使用知识模型对聊天机器人中的自然理解系统的上下文反馈的制作方法

使用知识模型对聊天机器人中的自然理解系统的上下文反馈


背景技术：

1.计算系统当前被广泛使用。一些计算系统包括允许用户参与彼此实时(或近实时)的消息收发的在线聊天功能性。类似地，一些计算系统包括机器人(有时称为web机器人)，它们是运行以通过网络(诸如广域网)执行任务的应用。当机器人使用聊天功能性时，它有时被称为聊天机器人。
2.聊天机器人有时被用于计算系统中以实施会话界面。用户能够使用自然语言与会话界面进行交互，以执行各种不同的任务。一些任务包括获得信息(在这种情况下，机器人实施搜索功能性并且将信息返回给用户)并且执行任务(在这种情况下，机器人实施控制功能性以控制一些物理控制系统或项目)。聊天机器人还能够由用户使用以执行各种其他任务。
3.仅举几个示例，聊天机器人能够被用作数据存储系统的会话界面，使得搜索能够使用自然语言输入查询进行。在另一示例中，聊天机器人可以被用于实施家庭自动化系统的界面，其中家庭中的不同可控子系统能够由用户使用聊天机器人的会话输入来控制。聊天机器人能够被用于进行预订、获得驾驶方向、获得天气信息以及许多其他事物。
4.以上讨论仅被提供用于一般背景信息，并且不旨在被用于辅助确定要求保护的主题的范围。


技术实现要素：

5.一种聊天机器人计算系统包括机器人控制器和自然语言处理器。自然语言处理器接收第一文本输入，并且访问知识模型以标识由第一文本输入表示的概念。概念的输出被输出到机器人控制器，该机器人控制器生成对第一文本输入的响应。当第二文本输入被接收到时，由自然语言处理器输出的概念也被馈送回自然语言处理器的输入，作为上下文信息。基于第二自然语言、文本输入和上下文信息，自然语言处理器然后标识第二文本输入中表示的概念。
6.该发明内容被提供来以简化的形式介绍对于下面在详细描述中进一步描述的概念的选择。该发明内容不旨在标识要求保护的主题的关键特征或必要特征，也不旨在被用于辅助确定要求保护的主题的范围。要求保护的主题不被限于解决在背景中提到的任何或所有缺点的实施方式。
附图说明
7.图1是聊天机器人计算系统被使用的计算系统架构的一个示例的框图。
8.图2是图示了图1所图示的架构的总体操作的一个示例的流程图。
9.图3是示出了使用知识模型的图1所图示的架构的框图。
10.图3a、图3b和图3c示出了知识模型的不同部分的示例。
11.图4是示出了知识模型的一个示例的框图。
12.图5是示出了使用上下文过滤/增强逻辑的图3所图示的架构的框图。
13.图6是更详细地示出了上下文过滤/增强逻辑的一个示例的框图。
14.图7是图示了使用知识模型的先前附图所图示的架构的一个示例的流程图。
15.图8是示出了使用上下文过滤/增强逻辑的先前附图所示的架构的操作的一个示例的流程图。
16.图9示出了部署在云计算架构中的先前附图所图示的架构的一个示例。
17.图10至图12示出了能够在先前附图所示的架构中使用的移动设备的示例。
18.图13是示出了能够在先前附图所示的架构中使用的计算环境的一个示例的框图。
具体实施方式
19.如上面讨论的，聊天机器人经常被用于实施各种不同类型系统的自然语言界面。自然语言输入通常包含歧义。这是因为自然语言会话通常假设会话参与者之间具有一定程度的共享上下文。
20.通过示例，假设发生以下会话：
21.会话参与者1：“今天西雅图的天气如何？”22.参与者2：“今天多云，有可能下雨。”23.参与者1：“明天怎么样？”24.参与者2：“明天可能有阵雨。”25.参与者1：“还有埃伦斯堡？”26.参与者2：“明天埃伦斯堡将是晴天。”27.在会话开始时，第一话语的接收者没有上下文，但第一话语(“今天西雅图的天气如何？”)是明确的。然而，第二话语(“明天怎么样？”)本身是模棱两可的。
