用于智能语音机器人的语义识别方法、装置及电子设备制造方法及图纸

本公开涉及一种用于智能语音机器人的语义识别方法、装置、电子设备及计算机可读介质。该方法包括：获取来自用户的语音信息；在所述语音信息满足预设策略时，将所述语音信息输入增强学习模型中，并设定所述增强学习模型的奖励参数；所述增强学习模型对所述语音信息进行计算生成至少一个简化文本；基于所述至少一个简化文本对所述语音信息进行语义识别。本公开涉及的用于智能语音机器人的语义识别方法、装置、电子设备及计算机可读介质，能够在用户的语音信息中包含复杂句式和长句的情况下，也能快速准确的对用户的语义进行识别和分析，进而更好地为用户提供智能机器人的语音交互服务。

【技术实现步骤摘要】
用于智能语音机器人的语义识别方法、装置及电子设备
本公开涉及计算机信息处理领域，具体而言，涉及一种用于智能语音机器人的语义识别方法、装置、电子设备及计算机可读介质。
技术介绍
随着近年定义和产业分工越发精细，语音识别渐渐分成了语音识别和语义识别两个支系。语音和语义虽然只有一字之差，但却是天壤之别。语音识别相当于人的耳朵，而语义识别则是大脑，语音识别能够帮助智能机器人获取信息，而语义识别则是对这些信息进行加工以帮助智能机器人分析进而输出信息以进行人机交互。其中，语义识别是自然语言处理(NLP)技术的重要组成部分之一，语义识别的核心除了理解文本词汇的含义，还要理解这个词语在语句、篇章中所代表的意思，这意味着语义识别从技术上要做到：文本、词汇、句法、词法、篇章(段落)层面的语义分析和歧义消除，以及对应的含义重组，以达到识别本身的目的。可包括以语言学、计算机语言等学科为背景的，对自然语言进行词语解析、信息抽取、时间因果、情绪判断等等技术处理，最终达到让计算机“懂”人类的语言的自然语言认知，以及把计算机数据转化为自然语言的自然语言生成。但是，由于人类说话的方式千差万别，目前语义识别只能对较为简单的短句进行分析处理，面对长句或者包含多个层次含义的复杂句式，语义识别的结果常常不尽人意。在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本公开提供一种用于智能语音机器人的语义识别方法、装置、电子设备及计算机可读介质，能够在用户的语音信息中包含复杂句式和长句的情况下，也能快速准确的对用户的语义进行识别和分析，进而更好地为用户提供智能机器人的语音交互服务。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一方面，提出一种用于智能语音机器人的语义识别方法，该方法包括：获取来自用户的语音信息；在所述语音信息满足预设策略时，将所述语音信息输入增强学习模型中，并设定所述增强学习模型的奖励参数；所述增强学习模型对所述语音信息进行计算生成至少一个简化文本；基于所述至少一个简化文本对所述语音信息进行语义识别。可选地，还包括：根据语义识别的结果生成返回信息；所述智能语音机器人基于所述返回信息与所述用户进行语音交互。可选地，在所述语音信息满足预设策略时，包括：实时对所述语音信息进行文字识别；在文字识别结果中文字数量大于阈值时，确定所述语音信息满足预设策略。可选地，将所述语音信息输入增强学习模型中，包括：将所述语音信息进行语音识别，生成原文本信息；将所述原文本信息输入所述增强学习模型中。可选地，所述增强学习模型的奖励参数，包括：文本的流畅度，文本的相似性，文本的信息熵。可选地，所述增强学习模型对所述语音信息进行计算生成至少一个简化文本，包括：所述增强学习模型对所述原文本信息中的文字进行分句处理以生成至少一个简化文本；和/或所述增强学习模型对所述原文本信息中的文字进行换词处理以生成所述至少一个简化文本。可选地，所述增强学习模型对所述语音信息进行计算生成至少一个简化文本，包括：所述增强学习模型基于所述原文本信息确定初始状态；基于所述初始状态，增强学习模型随机选择动作方向进行计算；根据计算结果确定奖励参数；根据所述奖励参数确定计算方向以生成所述至少一个简化文本。可选地，根据计算结果确定奖励参数，包括：根据计算结果生成当前文本的流畅度、和当前文本的信息熵；将所述当前文本和所述原文本信息进行比较生成原本文信息与当前文本的相似性；根据所述前文本的流畅度，所述当前文本的信息熵，原文本信息与当前文本的相似性确定当前奖励参数。可选地，根据计算结果生成当前文本的流畅度，包括：通过solr算法和/或BLEU算法确定所述当前文本的流畅度。可选地，根据所述奖励参数确定计算方向以生成所述至少一个简化文本，包括：在所述奖励参数大于等于阈值时，确定计算方向为第一方向；在所述奖励参数小于阈值时，确定计算方向为第二方向；所述增强学习模型基于第一方向或第二方向继续进行计算以生成所述至少一个简化文本。根据本公开的一方面，提出一种用于智能语音机器人的语义识别装置，该装置包括：语音模块，用于获取来自用户的语音信息；策略模块，用于在所述语音信息满足预设策略时，将所述语音信息输入增强学习模型中，并设定所述增强学习模型的奖励参数；计算模块，用于所述增强学习模型对所述语音信息进行计算生成至少一个简化文本；识别模块，用于基于所述至少一个简化文本对所述语音信息进行语义识别。可选地，还包括：交互模块，用于根据语义识别的结果生成返回信息；所述智能语音机器人基于所述返回信息与所述用户进行语音交互。可选地，所述策略模块，包括：判断单元，用于实时对所述语音信息进行文字识别；在文字识别结果中文字数量大于阈值时，确定所述语音信息满足预设策略。可选地，所述策略模块，包括：输入单元，用于将所述语音信息进行语音识别，生成原文本信息；将所述原文本信息输入所述增强学习模型中。可选地，所述增强学习模型的奖励参数，包括：文本的流畅度，文本的相似性，文本的信息熵。可选地，所述计算模块，包括：分句单元，用于所述增强学习模型对所述原文本信息中的文字进行分句处理以生成至少一个简化文本；和/或换词单元，用于所述增强学习模型对所述原文本信息中的文字进行换词处理以生成所述至少一个简化文本。可选地，所述计算模块，还包括：初始单元，用于所述增强学习模型基于所述原文本信息确定初始状态；动作单元，用于基于所述初始状态，增强学习模型随机选择动作方向进行计算；奖励单元，用于根据计算结果确定奖励参数；简化单元，用于根据所述奖励参数确定计算方向以生成所述至少一个简化文本。可选地，所述奖励单元，还用于根据计算结果生成当前文本的流畅度、和当前文本的信息熵；将所述当前文本和所述原文本信息进行比较生成原本文信息与当前文本的相似性；根据所述前文本的流畅度，所述当前文本的信息熵，原文本信息与当前文本的相似性确定当前奖励参数。可选地，所述奖励单元，还用于通过solr算法和/或BLEU算法确定所述当前文本的流畅度。可选地，所述简化单元，还用于在所述奖励参数大于等于阈值时，确定计算方向为第一方向；在所述奖励参数小于阈值时，确定计算方向为第二方向；所述增强学习模型基于第一方向或第二方向继续进行计算以生成所述至少一个简化文本。根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。根据本公开的用于智能语音机器人的语义识别方法、装置、电子设备及计算机可读介质，获取来自用户的语音信息；在所述语音信息满足预设策略时，将所述语音信息本文档来自技高网...

