【技术实现步骤摘要】
一种基于知识图谱的多方人机交互回复拟人化方法
[0001]本专利技术属于人机交互领域，涉及一种基于知识图谱的多方人机交互回复拟人化方法。
技术介绍
[0002]早期的人机多方对话系统侧重于利用手工规则和模板来帮助机器人进行学习，通过人工总结的语义分析规则模板来识别用户的意图，比如基于概率和规则的多方对话管理的一款游戏机器人，其主要使用预设的对话模板来生成合适回复，以及基于手工规则的一款社交机器人，通过对话轮转换的控制使机器人参与多方对话。但其大多体验效果不佳、领域迁移性差，无法满足实际的娱乐和商业需求。得益于深度学习技术的飞速发展，最近的研究重点是通过深度学习的技术加快机器人的智能化学习，实现机器人在说话人识别、听话人识别和内容回复方面的智能化。在说话人识别的研究上，通过对AMI和MPR两个数据集的分析，依据相关性的特征选择进行转向变化和下一个说话人的预测。在听话人识别的研究上，通过对将对话语句和说话人的状态进行编码，学习对话语句和用户的交互表示，从而对听话人进行显示地识别；在内容回复的研究上，一种是通过图谱结构建模多方参与...
【技术保护点】
【技术特征摘要】
1.一种基于知识图谱的多方人机交互回复拟人化方法，其特征在于：该方法包括以下步骤：S1：多方人机交互情感状态评估；S2：知识图谱水波纹传播；所述S1具体为：使用心理学中NRC_VAD情感字典，进行情感的量化与计算，结合VAD情感的具体含义和TF
‑
IDF技术，计算对话语句的整体情感嵌入，公式如下：其中，是单词的情感嵌入，和分别为句子u中第i个单词的TF值和IDF值，TF用于表示某个单词在某一方对话中出现的频率，当出现的频率越高说明该单词对于某一方的重要性越高；IDF衡量某个单词在所有多方人机对话中出现的概率，如果一个单词出现在所有多方人机对话中，那么这个单词不重要；和的计算公式分别如式(2)和式(3)所示：其中，c(u
i
)为单词u
i
在某一方对话中的词频，s
u
是某一方的对话内容长度；其中，D是训练数据集中所有输入和回复句子的总和，n(u
i
)表示所有输入和回复句子中包含单词u
i
的句子总数；一个积极的输入往往能产生一个积极的回复，使得多方人机交互状态更加积极；而一个消极的输入往往能产生一个消极的回复，使得多方人机交互状态更加消极，这一对话过程符合人与人实际交流的心理过程；基于以上心理过程，度量回复与输入的V值情感是否相近，公式如下：其中，A
x
表示机器人回复语句中的情感值，A
y
表示多方对话输入的情感值，下标1表示曼哈顿距离；当输入与回复都具备很强的主导欲望时，多方中的主导者和机器人就会产生冲突，输入与回复间的A值和D值的距离则越大越好；度量回复与输入的A值和D值是否远离，分别如式(5)和式(6)所示：式(5)和式(6)所示：结合公式(4)，公式(5)和公式(6)，定义机器人候选回复的最终情感分数，公式如下：R
e
＝R
v
+R
A
+R
D
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)将其进行归一化，定义机器人候选回复的情感友好度为：
其中，R
min
和R
max
是候选回复中情感分数的最小值和最大值；所述S2为：首先，对多方对话内容进行话题实体抽取，将其映射到知识图谱上，激活相关的知识实体，将这些知识实体看作用户的兴趣种子集合；其次，基于水波纹传播思想，沿着知识图谱中的链接向外不断传播，依次对内层中的种子实体选择下一层的邻居实体作为传播实体，形成多方对潜在种子话题的偏好分布；然后，种子实体沿着不同链接传播至H层后，再由外向内地从H
‑
1层开始依次将本层的实体与其邻居实体信息聚合起来，用以更新本层的实体表示并用于下一次聚合，而聚合H层邻居信息的种子实体用于表征最终的潜在兴趣话题；最后，综合考虑多方的情感倾向和兴趣偏好，选择得分最高的候选回复作为机器人的最优响应。2.根据权利要求1所述的一种基于知识图谱的多方人机交互回复拟人化方法，其特征在于：所述S2具体为：首先，定义k轮对话中获取到的多方对话话题实体集合：C
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。