28.当这些类型的自然语言输入通过由聊天机器人实施的会话界面提供时，聊天机器人已经理解用户通过第二话语表示的意思的独有方式是它已经知道该话语的上下文。上下文指示在第二话语被接收到之前，会话中的参与者正在谈论什么。在本示例中，这些事物将包括“天气”、“西雅图”和“今天”。响应用户的第三话语(“还有埃伦斯堡？”)也是如此。准确响应的独有方法是知道话语的内容是“天气”和“明天”(这将覆盖“今天”的上下文)。
29.因此，本讨论相对于标识聊天机器人的自然语言输入中的概念，并且在会话中将这些概念作为上下文信息结转，该上下文信息被提供以增加会话中的后续话语。因此，图1示出了计算系统架构100的一个示例，其中聊天机器人计算系统102通过聊天消息信道功能性104从通过用户设备108提供那些消息的用户106接收聊天消息。
30.用户设备108能够是多种不同类型的设备中的任何一个。在图1所示的示例中，它可以是生成一个或多个接口110以供用户106交互的移动设备。用户106说明性地与接口110交互，以便控制和操纵用户设备108和聊天机器人计算系统102的一些部分。作为一个示例，接口110可以包括麦克风，使得用户106能够通过用户设备108和聊天消息信道功能性104向聊天机器人计算系统102提供自然语言输入作为言语输入。
31.通过示例，图1示出了用户106已提供聊天消息112作为聊天消息信道功能性104的输入。聊天消息112被提供给聊天机器人计算系统102。聊天机器人计算系统102处理聊天消息112，并且生成聊天响应114，该聊天响应114通过聊天消息信道功能性104被提供回用户设备108，其中它在接口110中的一个界面上为用户106显露。接口110可以在显示设备、音频
设备、触觉设备等上生成。
32.在图1所示的示例中，聊天机器人计算系统102说明性地包括一个或多个处理器或服务器116、数据存储库118、聊天机器人120，并且它能够包括多种其他项目121。处理器和/或服务器116能够以各种不同的方式实施聊天机器人120。在图1所图示的示例中，聊天机器人102说明性地包括机器人控制器122和自然语言处理器124。说明性地，机器人控制器122能够是由开发者生成的代码，以实施开发者希望实施的具体类型的界面。自然语言处理器124说明性地对自然语言文本输入执行自然语言处理，以标识由那些输入表示的概念。
33.因此，在一个示例中，聊天消息112作为文本输入126从机器人控制器122提供给自然语言处理器124。自然语言处理器124(如下面将更详细地描述的)标识输入文本126中的概念，并且生成表示这些概念的输出128。下面更详细地描述的概念可以由独有标识符表示。
34.输入文本126中的概念(例如独有标识符)被提供回机器人控制器122，该机器人控制器122生成响应式聊天消息114(或响应于那些概念采取其他动作)。根据一个示例，输出128还与随后从用户106接收(例如基于第二话语)的后续输入文本一起被馈送回自然语言处理器124中。
35.因此，继续上面讨论的示例，第一输入文本126可以是“今天西雅图的天气如何？”基于该输入，自然语言处理器124可以标识诸如“天气”、“西雅图”和“今天”等概念(或对应于那些概念的独有标识符)。这些概念可以作为输出128被输出到机器人控制器122，该机器人控制器122生成响应式聊天消息114，其可以是“今天多云，有可能下雨”。然后，当第二话语作为第二聊天消息112(“明天怎么样？”)被接收时，该文本输入作为输入文本126以及在第一话语中标识的概念(“天气”、“西雅图”和“今天”)一起被提供给自然语言处理器124。因此，自然语言处理器124不仅基于第二话语的文本而且基于第一话语(其用作第二话语的上下文)中标识的概念来生成指示在第二话语中表示的概念的输出。由自然语言处理器124基于第二话语生成的输出将再次被馈送回机器人控制器122，使得它能够生成响应，但是也将被馈送回自然语言处理器124中作为第三话语的上下文的来自自然语言处理器124的该输出应该被接收。
