[发明专利]一种人机交互中自然语言意图理解方法

说明书

本发明公开了一种人机交互中自然语言意图理解的方法，首先对文本自然语言指令数据进行意图标注，将每句文本标注一个意图；然后将文本向量化，这里在传统的文本向量空间模型的基础上，融合了文本指令的词性信息，定义了一种新的文本表示模型——词性向量空间模型；然后，将堆栈式去噪自编码器应用于自然语言指令意图理解，提取指令的高阶特征；最后，用支持向量机进行训练和预测，实现自然语言指令的意图理解。本发明能够挖掘自然语言指令中更多的语义信息，提高意图理解的识别率，还采用了堆栈式去噪自编码器，在训练时加入随机噪声，更贴近实际应用场景，使得训练得到的模型具有更强的泛化能力。

技术领域

本发明涉及人机交互技术领域，具体地说是人机交互中，机器对人说出的自然语言进行意图理解的方法，可广泛应用于服务机器人、智能家居、智能家电、语音导航等领域中人机交互语音控制指令的理解。

背景技术

随着社会经济的发展，对于机器的需求日益加大，其应用范围也越来越广泛。高效、友好的人机交互是影响其广泛应用的非常重要的一个环节。在实际应用中，交互方式多种多样，主要包括：触控交互、体感交互、语音交互等。在诸多交互方式当中，通过语音，尤其是使用自然语言与机器进行交互是最直接、最便捷的方式。特别是对于老龄用户以及其他肢体活动不方便的用户，基于自然语言的语音交互技术显得尤为重要。它的实现主要依靠语音识别、语音合成与语义理解等技术。语音识别和语音合成技术已经相对比较成熟，语义理解技术则依旧存在着许多难点。一般基于自然语言的语音交互系统框架图如图1所示，本发明即应用于意图理解模块。

传统的语音交互系统中，系统只能对特定的用户指令进行响应，即对用户指令与数据库中指令进行简单的匹配。用户需要对系统实现进行较长时间的学习，学习成本过高，用户体验也大打折扣，这严重影响了该技术的推广。近年来也出现了一些基于自然语言的语音交互系统，如基于语法的自然语言理解，虽然可以实现语义理解的功能，但是口语当中很多时候是很不规则，甚至不符合语法的，这将导致识别失败或错误。同时，基于语法的自然语言理解还难以推广到其他应用中，一旦按照特定场景设置好之后，就很难对其进行拓展。

经过对现有技术文献的检索发现，发明专利(公告号：102968409A)是一种智能人机交互语义分析方法，通过一种智能化的语义网络对用户输入的语音信号进行语义匹配，其主要是通过一些预设的语义关系库和句型关系模板等，对语义分析的内容进行语义匹配，对用户使用的语言有较高限制，一旦出现没有经过预设的指令，则很难识别。发明专利(公告号:104360994A)是一种自然语言理解方法及系统，该方法通过预先构建排序模型，利用机器学习的方法学习出参数权重，实现基于统计的排序方法，对多场景语义解析结果与用户输入的自然语言之间的相关度进行排序。这里采用的方法是Ranking SVM(基于支持向量机的排序学习算法)，通过对文本提取特征向量，然后采用线性核的SVM。该方法的不足在于：容易受噪声干扰，且容易产生过拟合。

发明内容

本发明针对现有技术的不足和缺陷，提出了一种人机交互中自然语言意图理解方法，能有效对自然语言指令进行意图理解，从而实现友好的语音人机交互。针对口语中语句短小、经常不符合语法规范等特点，提出了一种新的量化模型，可以深入地挖掘其中的语义信息。同时引入了一种主动去噪的压缩感知方法，提取高阶特征，提高了系统泛化能力。

本发明是通过以下技术方案实现的：

一种人机交互中自然语言意图理解方法，其特点在于，包括训练阶段和预测阶段，具体步骤如下：

步骤1、建立指令体系数据库：根据对话应用场景，将对话的逻辑以及顺序以树形结构排列，树伸展

的方向为对话进行的顺序，树的结点为一个意图；

步骤2、对文本自然语言指令数据进行意图标注，将每句训练数据标注一个意图；

步骤3、将文本自然语言指令数据向量化，构建词性向量空间模型；