本發(fā)明涉及機(jī)器人技術(shù)領(lǐng)域，具體地說，涉及一種確定句子類型的方法及裝置。

背景技術(shù)：

隨著科學(xué)技術(shù)的不斷發(fā)展，信息技術(shù)、計算機(jī)技術(shù)以及人工智能技術(shù)的引入，機(jī)器人的研究已經(jīng)逐步走出工業(yè)領(lǐng)域，逐漸擴(kuò)展到了醫(yī)療、保健、家庭、娛樂以及服務(wù)行業(yè)等領(lǐng)域。而人們對于機(jī)器人的要求也從簡單重復(fù)的機(jī)械動作提升為具有擬人問答、自主性及與其他機(jī)器人進(jìn)行交互的智能機(jī)器人，人機(jī)交互也就成為決定智能機(jī)器人發(fā)展的重要因素。

聊天系統(tǒng)作為人機(jī)交互系統(tǒng)中的核心模塊，在人機(jī)交互系統(tǒng)中扮演著舉足輕重的角色。在日常的人機(jī)交互過程中，用戶與機(jī)器人之間的聊天占據(jù)了絕大多數(shù)的比例。

為了能夠更好地與用戶進(jìn)行交互，聊天系統(tǒng)需要能夠正確識別出用戶的意圖。而用戶說話時使用不同的語氣或者稍微變換一兩個字就會造成句子所屬的句類發(fā)生變換，進(jìn)而使得句子的意思發(fā)生改變。因此，如何準(zhǔn)確確定出句子的句類是亟需解決的技術(shù)問題。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明提供了一種確定句子類型的方法，其包括：

交互信息獲取步驟，獲取用戶輸入的對話交互信息；

詞向量矩陣生成步驟，根據(jù)所述對話交互信息生成對話語句，對所述對話語句進(jìn)行解析，生成所述對話語句的詞向量矩陣；

句類劃分步驟，基于所述詞向量矩陣，利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型確定出所述對話語句的句子類型；

交互信息輸出步驟，根據(jù)所述對話語句的句子類型，生成相應(yīng)的反饋交互信息并輸出。

根據(jù)本發(fā)明的一個實施例，在所述詞向量矩陣生成步驟中：

對所述對話語句進(jìn)行分詞處理，得到所述對話語句的語句詞；

生成各個語句詞的詞向量，根據(jù)所述各個語句詞的詞向量生成所述對話語句的詞向量矩陣。

根據(jù)本發(fā)明的一個實施例，所述方法還包括：

神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟，對訓(xùn)練語料中的各個訓(xùn)練語句進(jìn)行解析，得到所述各個訓(xùn)練語句的詞向量矩陣，利用所述各個訓(xùn)練語句的詞向量矩陣和各自的句子類型對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。

根據(jù)本發(fā)明的一個實施例，所述句子類型包括：陳述句、疑問句、祈使句和感嘆句。

根據(jù)本發(fā)明的一個實施例，利用所述各個訓(xùn)練語句的詞向量矩陣和各自的句子類型對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟包括：

以所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)對詞向量矩陣進(jìn)行計算得到預(yù)測分類值；

將所述預(yù)測分類值與既有標(biāo)準(zhǔn)標(biāo)注數(shù)值比對，并根據(jù)對比結(jié)果調(diào)整所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)的參數(shù)。

本發(fā)明還提供了一種確定句子類型的裝置，其包括：

交互信息獲取模塊，其用于獲取用戶輸入的對話交互信息；

詞向量矩陣生成模塊，其用于根據(jù)所述對話交互信息生成對話語句，對所述對話語句進(jìn)行解析，生成所述對話語句的詞向量矩陣；

句類劃分模塊，其用于基于所述詞向量矩陣，利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型確定出所述對話語句的句子類型；

交互信息輸出模塊，其用于根據(jù)所述對話語句的句子類型，生成相應(yīng)的反饋交互信息并輸出。

根據(jù)本發(fā)明的一個實施例，所述詞向量矩陣生成模塊配置為：

對所述對話語句進(jìn)行分詞處理，得到所述對話語句的語句詞；

生成各個語句詞的詞向量，根據(jù)所述各個語句詞的詞向量生成所述對話語句的詞向量矩陣。

根據(jù)本發(fā)明的一個實施例，所述裝置還包括：

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，其用于對訓(xùn)練語料中的各個訓(xùn)練語句進(jìn)行解析，得到所述各個訓(xùn)練語句的詞向量矩陣，利用所述各個訓(xùn)練語句的詞向量矩陣和各自的句子類型對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。

