[发明专利]一种自然语言语义推理方法

说明书

本发明公开一种自然语言语义推理方法，本方法融合证据推理和深度学习的语义推理方法，根据不同的应用场景，采取不同的融合策略融合两种不同的信息，实现更精确、客户体验更好的语义推理。可有效的避免两类方法各自的缺点并保留其各自的优点，实现更精确的语义推理，对客户的反馈更为准确自然，实现更好的客户体验。

技术领域

本发明涉及人工智能领域，尤其涉及人工智能自然语言语义推理与机器人对话领域，具体的说，是一种自然语言语义推理方法。

背景技术

机器人语义推理可以理解客户的提问，通过特定方式给出合理反馈，是对话系统的核心环节。语义推理首先确定用户意图并提取实体信息，其次根据意图信息和实体信息推理出最合理的答案。当下主要的语义推理方法主要包括两种方法：证据推理和深度学习。

证据推理首先通过索引系统，从海量数据库中定位候选答案，再通过简单的模糊匹配或复杂的Learning to Rank等算法进行排序并得到最适配答案。在语义理解未取得重大突破的大环境下，此种方法以其便于维护、训练简单、答案可调整优化等优点成为商业对话系统的首选方案。证据推理方法的缺点一是需要尽可能穷尽自然语言条件下的各类句式或问法，二是对于知识库内未收录的问题或情形，无法给出答案。

深度学习方法将语言符号映射到向量空间，通过向量表征语义。此方法通过大量数据的训练学习，形成稳定的输入问句向量与输出答句向量的映射关系，形成具有较好泛化能力的推理系统。具体应用时，将用户问句首先转化为问句向量，经过神经网络层层计算，得到答句向量，将答句向量映射为文字，形成最终的答句反馈给用户。此种方法的最大优势是具有较强的理解能力，能够回答知识库中不存在的知识，并对同一问题各类不同的问法具有很强的泛化能力。比如知识库中没有“你确实很帅”这类知识，证据推理自然无法得到答案，深度学习方法经过推理可给出“你也是哈”此类的答案。此方法的缺点是给出的答案不易控制，容易出现出人意料的答案，且答句容易出现语法错误。因此此类方法在商业系统中应用尚不成熟，多以学术研究为主。

考虑到证据推理与深度学习的各自的优缺点，同时考虑具体应用业务，本发明提出了融合证据推理和深度学习的语义推理方法。此发明最大优势是可有效的避免两类方法各自的缺点并保留其各自的优点，实现更精确的语义推理，对客户的反馈更为准确自然，实现更好的客户体验。

发明内容

本发明要解决的技术问题是提供一种自然语言语义推理方法，融合证据推理和深度学习的语义推理方法，根据不同的应用场景，采取不同的融合策略融合两种不同的信息，实现更精确、客户体验更好的语义推理。

为了解决所述技术问题，本发明采用的技术方案是：一种自然语言语义推理方法，包括以下步骤：

S01）、接收用户输入的对话语句，语句经过分词并计算用户意图信息和实体信息集合；

S02）、根据得到的用户意图信息和实体信息集合，通过索引系统，从海量数据库中定位候选答案集合；

S03）、对候选答案集合使用排序算法按照关联度进行排序，得到前N位最佳答案集和置信度集，其中N≥1，置信度集记录了对应答案的可信度；

S04）、将客户对话信息及证据推理过程中得到的中间结果组合形成深度学习框架的输入文字集，将文字集映射到问题向量空间，经过深度学习系统输出答案向量，并将答案向量空间映射到文字空间，最后将此文字片段集合进过语法检查修正，组合成唯一答案，同时得到深度学习系统输出的答案置信度；

S05）、将深度学习系统得到的唯一答案与知识库答案集逐一匹配，选择与其语义最相近的答案，添加到证据推理得到的最佳答案集中；

S06）、将证据推理最佳答案集和深度学习答案通过决策融合算法得到最终反馈信息。