36.再次参照上面陈述的示例会话，由机器人控制器122生成的第二响应(响应于第二话语“明天怎么样？”)是“明天可能有阵雨”。然后用户106生成第三话语“还有埃伦斯堡？”。显然，如果人们知道会话的上下文，则用户106正在询问明天埃伦斯堡的天气如何。因此，由自然语言处理器124响应于第二话语(“明天怎么样？”)生成的输出128将包括概念“天气”、“明天”和“西雅图”。它将被提供给机器人控制器122，使得机器人控制器122能够生成响应“明天可能有阵雨”。这些概念也将与第三话语“还有埃伦斯堡？”一起被馈送回自然语言处理器124中。由于概念“埃伦斯堡”比概念“西雅图”更近，因此“埃伦斯堡将取代“西雅图”。因此，自然语言处理器124将基于馈送回它中的上下文知道会话当前关于“天气”、“明天”和“埃伦斯堡”。
37.自然语言处理器124因此将基于第三话语和从第二话语馈送回其中的上下文来生成另一输出128。基于第三话语的输出128将被提供给机器人控制器122，使得它能够生成对第三话语的响应。如示例会话中陈述的，该响应可以包括“明天埃伦斯堡将是晴天”。
38.如上面简要提及的，在一个示例中，自然语言处理器124包括代码，使得最近的字
词(在最近的话语中)将更重要、任何冲突的覆盖以及伴随它们并且从先前话语馈送回的上下文。因此，在上面讨论的示例中，当第二话语“明天怎么样？”被提供时，概念“明天”覆盖概念“今天”的上下文信息。因此，概念“天气”和“西雅图”被用于消除第二话语的歧义，但上下文“今天”被丢弃，因为更流行的概念“明天”覆盖了它。然后第二话语的新上下文信息将是“天气”、“西雅图”和“明天”。然后，当第三话语被接收到时，概念“埃伦斯堡”覆盖了概念“西雅图”。
39.在图1所示的示例中，自然语言处理器124能够以各种不同方式标识输入话语中的概念。在一个示例中，它使用对每个概念都是独有的独有标识符来标识底层概念。因此，例如虽然概念“天气”可以包括若干不同的标签，诸如“天气”、“条件”、“天气条件”等，但“天气”的底层概念将由单个独有标识符表示。类似地，虽然底层概念“西雅图”可以由不同的标签表示，诸如“翡翠城”和“西雅图”，但西雅图市的底层概念将由单个独有标识符表示。
40.图2是更详细地示出了图1所图示的架构100的操作的一个示例的流程图。首先假设聊天机器人计算系统102从聊天消息信道104接收话语的表示。这由图2的流程图中的框134指示。要注意的是，话语的表示可以是音频表示、文本表示或不同类型的表示。在一个示例中，在它是音频表示的情况下，言语识别对该表示执行以生成文本表示。这仅是一个示例。
41.机器人控制器122将话语的表示提供给自然语言处理器124以供评估。这由框136指示。自然语言处理器接收来自任何先前话语的任何上下文以及由机器人控制器122提供给它的话语的表示。从任何先前话语接收上下文由图2的流程图中的框138指示。在图1所示的示例中，由自然语言处理器124生成的任何输出128被直接馈送回自然语言处理器124中，该输出128具有下一话语，作为该话语的上下文信息。直接向自然语言处理器提供来自对先前话语的评估的输出作为具有后续话语的上下文信息输入由图2的流程图中的框140指示。
42.然而，如下面更详细地描述的，上下文信息不仅能够包括来自自然语言处理器124的输出128，而且能够包括该输出的经增强或经修改版本，或者它能够包括来自其他源的上下文，而不是自然语言处理器124的输出。提供来自先前评估的过滤的、经增强的输出由框142指示，并且提供来自其他源的上下文信息由框144指示。
43.考虑到它也已经接收的上下文信息，自然语言处理器124然后评估它已经接收的话语的表示。这由框146指示。通过评估话语的表示，考虑到上下文，这意味着自然语言处理器124基于新接收的话语及其上下文信息标识新的一组概念。它能够通过多种不同的方式做到这一点。在一个示例中，它使用知识模型(如下面相对于图3至图7更详细地讨论的)。使用知识模型由图2的流程图中的框148指示。然而，考虑到其上下文，自然语言处理器124也能够以多种其他方式评估话语的表示。这由框150指示。
44.自然语言处理器124基于评估生成一组概念，并且将其输出到机器人控制器122。这由框152指示。基于由自然语言处理器124提供的评估结果，机器人控制器122制定(formulate)并且输出对聊天消息信道功能性104的聊天响应。制定和输出聊天响应由图2的流程图中的框154指示。
