華為提高人機(jī)自然對(duì)話(huà)的準(zhǔn)確性專(zhuān)利

華為的該項(xiàng)專(zhuān)利用于人機(jī)對(duì)話(huà)的方法，具體通過(guò)將自然語(yǔ)言問(wèn)題和知識(shí)庫(kù)向量化，然后向量計(jì)算得到基于知識(shí)庫(kù)的回答，提高了人機(jī)對(duì)話(huà)中自然語(yǔ)言答案的準(zhǔn)確性。

隨著互聯(lián)網(wǎng)和智能終端的快速發(fā)展，人機(jī)對(duì)話(huà)的應(yīng)用越來(lái)越廣泛?，F(xiàn)在，許多互聯(lián)網(wǎng)公司都各自的推出了智能助手，如Apple Siri、Google Now、微軟小娜(Microsoft Cortana)、Facebook M、百度度秘和微軟小冰等等，這些智能助手能夠與人進(jìn)行簡(jiǎn)單的對(duì)話(huà)，并且完成一些基本的任務(wù)，但是現(xiàn)有的智能助手存在只考慮自動(dòng)問(wèn)答，對(duì)話(huà)中問(wèn)題的回復(fù)的準(zhǔn)確率較低。因此，智能助手的相關(guān)技術(shù)還需要不斷發(fā)展和改進(jìn)，朝著更加擬人化、博學(xué)化和智能化的方向發(fā)展。

華為在2015年底提供了一種用于人機(jī)對(duì)話(huà)的方法、神經(jīng)網(wǎng)絡(luò)系統(tǒng)和用戶(hù)設(shè)備，這種方法可以將對(duì)話(huà)和基于知識(shí)庫(kù)的問(wèn)答相結(jié)合，能夠與用戶(hù)進(jìn)行自然語(yǔ)言交互，并且依據(jù)知識(shí)庫(kù)給出基于事實(shí)的正確的自然語(yǔ)言答案。

圖1

圖1為該專(zhuān)利提供的用于人機(jī)對(duì)話(huà)的方法，其中，

在步驟S310中，自然語(yǔ)言問(wèn)題可以是用戶(hù)通過(guò)麥克風(fēng)等進(jìn)行語(yǔ)音輸入，也可以通過(guò)鍵盤(pán)、鼠標(biāo)等進(jìn)行文字或圖形的輸入，還可以是其它的一些輸入形式，系統(tǒng)根據(jù)用戶(hù)輸入的自然語(yǔ)言問(wèn)題能夠轉(zhuǎn)化為序列即可。

步驟S320，將自然語(yǔ)言轉(zhuǎn)化為問(wèn)題向量?？梢詫⒆匀徽Z(yǔ)言問(wèn)題作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的第一神經(jīng)網(wǎng)絡(luò)模塊的輸入，計(jì)算獲得該自然語(yǔ)言問(wèn)題對(duì)應(yīng)的問(wèn)題向量。

步驟S330的目的是獲取與前述自然語(yǔ)言問(wèn)題相關(guān)的答案。以知識(shí)答案為三元組為例，則是獲得與自然語(yǔ)言問(wèn)題相關(guān)的至少一個(gè)三元組，其中，至少一個(gè)三元組與至少一個(gè)三 元組向量對(duì)應(yīng)。

步驟340的作用是計(jì)算問(wèn)題向量與至少一個(gè)三元組中每個(gè)三元組的三元組向量表示的相似度，然后輸出以相似度作為元素的中間結(jié)果向量，以此來(lái)指示問(wèn)題向量與答案向量的相似度。

步驟350的作用則是將問(wèn)題向量和中間結(jié)果向量作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的第三神經(jīng)網(wǎng)絡(luò)模塊的輸入，將問(wèn)題向量和中間結(jié)果向量進(jìn)行綜合，計(jì)算獲得自然語(yǔ)言問(wèn)題的自然語(yǔ)言答案。

下圖為該專(zhuān)利提供的具有人機(jī)對(duì)話(huà)功能的用戶(hù)設(shè)備的結(jié)構(gòu)圖，包括處理器510、輸入設(shè)備520、存儲(chǔ)器530和輸出設(shè)備540，各組件通過(guò)總線(xiàn)系統(tǒng)550耦合在一起。

圖2

輸入設(shè)備520用于獲取用戶(hù)輸入的自然語(yǔ)言問(wèn)題，存儲(chǔ)器530用于存儲(chǔ)由處理器510執(zhí)行的指令。該處理器具有多種功能：

1.將問(wèn)題向量和至少一個(gè)知識(shí)答案向量作為輸入，計(jì)算問(wèn)題向量與每個(gè)知識(shí)答案向量的相似度；

2.知識(shí)答案向量為三元組向量時(shí)，將三元組的主語(yǔ)、謂語(yǔ)和賓語(yǔ)分別用第一獨(dú)熱向量、第二獨(dú)熱向量和第三獨(dú)熱向量表示；

3.將自然語(yǔ)言問(wèn)題作為輸入，將自然語(yǔ)言問(wèn)題的詞序列表示為低維向量序列；

將問(wèn)題向量和中間結(jié)果向量作為輸入，計(jì)算以問(wèn)題向量和中間結(jié)果向量作為條件的輸出序列的聯(lián)合概率，生成自然語(yǔ)言答案；

4.將問(wèn)題向量和中間結(jié)果向量作為輸入，通過(guò)遞歸神經(jīng)網(wǎng)絡(luò)模型，計(jì)算輸出序列的概率，生成自然語(yǔ)言答案。

該專(zhuān)利提供的用于人機(jī)對(duì)話(huà)的方法通過(guò)將自然語(yǔ)言問(wèn)題和知識(shí)庫(kù)向量化，通過(guò)向量計(jì)算得到基于知識(shí)庫(kù)的，表示自然語(yǔ)言問(wèn)題和知識(shí)庫(kù)答案相似度的中間結(jié)果向量，再根據(jù)問(wèn)題向量和中間結(jié)果向量計(jì)算得到基于事實(shí)的正確的自然語(yǔ)言答案。該方法固然滿(mǎn)足不了用戶(hù)100%的滿(mǎn)意度，但他提高了人機(jī)對(duì)話(huà)中自然語(yǔ)言答案的準(zhǔn)確性。