[发明专利]一种基于时序知识图谱的人机对话兴趣感知方法

说明书

本发明属于人机交互对话系统领域，具体涉及一种基于时序知识图谱的人机对话兴趣感知方法；该方法包括：获取用户输入内容和机器人对话库数据；根据用户输入内容和对话库数据得到至少两个候选回复；将用户输入内容和候选回复输入到采用基于时序知识图谱的人机对话兴趣感知模型中，得到用户对所有候选回复感兴趣的概率，选择概率最高的候选回复作为机器人的回复内容；本发明既考虑了人机交互过程中外部知识，又考虑了用户兴趣偏好，解决了当前人机交互系统存在机器人背景知识缺乏、用户在对话过程中兴趣度不高的问题，使人机对话更自然，具有广阔的应用前景。

技术领域

本发明属于人机交互对话系统领域，具体涉及一种基于时序知识图谱的人机对话兴趣感知方法。

背景技术

二十一世纪全球进入了移动互联网时代，科学技术的发展正在日益改变着人们的生活方式，人们的交流方式也从单一的面对面交流变得更加多元化，现如今，在众多交流方式中人机交互成为了最主要的方式。人机交互技术致力于提高人与计算机之间的协调性，使得人与机器的信息交流更加便捷和通畅。信息技术的高速发展使得人机交互技术从单次鼠标点击到多点触控、再到体感技术，一步步朝着更加自然的方向发展。随着人机交互技术的进步，类似“环境智能(Ambient Intelligence)”这类课题更多地强调用户友好性和智能交互性。为了确保更加自然的智能交互，有必要研发安全可靠的交互技术以实现人机之间更自然的沟通。

过去的几十年里有很多研究致力于模仿人人交互的模式来构建人机交互系统，此系统被称为对话系统(Spoken Dialogue Systems，SDSs)。目前，对话系统主要分为任务驱动的限定领域对话系统和无特定任务的开放领域对话系统。前者是为了完成特定任务，后者又称为聊天机器人，主要是为了纯聊天或娱乐而开发的，目的是生成有意义且前后相关的回复。近年来，随着互联网上社交数据的快速增长和深度学习技术的不断完善，数据驱动的非任务型开放域对话系统逐渐成为了研究重点，其中非任务型对话系统又可分为生成式和检索式。

基于生成式的对话系统首先收集大规模对话预料作为训练数据，基于深度神经网络构建端到端的对话模型来学习输入与回复之间的对应模式。基于检索式的对话系统首先构建一个供检索的对话语料库，将用户输入的话语视作对该索引系统的查询，从中选择一个回复。具体而言，基于检索式的对话系统根据输入的消息检索对话库返回若干个候选回复，然后通过对话与回复之间的深度匹配模型对候选回复进行重排序，进而得到一个较好的回复。现有技术中有很多基于检索式的对话系统，很多方法是利用用户的兴趣或主题进行候选回复的重新排序，从而获得与用户兴趣相关的回复。其中，一种将常识知识图谱存储在外部记忆模块的方法，其采用Tri-LSTM模型分别编码查询、回复和常识，将相关常识整合到检索式对话的匹配模型中。为了捕获用户的兴趣，一种方法采用基于潜在狄利克雷分布(LDA)的主题模型以用户输入内容为依据获取用户的潜在兴趣；一种方法从对话文本中提取内容词作为用户兴趣偏好信息，然后将其表示为四元组(谓词参数，实体，属性类别，主题)，以便从不同角度描绘用户兴趣。

人类的学习、生活、工作等经历会在大脑中存储为关联方式的信息，可以把这些信息视为个人的背景知识在现实的对话过程中，对话双方除了基本的语言知识外，还会运用与对话内容相关的背景知识，旨在回复内容上引起另一方的兴趣从而使得对话持续进行下去。上述研究成果虽然在一定程度上考虑了人机交互过程中外部知识和用户兴趣偏好两大因素，但是有的只考虑了外部知识对机器人回复准确性的影响而忽略了对话过程中用户的兴趣度，或者只考虑了从当前对话内容捕捉用户兴趣偏好而忽略了利用背景知识中丰富的信息。

综上所述，亟需一种方法能解决当前人机交互系统存在机器人背景知识缺乏、用户在对话过程中兴趣度不高的问题。

发明内容

针对现有技术存在的不足，本发明提出了一种基于时序知识图谱的人机对话兴趣感知方法，该方法包括：获取用户输入内容和机器人对话库数据；根据用户输入内容和对话库数据得到至少两个候选回复；将用户输入内容和候选回复输入到基于时序知识图谱的人机对话兴趣感知模型中，得到用户对所有候选回复感兴趣的概率，选择概率最高的候选回复作为机器人的回复内容；