[发明专利]一种采用自然语言的分布式智能交互的实现方法及其系统

说明书

本发明涉及一种智能交互的技术领域，揭露了一种采用自然语言的分布式智能交互的实现方法，包括：接收用户语音信号，并对用户语音进行预加重、加窗分帧处理；利用基于逐级分段的VAD检测方法对用户语音信号中的噪音以及静音帧进行检测；利用WF‑MFCC算法对上述经过预处理的用户语音信号进行特征提取，得到用户语音信号的WF‑MFCC特征；利用结合权重和self‑attention机制的LSTM模型对WF‑MFCC特征进行提取，得到用户语义特征；利用基于信息权重的编码‑解码过程对用户语义特征进行编码、解码处理；利用基于用户信息的注意力调整过程实现自然语言的交互式生成。本发明还提出一种采用自然语言的分布式智能交互的系统。本发明实现了基于自然语言的智能交互。

技术领域

本发明涉及智能交互的技术领域，尤其涉及一种采用自然语言的分布式智能交互的实现方法及其系统。

背景技术

随着人机交互技术的不断进步，以互联网技术为代表的信息技术的发展，使得基于对话的交互技术日益受到更广泛的重视和使用。人们在互联网中获取和生活工作息息相关的大量信息，而语言是信息中最直接的一种，如何从众多的语言信息中将合适和重要的信息进行反馈显得尤为重要。人机交互作为信息时代对人类生产生活具有重大影响的基础技术，受到广泛重视。

传统的采用自然语言的智能交互策略主要有两种：基于语言学规则的方法和基于检索的方法。但是随着应用场景的不断复杂化以及用户对于交互体验要求的不断提高，基于规则匹配的方法无法实时进行。而基于检索的聊天机器人虽然可以保证回复语句的语法合理性和语句流畅性，但却受限于训练数据中内容的丰富程度，如果用户需要的回复不在对话数据库之中，对话系统则无法给出较满意的答复。

现有深度学习方法主要采用端到端的自动语音识别模型对用户语音进行识别，然后利用传统的采用自然语言的智能交互策略进行交互，但现有的自动语音识别模型却存在以下问题，一方面，CTC语音识别模型对输出单元之间作了相互独立性假设，但事实上这对上下文紧密相关的语音识别是并不合理的，另一方面，基于注意力机制的语音识别模型将不规则的输入输出进行灵活对齐，但是通常语音识别却具有严格单调对应的输入输出，因此有可能使识别结果包含删除和插入的错误。且现有语言生成模型主要采用编码器－解码器结构对输入语料进行训练，由于缺乏外部知识，该模型只能从来自不同人生产的社交语料库中学习己有的信息，而现有的解码模型总是选择概率更大的词语作为输出，即使这些词语可能存在语义错误或者前后不一致的问题。因此当前的很多端到端的语言生成模型无法提供包含个人特征且有信息量的连贯回复。

鉴于此，在对用户语音进行准确识别的同时，如何根据用户语音识别结果，结合识别结果的上下文，进行流畅且信息丰富的回复，实现智能交互，成为本领域技术人员亟待解决的问题。

发明内容

本发明提供一种采用自然语言的分布式智能交互的实现方法及其系统，在对用户语音进行准确识别的同时，如何根据用户语音识别结果，结合识别结果的上下文，进行流畅且信息丰富的回复。

为实现上述目的，本发明提供的一种采用自然语言的分布式智能交互的实现方法，包括：

接收用户语音信号，并对用户语音进行预加重、加窗分帧处理；

利用基于逐级分段的VAD检测方法对用户语音信号中的噪音以及静音帧进行检测；

利用WF-MFCC算法对上述经过预处理的用户语音信号进行特征提取，得到用户语音信号的WF-MFCC特征；

利用结合权重和self-attention机制的LSTM模型对WF-MFCC特征进行提取，得到用户语义特征；

利用基于信息权重的编码-解码过程对用户语义特征进行编码、解码处理；

利用基于用户信息的注意力调整过程实现自然语言的交互式生成。

可选地，所述对用户语音进行预加重、加窗分帧处理，包括：