，可以約束用戶上文的理解結(jié)果在一定范圍內(nèi)。

(4)用于智能問答的流程型知識圖：一個(gè)有向有環(huán)圖G＝<V，E>，用于在多輪交互式智能問答中提供流轉(zhuǎn)規(guī)則，以及自動引導(dǎo)話術(shù)和最終的答復(fù)知識。E為有向邊集合，的元素有向邊e＝<v₁，v₂>表示節(jié)點(diǎn)v₁將流轉(zhuǎn)到節(jié)點(diǎn)v₂，節(jié)點(diǎn)V則分為系統(tǒng)引導(dǎo)型用戶節(jié)點(diǎn)和應(yīng)答型節(jié)點(diǎn)：

a)系統(tǒng)引導(dǎo)型節(jié)點(diǎn)：當(dāng)多輪交互問答流轉(zhuǎn)到該節(jié)點(diǎn)時(shí)，系統(tǒng)將主動向用戶發(fā)出引導(dǎo)咨詢，讓用戶給出回復(fù)；

b)用戶應(yīng)答型節(jié)點(diǎn)：用戶做出應(yīng)答時(shí)，語義理解系統(tǒng)的目標(biāo)是將用戶的應(yīng)答，映射到一個(gè)用戶應(yīng)答型節(jié)點(diǎn)上，該應(yīng)答型節(jié)點(diǎn)下一步或者自動跳轉(zhuǎn)到唯一的一個(gè)系統(tǒng)引導(dǎo)性節(jié)點(diǎn)，或者對用戶的應(yīng)答進(jìn)行答復(fù)。用戶應(yīng)答型節(jié)點(diǎn)包含節(jié)點(diǎn)名，如“重置寬帶密碼”、“重置手機(jī)密碼”等；

在圖2給出的示例中，我們給出了兩類節(jié)點(diǎn)的示例。

如圖1所示，一種基于可視化流程圖的智能問答多輪交互系統(tǒng)分為3個(gè)主要模塊：

模塊1：在引導(dǎo)型節(jié)點(diǎn)中，自動添加引導(dǎo)話術(shù)的模塊；

模塊2：在應(yīng)答型節(jié)點(diǎn)中，自動添加語義理解限定范圍的模塊；

模塊3：話題轉(zhuǎn)換判別模塊；

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明作進(jìn)一步詳細(xì)地說明。

模塊1：在引導(dǎo)型節(jié)點(diǎn)中，自動添加引導(dǎo)話術(shù)

假設(shè)當(dāng)前引導(dǎo)型節(jié)點(diǎn)v，在流程圖中，v可以流轉(zhuǎn)到的節(jié)點(diǎn)集合為V⁺＝{v₁，v₂，...，v_m}，那么，在節(jié)點(diǎn)v上，自動利用V⁺節(jié)點(diǎn)名信息為v產(chǎn)生引導(dǎo)話術(shù)，例如：“請問您是重置寬帶密碼，還是重置手機(jī)密碼？”

模塊2：在應(yīng)答型節(jié)點(diǎn)中，進(jìn)行語義理解并保存補(bǔ)全的咨詢歷史：

1.當(dāng)用戶做出應(yīng)答時(shí)，語義理解系統(tǒng)將用戶的自然語言輸入，映射到流程圖中的應(yīng)答型節(jié)點(diǎn)，此時(shí)將限定節(jié)點(diǎn)的范圍，僅在系統(tǒng)上次流轉(zhuǎn)到的引導(dǎo)性節(jié)點(diǎn)v的后續(xù)節(jié)點(diǎn)V⁺中；

2.當(dāng)映射到具體的應(yīng)答型節(jié)點(diǎn)后，該節(jié)點(diǎn)會將用戶的咨詢進(jìn)行自動補(bǔ)全，將用戶的最近咨詢歷史，同當(dāng)前咨詢合并起來，作為完整的咨詢保存為最近的咨詢歷史。

例如，如果用戶首次詢問的是“如何重置密碼”，系統(tǒng)給出引導(dǎo)“請問您是重置寬帶密碼，還是重置手機(jī)密碼？”，用戶回答的是“前者”，則系統(tǒng)僅會在“重置寬帶密碼”、“重置手機(jī)密碼”兩個(gè)節(jié)點(diǎn)中進(jìn)行理解，會將用戶的回答補(bǔ)全為“如何重置密碼+寬帶”，保存為最近的咨詢歷史，如圖2所示。

為了完成語義理解，在兩類節(jié)點(diǎn)中將附帶有一系列語義文法，語義文法定義如下：

語義文法Semantic-Syntax為一個(gè)四元組：

Semantic-Syntax＝<ID，Body>

其中，ID為文法的唯一性標(biāo)識，兩條不同的文法不能有相同的ID。如ID₁＝001，ID₂＝002；

文法體Body是文法的核心元素，用于自然語言形式的匹配用戶問題。文法體Body是對自然語言表達(dá)的泛化，反之，自然語言可以稱作是文法體的具化。兩者之間存在多對多的映射關(guān)系。Body的上下文無關(guān)文法形式定義為：