根據(jù)本發(fā)明的一個實施例，所述句子類型包括：陳述句、疑問句、祈使句和感嘆句。

根據(jù)本發(fā)明的一個實施例，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊配置為根據(jù)如下步驟對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：

以所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)對詞向量矩陣進(jìn)行計算得到預(yù)測分類值；

將所述預(yù)測分類值與既有標(biāo)準(zhǔn)標(biāo)注數(shù)值比對，并根據(jù)對比結(jié)果調(diào)整所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)的參數(shù)。

本發(fā)明所提供的確定句子類型的方法不再像現(xiàn)有方法那樣根據(jù)寫好的識別規(guī)則來進(jìn)行句子類型識別，而是基于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來根據(jù)對話語句的詞向量矩陣來進(jìn)行句子類別的確定。本方法不再是僅僅根據(jù)對話語句的句末標(biāo)點(diǎn)或是對話語句中的某些關(guān)鍵詞來進(jìn)行句子類型的識別，相較于現(xiàn)有方法，其覆蓋面更廣，并且不再需要繁瑣的識別規(guī)則，提高了識別結(jié)果的準(zhǔn)確性和實現(xiàn)過程的簡便性。

本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要的附圖做簡單的介紹：

圖1是根據(jù)本發(fā)明一個實施例的構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的流程示意圖；

圖2是根據(jù)本發(fā)明一個實施例的確定句子類型的方法的實現(xiàn)流程示意圖；

圖3是根據(jù)本發(fā)明一個實施例的生成對話語句的詞向量矩陣的流程示意圖；

圖4是根據(jù)本發(fā)明一個實施例的確定句子類型的裝置的結(jié)構(gòu)示意圖。

具體實施方式

以下將結(jié)合附圖及實施例來詳細(xì)說明本發(fā)明的實施方式，借此對本發(fā)明如何應(yīng)用技術(shù)手段來解決技術(shù)問題，并達(dá)成技術(shù)效果的實現(xiàn)過程能充分理解并據(jù)以實施。需要說明的是，只要不構(gòu)成沖突，本發(fā)明中的各個實施例以及各實施例中的各個特征可以相互結(jié)合，所形成的技術(shù)方案均在本發(fā)明的保護(hù)范圍之內(nèi)。

同時，在以下說明中，出于解釋的目的而闡述了許多具體細(xì)節(jié)，以提供對本發(fā)明實施例的徹底理解。然而，對本領(lǐng)域的技術(shù)人員來說顯而易見的是，本發(fā)明可以不用這里的具體細(xì)節(jié)或者所描述的特定方式來實施。

另外，在附圖的流程圖示出的步驟可以在諸如一組計算機(jī)可執(zhí)行指令的計算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

為了能夠正確地識別出用戶的意圖，對話系統(tǒng)就需要先識別出對話語句所屬的句子類型(即句類)。傳統(tǒng)的自然語言處理技術(shù)(NLP)處理上述問題通常是根據(jù)寫好的識別規(guī)則來進(jìn)行語句類型的識別，例如，判斷對話語句的末位是否存在“嗎”、判斷對話語句中是否存在否定詞“沒有”或“不是”等。這類方法一方面覆蓋面過窄，另一方面需要指定十分繁瑣的規(guī)則，還容易出現(xiàn)錯誤處理的情況。

針對現(xiàn)有技術(shù)中所存在的上述問題，本實施例提供了一種新的確定句子類型的方法，該方法能夠非常準(zhǔn)確地確定句子的類型，從而為對話系統(tǒng)理解語句意思和用戶意圖提供非常大的幫助。

需要指出的是，本實施例中，該方法所能夠確定的句子的類型優(yōu)選地包括：陳述句、疑問句、祈使句和感嘆句。當(dāng)然，在本發(fā)明的其他實施例中，該方法所能夠確定的句子類型還可以包括其他合理類型，本發(fā)明不限于此。

