[发明专利]一种智能应答方法及其系统

说明书

技术领域

本发明涉及一种智能应答方法及其系统，属于人机交互技术领域。

背景技术

目前，市场上关于物流运输业的智能应答系统存在较大的问题，最普遍的一个问题就是这些软件识别问题太过机械，识别度较低，经常会出现答非所问的情形，另外现有软件可选语言比较单一，无法满足业务辐射周边国家的物流运输需求。这些软件大部分采用的是基于字符串层面匹配的关键词匹配，即关键词和答案构建特征向量的方法，没有对用户的问题进行语义分析，问题中出现多义词的情况时软件会理解错误，最终给出了错误的答案，所以这类准确率较低，无法解决用户多种提问方式以及一个问题对应多个关键字的问题，用户体验较差。

现有技术中的搜索方式速度快、易操作但准确率却很低，无法满足物流行业真实场景下智能、准确、多次使用的需求。

发明内容

本发明为解决现有技术中存在的不足，提出一种智能应答方法及其系统，本发明针对物流行业用户经常问的问题，采用语义分析技术处理用户物流问题并对用户提出的问题设置针对性的答案，形成物流问题答案字典，该方案解决了现有技术中大多采用基于字符串层面匹配的关键词匹配并且答案是直接到互联网中进行搜索出现的问题，以改善现有技术中软件在自动应答时准确率较低，无法满足用户多种提问方式用户体验较差以及用户可选择语言单一的问题。

为了解决上述技术问题，本发明提供了一种智能应答方法，包括以下步骤：

步骤1、建立物流问题字典，为物流问题设置答案并记录在物流问题字典中；

步骤2、将用户提出的未知物流问题与所述物流问题字典中的物流问题进行模糊匹配，若两者相似度超过预设阈值，则录入物流问题字典中物流问题所对应的答案；否则，将所述未知问题加入物流问题字典中并设置该未知物流问题对应的答案；

步骤3、给用户输出相应答案；

其中，所述步骤1包括以下步骤：

步骤101、收集用户提出的物流相关问题并进行语音转换；

步骤102、将语音转换后的物流问题进行分词和词性标注、预处理、语义分析后录入物流问题字典中；

步骤103、为录入物流问题字典中的物流问题设置答案；

其中，步骤102中的预处理包括：采用停用词表去除分词后跟物流行业问题无关的词语。

进一步的，在步骤3之前还包括重复步骤2，完善物流问题字典并建立多语种；根

据用户选择的目标语种语音为用户输出相应答案。

进一步的，步骤102中，所述语义分析包括：

a.构造词类模型，将所述物流问题字典中的词语表示在词类模型空间上；

b.使用文本聚类算法对物流问题字典进行文本聚类，将物流问题字典进行分类。

其中，步骤a中的构造词类模型包括：词义消歧和词义聚类，采用Bayes模型进行词义消歧，采用Bisecting K-means聚类算法进行词义聚类。

进一步的，文本聚类算法采用基于K-means聚类算法，主要步骤包括：

步骤1、随机选取k条物流问题字典生成k个聚类，所述k条物流问题字典分别对应k个聚类的聚类起始中心点为{u₁,u₂,u₃,...,u_k}；

步骤2、采用NIST标准计算每条物流问题字典与每个聚类起始中心点对应问题文本的相似度，根据与聚类起始中心点的问题文本的相似程度将其分配到最近的一类中，获得新的聚类结果{U₁,U₂,U₃,...,U_k}，其中U_i(1≤i≤k)是若干物流问题字典的集合；

步骤3、重新计算每个U_i(1≤i≤k)的中心

其中，m是所述集合U_i(1≤i≤k)中数据的总数，c_j是指U_i(1≤i≤k)中第j个数据；

步骤4、当下面的目标函数收敛时，终止迭代，否则重复步骤2和步骤3，判断是否终止迭代的目标函数表示为：

其中，E函数代表某一条物流问题字典所属类别到其聚类起始中心点的距离平方和。

进一步的，步骤2中的模糊匹配，通过相似度计算来将用户提出的未知物流问题与录入物流问题字典中处理后的物流问题关联，相似度计算采用Shingle算法、距离编辑算法、余弦定理、Sunday算法中的任一种。

本发明还公开了一种智能应答系统，包括：