45.如果另一话语的另一表示被接收到，如由框156指示的，那么处理恢复到框136，其中机器人控制器122将该表示提供给自然语言处理器124。然后，在框138中，自然语言处理器124接收来自先前话语的上下文信息，然后评估继续。因此，如相对于图1和图2示出的，自
然语言处理器124不仅基于该特定话语本身的信息，而且还基于来自先前话语的上下文信息来解释(或评估)特定话语。这能够被用于极大地增强聊天机器人计算系统102的操作。它能够被用于消除话语歧义，并且提高自然语言界面被实施的准确性等。上下文能够被捕获为独有标识符的无序集合，其可以被表达为uri或以其他方式表达。
46.图3示出了架构100的另一示例，其类似于图1所示的架构100的示例，并且类似的项目被类似地编号。然而，图3还示出了自然语言处理器124现在访问知识模型158，该知识模型158能够被用于基于提供给自然语言处理器124的话语和上下文信息来标识概念。知识模型158说明性地使语言(话语中的字词和文本)与主题或概念相关，这成为自然语言处理器124的输出128。这些概念也成为接收到的下一后续话语(可能还有更多后续话语)的上下文信息。
47.每个概念可以具有多个不同的标签。例如，天气可能被描述为“阴沉”。然而，当某人情绪悲伤时，他们的情绪状态也可能被描述为“阴沉”。因此，“阴天”的概念可能被标记为“阴沉”。类似地，“悲伤的情绪状态”的概念也可能被标记为“阴沉”。进一步地，知识模型158说明性地解释了同义词。例如，“悲伤的情绪状态”的概念可以用语言标签(例如用字词)“悲伤”、“不开心”、“阴沉”等被标记。
48.图3a示出了这些类型的已建模概念的示例。图3a示出了概念“阴天”能够具有标签“阴沉”。然而，概念“情绪-悲伤”也能够具有标签“阴沉”以及标签“悲伤”和标签“不开心”。
49.另外，概念还可以与其他概念相关，而不仅仅是标签。知识模型158还说明性地捕获这些类型的关系，因为由自然语言处理器124输出的上下文信息不仅可以包括在文本输入126中标识的概念，还可以包括密切相关的概念。例如，使“滑雪条件”和“驾驶条件”的离散概念与“天气”的概念相关可能很有用。
50.图3b示出了这样的一个示例。图3b示出了概念“天气-驾驶条件”和“天气-滑雪条件”均与概念“天气”相关。
51.命名这些类型的关系并使它们具有方向性可能也是有用的。例如，知识模型158指示“情绪状态”的概念比“情绪状态-悲伤”的概念更广泛可能是有帮助的。类似地，概念“情绪状态-悲伤”比“情绪状态-悲观”的概念更广泛。进一步地，概念可能与多于一个不同的概念具有相同的关系。例如，“情绪状态-悲观”的概念可能与更广泛的两个不同概念具有关系。例如，它可能与更广泛的概念“情绪状态-消极”具有关系，并且也与更广泛的概念“情绪状态”具有关系。
52.图3c示出了这些类型的关系的一个示例。图3c示出了两个概念“情绪-悲伤”和“情绪-消极”都与更广泛的概念“情绪-情绪状态”相关。类似地，概念“情绪-悲观”与两个更广泛的概念相关，第一个是“情绪-悲伤”，并且第二个是“情绪-消极”。
53.因此，在一个示例中，知识模型158具有表示不同概念的条目(例如概念条目)，该条目分别被赋予独有标识符。这些概念能够与具有命名和方向关系的其他概念相关。它们能够用自然语言字词(例如语言标签)被标记。特定的概念能够有许多不同的标签，并且标签本身可能不是独有的，因为同一标签能够被用于不同的概念。然而，底层概念相对于其他模型概念是独有的。
54.因此，图4示出了知识模型158的一个示例的框图。知识模型158具有一组概念，这些概念分别由独有标识符和一个或多个语言标签(字词)表示。这些概念由图4中的框160标
识。概念能够通过连接或链路被连接至语言标签。要注意的是，如果模型158要被本地化为不同的语言，则表示底层概念的独有标识符不需要被本地化，因为它们与语言无关。然而，语言标签将被本地化。