本方法利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)句子類型的識別與劃分，因此，在進(jìn)行句子類別確定過程前，需要先對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到用于進(jìn)行句子類型識別的神經(jīng)網(wǎng)絡(luò)模型。

圖1示出了本實施例中構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的流程示意圖。

如圖1所示，本實施例所提供的方法首先在步驟S101中對訓(xùn)練語料中的各個訓(xùn)練語句進(jìn)行解析，得到各個訓(xùn)練語句的詞向量矩陣。其中，上述訓(xùn)練語料中的各個訓(xùn)練語句均具有相應(yīng)的句類標(biāo)記。

具體的，例如，各個訓(xùn)練語句及其句類標(biāo)記可以表示為：

“我想抽煙。(陳述句)”

“我可以抽煙嗎？(疑問句)”

“請勿抽煙！(祈使句)”

“抽煙不好??！(感嘆句)”

在步驟S101中，通過對“我想抽煙”等語句進(jìn)行分詞處理，可以得到這些語句中各個語句詞。隨后對這些語句詞進(jìn)行轉(zhuǎn)換，可以得到各個語句詞的詞向量。將這些語句詞的詞向量按順序拼接，這樣也就得到了該語句的詞向量矩陣。本實施例中，各個訓(xùn)練語句的詞向量矩陣優(yōu)選地為二維矩陣。

需要指出的是，在本發(fā)明的不同實施例中，訓(xùn)練預(yù)料中所包含的帶有句類標(biāo)記的訓(xùn)練語句的數(shù)量(即訓(xùn)練樣本數(shù)量)根據(jù)實際需要可以可以不同合理值，本發(fā)明不限于此。

在得到各個訓(xùn)練語句的詞向量矩陣后，該方法便可以中利用這些訓(xùn)練語句的詞向量矩陣來對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。具體地，將訓(xùn)練語句的詞向量矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，將該訓(xùn)練語句的句子類型作為神經(jīng)網(wǎng)絡(luò)的輸出，由于各個訓(xùn)練語句的句子類型是已知的，因此也就可以實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

如圖1所示，該方法在步驟S102利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)對步驟S101中所得到的詞向量矩陣進(jìn)行計算，從而得到對話語句的預(yù)測分類值。其中，該預(yù)測分類值能夠表征該對話語句的句子類型。

在得到對話語句的預(yù)測分類值后，該方法會在步驟S103中將步驟S102中所得到的預(yù)測分類值與既有標(biāo)準(zhǔn)標(biāo)注數(shù)值(由于該對話語句的句類是已知的，因此其表征句類的標(biāo)注數(shù)值也是已知的)進(jìn)行對比，并根據(jù)對比結(jié)果調(diào)整上述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)的參數(shù)。

具體地，如圖1所示，該方法會在步驟S103中計算步驟S102中所得到的預(yù)測分類值與即由標(biāo)準(zhǔn)標(biāo)注數(shù)值之間的偏差，并在步驟S104中判斷該偏差是否超過預(yù)設(shè)閾值。如果上述偏差超過預(yù)設(shè)閾值，那么則表示此時神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)并不合理，因此該方法也就會在步驟S105中調(diào)整預(yù)設(shè)神經(jīng)功能網(wǎng)絡(luò)的參數(shù)；而如果上述偏差沒有超過預(yù)設(shè)閾值，那么則表示此時神經(jīng)網(wǎng)絡(luò)已經(jīng)能夠較好地對對話語句的語句類型進(jìn)行識別，因此也就完成了預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，從而得到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。

在得到用于語句類型的神經(jīng)網(wǎng)絡(luò)模型后，此時也就可以利用該神經(jīng)網(wǎng)絡(luò)模型進(jìn)行語句類型的識別，從而確定出各個對話語句的句子類型。

圖2示出了本實施例所提供的確定句子類型的方法的實現(xiàn)流程示意圖。

如圖2所示，本實施例所提供的方法首先在步驟S201中獲取用戶輸入的對話交互信息。需要指出的是，在本發(fā)明的不同實施例中，該方法在步驟S201中可以采用不同的合理方式來獲取用戶輸入的對話交互信息，本發(fā)明不限于此。