上述定義中，各非終結(jié)符的含義如下：

1).Section：文法項(xiàng)，一個(gè)文法體由以通配符’*’作為間隔的多個(gè)文法項(xiàng)組成；

2).Constant：常量型文法項(xiàng)；

3).NeccessaryConstant：必選常量型文法項(xiàng)，由詞類(WordClass)和常量詞集(Words)組成；

4).WordClass：詞類，為一組詞(Word)所組成的集合的名稱；詞類所具體包含的詞，可在文法體之外單獨(dú)進(jìn)行定義；

5).Words：常量詞集，為一組詞(Word)所組成的集合；

6).OptionalConstant：可選常量型文法項(xiàng)；

7).Variable：變量型文法項(xiàng)，由變量標(biāo)志符’？’，變量標(biāo)識(VariableID)，變量名(VariableName)組成；

8).VariableID：變量標(biāo)識，唯一確定一條文法中的變量型文法項(xiàng)；

9).VariableName：變量名，即變量型文法項(xiàng)的名稱；

各終結(jié)符的含義如下：

1).’*’：通配符；

2).’<’，‘>’：文法項(xiàng)括號；

3).’！’：詞類標(biāo)志符，表示其后為一個(gè)詞類；

4).’？’：變量標(biāo)志符，標(biāo)識其后為一個(gè)變量標(biāo)識和一個(gè)變量名；

5).’|’：邏輯或關(guān)系標(biāo)志符，標(biāo)識多個(gè)常量型文法間的“或”關(guān)系；

6).’(’，‘)’：變量名括號；

7).’[’，‘]’：可選文法項(xiàng)括號；

8).string：字符串常量

對于一個(gè)具體的文法體b，可以計(jì)算其余用戶咨詢q的匹配度，從而決定q是否映射到b所在的節(jié)點(diǎn)。q與b的匹配分值Credit(b，q)考慮了兩個(gè)方面的特征，一是q被b所匹配的詞的加權(quán)比例，二是b被p所映射到的文法項(xiàng)的比例，具體定義為：

其中，M為q中映射到b中的分詞集合，M’＝q-M，M’為q中未映射到b中的分詞集合，G為b的所有文法項(xiàng)中映射到b的文法項(xiàng)。對于M和M’中的某個(gè)詞w，IDF(w)體現(xiàn)了其在q中的重要程度，

IDF(w)＝log(|所有節(jié)點(diǎn)附帶的文法體集合|/|常量詞中包含w的文法體集合|)(2)

0＜ε＜1是平滑因子，系統(tǒng)中取值為0.1。

模塊3：話題轉(zhuǎn)換判別

在智能問答系統(tǒng)各種，用戶可能會不按照系統(tǒng)給出的引導(dǎo)流程進(jìn)行應(yīng)答，而是轉(zhuǎn)移到另外一個(gè)話題。例如，到系統(tǒng)引導(dǎo)用戶“請問您是要重置寬帶密碼，還是重置手機(jī)密碼？“時(shí)，用戶可能會回答“寬帶密碼和手機(jī)密碼有什么不同”。

系統(tǒng)如下判斷是否是進(jìn)行了話題轉(zhuǎn)移：將首先按照模塊2中的方式進(jìn)行語義理解，記匹配得分為c₁，如果匹配失敗，c₁＝0；同時(shí)，也在取消理解的約束范圍，整個(gè)知識庫中理解，記最大的匹配得分為c₂。整個(gè)知識庫包括多個(gè)流程型知識庫，每個(gè)流程型知識庫包括多個(gè)應(yīng)答節(jié)點(diǎn)。如果c₂-c₁＞max_credit_span，則認(rèn)為用戶轉(zhuǎn)移了話題。在我們的系統(tǒng)匯總，話題轉(zhuǎn)換的判斷閾值max_credit_span取值為0.45。

基于可視化流程圖的智能問答多輪交互方法和系統(tǒng)給出了如圖3所示的復(fù)雜流程型知識的交互場景示例-寬帶上網(wǎng)故障。

實(shí)驗(yàn)效果

經(jīng)過多個(gè)行業(yè)的實(shí)驗(yàn)，當(dāng)語義文法和自然語言咨詢匹配度計(jì)算平滑因子取值0.1，話題轉(zhuǎn)換的判斷閾值max_credit_span＝0.45時(shí)，系統(tǒng)可以取得98％的多輪交互精度，和87％的理解率。因此，本發(fā)明取得了較好的識別性能，已經(jīng)達(dá)到了實(shí)際應(yīng)用的目的。