55.概念还能够通过经标记的有方向链路162彼此连接。模型158也能够包括多种其他项目164。因此，在操作中，图3所示的架构100的示例类似于图1所示的示例。然而，在图3中，自然语言处理器124使用知识模型158标识由输入文本126(以及从先前评估馈送回自然语言处理器124中的任何上下文)表示的概念。这样的一个示例在下面相对于图7描述。
56.图5示出了架构100的另一示例，其类似于图3所示的示例。类似的项目被类似地编号。然而，在图5所示的示例中，聊天机器人计算系统102还包括其他上下文源168，除了或代替语言模型158，并且除了从为先前话语生成的输出128馈送回的上下文之外，还能够向自然语言处理器124提供上下文。图5还示出了在一个示例中，输出128被提供给机器人控制器122，使得它能够对刚接收到的话语制定聊天响应114。然而，在被提供给上下文过滤/增强逻辑170之后，它被馈送回自然语言处理器124作为下一后续话语的上下文信息。逻辑170能够增强和/或过滤输出128，以将经过滤的和/或经增强的上下文信息连同接收到的下一后续话语一起提供给自然语言处理器124。因此，在图5所示的示例中，自然语言处理器124不仅能够基于先前的评估结果或输出128从逻辑170接收经增强和经过滤的上下文输出，而且它也能够从其他源168接收上下文，其他源168可以由开发者提供，以进一步定制由聊天机器人计算系统102实施的自然语言界面体验。
57.在描述架构100的操作之前，在图5所示的示例中，上下文过滤/增强逻辑170的简要描述将被首先提供。图6更详细地示出了框图的一个示例，其图示了逻辑170。在图6所示的示例中，上下文过滤/增强逻辑170说明性地包括保质期指示生成器180、到期准则处理器182、数据存储库184、上下文增强系统186、上下文过滤系统188、上下文加权系统190、上下文输出生成器192，并且它能够包括多种其他项目194。保质期指示生成器180本身说明性地包括时间戳生成器196、回合计数器198、地点戳生成器200，并且它能够包括其他项目202。到期准则处理器182本身说明性地包括概念级逻辑204、总体上下文逻辑206，并且它能够包括其他项目208。
58.在更详细地描述逻辑170之前，要理解的是，概念通常具有有用的持续时间或范围(也称为保质期)。因此，与话语一起提供的上下文信息可能具有有限的有用持续时间(或保质期)。保质期可以由若干不同的准则确定。在一个示例中，时间准则可以被用于确定上下文信息中的概念的保质期。例如，如果询问当天天气的话语由聊天机器人计算系统102在星期一接收，那么如果下一话语在两天后接收到，则从先前话语生成的上下文信息很可能不再适用或对第二话语有意义。因此，包括来自第一话语的概念信息作为第二话语中的上下文信息可能具有有限的有用持续时间，并且该持续时间可以使用时间准则(诸如时间戳)来标识。
59.上下文信息的有限有用性还能够被推广到除时间之外的其他维度。例如，聊天机器人计算系统102可以在汽车上实施自然语言界面。在那种情况下，用户可以提供寻找最近加油站的话语。然而，下一后续话语可以是在自先前话语以来汽车行驶了100英里之后由用户106提供的话语。在那种情况下，寻找最近加油站的先前话语作为下一后续话语的上下文信息不太可能有用。类似地，在同一示例中，如果第一话语是询问下一个最近的高速公路出
口，并且第二话语是在汽车已经离开高速公路之后提供的，那么第一话语作为下一后续话语的上下文信息可能具有有限的有用性。因此，在该示例中，保质期或到期准则可以是地点(或地理位置)信息(诸如当前地理地点)，而不是时间信息。
60.进一步地，可以了解到上下文信息通常仅对特定的最大数目的对话回合有用。通过示例，可以发现上下文信息仅对三个对话回合(其中三个话语已经由聊天机器人计算系统102接收和响应)有用。此后，可以发现来自第一话语的上下文信息的有用性相对较低。因此，在这种场景中，到期准则可以是在给定时间量内已处理的对话回合的数目。当然，要注意的是，被用于标识有用性的对话回合的数目可以是任何数目，并且三个仅通过示例提供。