例如，在本發(fā)明的一個實施例中，該方法可以通過語音采集設(shè)備(例如麥克風(fēng))來獲取用戶輸入的語音信息，從而得到對話交互信息；在本發(fā)明的另一個實施例中，該方法可以通過文本采集設(shè)備(例如鍵盤)來獲取用戶輸入的文本信息。

在得到上述對話交互信息后，該方法在步驟S202中根據(jù)上述對話交互信息生成對話語句。本實施例中，根據(jù)對話交互信息生成對話語句可以指對對話信息中的無意義詞語或是句式進(jìn)行相關(guān)轉(zhuǎn)換，從而得到更加易于分析處理的數(shù)據(jù)形式。

在得到對話語句后，該方法在步驟S203中對步驟S202中所得到的對話語句進(jìn)行解析，生成該對話語句的詞向量矩陣。具體地，如圖3所示，本實施例中，在生成對話語句的詞向量矩陣時，首先在步驟S301中對該對話語句進(jìn)行分詞處理，從而得到該對話語句的語句詞。

例如，對于對話語句“請勿抽煙！”而言，通過對該對話語句進(jìn)行分詞處理，可以得到諸如“請勿”、“抽煙”以及“！”的語句詞。需要指出的是，在本發(fā)明的不同實施例中，對對話語句進(jìn)行分詞處理所使用的算法可以根據(jù)實際需要采用不同的合理算法，本發(fā)明不限于此。

在得到對話語句的語句詞后，該方法在步驟S302中將每個語句詞轉(zhuǎn)換為各自對應(yīng)的詞向量。最后，該方法會在步驟S303中將步驟S302中所得到的詞向量按順序進(jìn)行拼接，從而得到該對話語句的詞向量矩陣。其中，該詞向量矩陣優(yōu)選地為二維矩陣。

例如，根據(jù)上述在步驟S301中通過分詞處理所得到的“請勿”、“抽煙”以及“！”均會生成其各自對應(yīng)的一特征向量(即詞向量，這些詞向量的維度相同)，將這三個詞向量按照在對話語句中的順序進(jìn)行拼接，這樣也就可以得到對應(yīng)于對話語句“請勿抽煙！”的詞向量矩陣。

再次如圖2所示，在得到對話語句的詞向量矩陣后，該方法會在步驟S204中基于上述詞向量矩陣，利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型(例如利用圖1所示的方法訓(xùn)練得到的模型)確定上述對話語句的句子類型。例如，對于上述對話語句“請勿抽煙”，利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型可以得到該對話語句的句子類型為“祈使句”。

在得到上述對話語句的句子類型后，該方法會在步驟S205中根據(jù)該對話語句的句子類型，生成相應(yīng)的反饋信息并輸出。通過對對話語句的句子類型的識別，該方法使得對話系統(tǒng)能夠更加準(zhǔn)確地確定用戶的意圖，從而根據(jù)用戶的意圖來與用戶進(jìn)行更為合理以及人性化的交互。

從上述描述中可以看出，本實施例所提供的確定句子類型的方法不再像現(xiàn)有方法那樣根據(jù)寫好的識別規(guī)則來進(jìn)行語句類型的識別，而是基于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)來根據(jù)對話語句的詞向量矩陣來進(jìn)行句子類別的確定。本方法不再是僅僅根據(jù)對話語句的句末標(biāo)點(diǎn)或是對話語句中的某些關(guān)鍵詞來進(jìn)行句子類型的識別，相較于現(xiàn)有方法，其覆蓋面更廣，并且不再需要繁瑣的識別規(guī)則，提高了識別結(jié)果的準(zhǔn)確性和實現(xiàn)過程的簡便性。

本實施例還提供了一種確定句子類型的裝置，圖4示出了本實施例中該裝置的結(jié)構(gòu)示意圖。

如圖4所示，本實施例所提供的確定句子類型的裝置優(yōu)選地包括：交互信息獲取模塊401、詞向量矩陣生成模塊402、句類劃分模塊403以及交互信息輸出模塊404。其中，句類劃分模塊403利用預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型來對對話語句的句子類型進(jìn)行劃分。

