[发明专利]一种多轮对话智能语音交互系统及装置

说明书

一种多轮对话智能语音交互系统及装置，系统包括混合式语义理解模块、语义理解自适应模块和自动对话管理模块，语音输入经语音识别后转化为文本输入混合式语义理解模块，理解用户意图与提取相应状态信息，自动对话管理模块基于用户意图，引导对话过程，输出对话文本并转换为语音输出，实现对话，语义理解自适应模块用于混合式语义理解模块的优化学习。本发明整合语音识别、自然语言理解、自然语言生成、语音合成、对话管理等多个模块，形成了一整套易扩展、可配置、可应用于任意场景的多轮对话智能语音交互系统。

技术领域

本发明属于计算机技术领域，涉及自然语言处理和人工智能领域，为一种多轮对话智能语音交互系统。

背景技术

如何让计算机理解人类语言一直以来都是人工智能、自然语言处理的热门研究方向，也是现代人工智能领域要解决的核心问题之一。在语音识别、图像识别技术应用日趋成熟的当下，深度学习技术虽然在语义理解领域的研究热度很高，但是真正的口语对话的人工智能产品仍然寥寥。市面上常见的语音机器人，多是语音助手型机器人，往往基于关键词语匹配，能识别理解的内容不仅十分简单，而且很难做到连续多轮交互，常常答非所问

下面介绍现有技术的几种智能语音交互方案。

(一)现有技术方案一：语音识别ASR+文本匹配

语音识别加文本匹配是实现智能语音交互系统最传统的方式，这种方式由于其易于实现、对数据依赖程度低等优点常应用于传统的呼叫中心。文本匹配常常采用，精确匹配，如判断字符串相等，或者模糊匹配，如利用正则表达式进行通配等方式，从语音识别的文字中提取“关键字”，并对“关键字”进行指令分配，从而达到口语理解的目的。

然而，这类方案存在以下问题：1)语音识别的准确率与对话领域紧密关联，而训练特定领域的语音识别系统又存在成本过高的问题，2)口语对话与文本对话不同，一句话中常常会出现多个意图，甚至前后矛盾的意图，3)当交互的内容变得复杂时，人为编写的匹配语法会快速增加到难以维护的程度，并且常常出现匹配语法间的冲突，因此这类语音交互系统的语义识别准确率受到很大限制。

(二)现有技术方案二：语音识别ASR+意图识别+语义槽

意图识别加语义槽提取也是一种常见的智能语音交互方式，提前采集对话文本数据，将文本数据进行标注与分类，例如：

将“明天北京天气怎么样？”标注为“明天/TIME北京/LOC天气/INT怎么样/B”，并在大量标注数据上，训练分类模型进行意图识别，常见的意图识别模型有SVM模型或CNN、RNN等深度学习模型；并根据意图进行语义槽的提取，常见的语义槽提取有语法分析、命名实体抽取和序列到序列模型等方式。如上例所示，意图为“查天气”，可提取的语义槽包括“时间(TIME)”、“地点(LOC)”两个因素。这类意图识别加语义槽提取的方式，一定程度上增加了语义识别的准确率和机器人的多轮对话能力。然而，这种方式1)依赖大量的人工标注数据，标注数据的质量与数量决定了最终交互的质量，人工标注数据往往耗时漫长，很难在短时间内完成；2)只能实现简单的1-2轮语言交互，交互的内容也受限于语义槽的内容。因此，这种方案会受限于其拓展的速度能力，往往只能应用于十分成熟并且槽值定义明确的业务场景，很难适应内容快速发展变化的场景需求。

(三)现有技术方案三：语音识别ASR+序列到序列学习Seq2Seq+文本到语音TTS

语音识别、序列模型加语音合成的方式，也就是所谓的端到端模型，通过互联网产生的大量的文本数据，使用深度学习中的Seq2Seq模型，由输入文本直接预测输出文本内容，通过语音合成，将文本转换成语音进行输出。