【技术保护点】
1.一种用于智能语音机器人的语义识别方法，其特征在于，包括：/n获取来自用户的语音信息；/n在所述语音信息满足预设策略时，将所述语音信息输入增强学习模型中，并设定所述增强学习模型的奖励参数；/n所述增强学习模型对所述语音信息进行计算生成至少一个简化文本；/n基于所述至少一个简化文本对所述语音信息进行语义识别。/n

【技术特征摘要】
1.一种用于智能语音机器人的语义识别方法，其特征在于，包括：
获取来自用户的语音信息；
在所述语音信息满足预设策略时，将所述语音信息输入增强学习模型中，并设定所述增强学习模型的奖励参数；
所述增强学习模型对所述语音信息进行计算生成至少一个简化文本；
基于所述至少一个简化文本对所述语音信息进行语义识别。


2.如权利要求1所述的方法，其特征在于，还包括：
根据语义识别的结果生成返回信息；
所述智能语音机器人基于所述返回信息与所述用户进行语音交互。


3.如权利要求1-2中任一所述的方法，其特征在于，在所述语音信息满足预设策略时，包括：
实时对所述语音信息进行文字识别；
在文字识别结果中文字数量大于阈值时，确定所述语音信息满足预设策略。


4.如权利要求1-3中任一所述的方法，其特征在于，将所述语音信息输入增强学习模型中，包括：
将所述语音信息进行语音识别，生成原文本信息；
将所述原文本信息输入所述增强学习模型中。


5.如权利要求1-4中任一所述的方法，其特征在于，所述增强学习模型的奖励参数，包括：
文本的流畅度，文本的相似性，文本的信息熵。


6.如权利要求1-5中任一所述的方法，其特征在于，所述增强学习模型对所述语音信息进行计算生成至少一个简化文本，包括：
所述增强学习模型对所述原文本信息中的文...

【专利技术属性】
技术研发人员：张常睿，刘宗全，张家兴，
申请(专利权)人：北京奇保信安科技有限公司，
类型：发明
国别省市：北京;11