而為了構(gòu)建上述神經(jīng)網(wǎng)絡(luò)模型，該裝置還包括用于對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊405。其中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊405能夠利用標(biāo)注有句子類型的對話語句來對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到能夠進(jìn)行準(zhǔn)確進(jìn)行句子類型劃分的神經(jīng)網(wǎng)絡(luò)模型。需要指出的是，本實施例中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊405對預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的實現(xiàn)原理以及實現(xiàn)過程與上述圖1所示的內(nèi)容相同，故在此不再對神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊405的相關(guān)內(nèi)容進(jìn)行贅述。

本實施例中，交互信息獲取模塊401用戶獲取用戶輸入的對話交互信息。需要指出的是，在本發(fā)明的不同實施例中，交互信息獲取模塊401可以采用不同的合理方式來獲取用戶輸入的對話交互信息，本發(fā)明不限于此。而與需要獲取的對話交互信息的不同，交互信息獲取模塊401可以采用不同的設(shè)備或器件來實現(xiàn)。例如，如果需要獲取到的對話交互信息為語音信息，那么交互信息獲取模塊401也就可以相應(yīng)地采用語音采集設(shè)備(例如麥克風(fēng))來實現(xiàn)；而如果需要獲取到的對話交互信息為文本信息，那么交互信息獲取模塊401也就可以相應(yīng)地采用文本采集設(shè)備(例如鍵盤)來實現(xiàn)。

在獲取到對話交互信息后，交互信息獲取模塊401會將獲取到的對話交互信息傳輸至詞向量矩陣生成模塊402。詞向量矩陣生成模塊402能夠根據(jù)上述對話交互信息生成對話語句，并對該對話語句進(jìn)行解析來生成該對話語句的詞向量矩陣。

具體地，本實施例中，詞向量矩陣生成模塊402根據(jù)對話交互信息生成對話語句以及生成對話語句的詞向量矩陣的具體實現(xiàn)原理以及實現(xiàn)過程與上述圖1中步驟S102以及步驟S103所闡述的內(nèi)容類似，故在此不再對詞向量矩陣生成模塊402進(jìn)行贅述。

在得到對話語句的詞向量矩陣后，詞向量矩陣生成模塊402會將上述詞向量矩陣傳輸至句類劃分模塊403，以由句類劃分模塊403利用事先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型(即預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型)來根據(jù)上述詞向量矩陣確定出相應(yīng)的句子類型，而神經(jīng)網(wǎng)絡(luò)模型所確定出的句子類型也即對話語句的句子類型。

本實施例中，句類劃分模塊403在確定出對話語句的句子類型后，會將該對話語句的句子類型傳輸至交互信息輸出模塊404。交互信息模塊404則可以根據(jù)該對話語句的句子類型，生成相應(yīng)的反饋信息并輸出。通過對對話語句的句子類型的準(zhǔn)確識別，該裝置可以使得對話系統(tǒng)能夠更加準(zhǔn)確地確定用戶的意圖，從而根據(jù)用戶的意圖來與用戶進(jìn)行更為合理以及人性化的交互。

應(yīng)該理解的是，本發(fā)明所公開的實施例不限于這里所公開的特定結(jié)構(gòu)或處理步驟，而應(yīng)當(dāng)延伸到相關(guān)領(lǐng)域的普通技術(shù)人員所理解的這些特征的等同替代。還應(yīng)當(dāng)理解的是，在此使用的術(shù)語僅用于描述特定實施例的目的，而并不意味著限制。

說明書中提到的“一個實施例”或“實施例”意指結(jié)合實施例描述的特定特征、結(jié)構(gòu)或特性包括在本發(fā)明的至少一個實施例中。因此，說明書通篇各個地方出現(xiàn)的短語“一個實施例”或“實施例”并不一定均指同一個實施例。

雖然上述示例用于說明本發(fā)明在一個或多個應(yīng)用中的原理，但對于本領(lǐng)域的技術(shù)人員來說，在不背離本發(fā)明的原理和思想的情況下，明顯可以在形式上、用法及實施的細(xì)節(jié)上作各種修改而不用付出創(chuàng)造性勞動。因此，本發(fā)明由所附的權(quán)利要求書來限定。