61.在图6所图示的示例中，在该输出作为上下文信息连同下一话语被馈送回之前，保质期指示生成器180说明性地生成与由自然语言处理器124生成的输出128相关联的保质期指示符。保质期指示符然后与到期准则或保质期准则进行比较，以确定其与下一序列话语的相关性。
62.在一个示例中，到期准则(或保质期准则)可以是时间准则。在那种情况下，时间戳生成器196为将作为上下文信息馈送回的每个概念生成时间戳。在保质期或到期准则包括对话回合的数目的示例中，那么回合计数器198生成回合计数指示，标识输出128被生成的特定对话回合(在最后的预定时间量内)。类似地，在保质期或到期准则包括地点信息的情况下，那么当聊天消息112被接收到时，地点戳生成器200生成指示用户设备108的地点的地点戳(例如基于从gps接收器或其他位置标识符接收的信息)。
63.要注意的是，保质期指示符能够针对每个单独的概念生成。一个也能够作为整体针对输出128生成。
64.到期准则处理器182然后处理与被馈送回自然语言处理器124中的上下文信息的不同项目相关联或附接的保质期指示(诸如通过将其与到期准则进行比较)。这被完成以确定上下文信息与下一话语的相关性。例如，概念级逻辑204处理与作为上下文信息被馈送回的每个概念标识符相对应的保质期信息。基于不同的话语，上下文信息的每个项目(例如每个概念)可以在不同的时间生成。此时时间戳针对它生成。当概念作为上下文项目被馈送回时，它与该时间戳相关联。当给定概念的时间戳之间经过了足够时间时，那么该项目可能被视为与后续话语的相关性较低。它可以从馈送回自然语言处理器124中的上下文信息中移除。它可以被分配有较低的相关性权重等。
65.总体上下文逻辑206评估与被馈送回自然语言处理器124中的总体上下文相关联的保质期信息(例如可以包括来自话语的多个概念，或者从多个话语随着时间的推移聚合和结转)。通过示例，要被馈送回自然语言处理器124中的整个上下文可能是从车辆在距离当前地点100英里的地点时输入的话语生成的。在那种情况下，逻辑170可以丢弃不相关的整个上下文。
66.上下文增强系统186能够说明性地与其他上下文源168交互以获得其他上下文信息。其他上下文源168可以由开发者指定或生成，以向聊天机器人计算系统102提供特定行为。上下文过滤系统188说明性地基于到期(或保质期)准则或者出于其他原因来过滤上下文项目。上下文加权系统可以基于其保质期或到期准则对上下文的不同项目进行加权。例如，随着上下文项目的老化(基于其时间戳)，它可以由上下文加权系统190进行较低的加权，因为与它被首先生成时它相比，可能更不相关。类似地，当上下文项目在第一对话回合
中生成时，那么它的权重可能会随着每个后续对话回合而减小，因为它可能变得不那么相关。类似地，当上下文项目在第一地点处生成时，该上下文项目的权重可以随着用户远离该特定地点移动而减小。这些仅是示例。
67.上下文输出生成器192然后向自然语言处理器124生成指示经过滤/经增强的上下文的输出，使得它能够与下一后续话语一起考虑。
68.图7是示出了架构100的操作的一个示例的流程图，其中考虑到其上下文信息，自然语言处理器124使用知识模型158来标识文本输入126中的概念。
69.在一个示例中，模型158能够被分布，使得模型的不同部分能够在不同时间由不同系统以及从不同数据源创建，然后被组合。然后组合模型能够在运行时间期间被用于构建运行时执行模型。类似地，知识模型158可以以非分层方式结构化。虽然概念是用独有标识符建模的，但名称空间可以被用于关系名称。
70.首先假设自然语言处理器124接收要被评估的文本126以及表示来自先前话语的上下文的任何独有标识符。这由图7的流程图中的框212指示。自然语言处理器124然后将所评估的当前文本126与知识模型158中的标签相匹配。这由框214指示。通过示例，输入文本126将具有能够与由知识模型158建模的标签和底层概念(匹配的概念条目)相匹配的语言元素(诸如字词)。匹配能够由来自先前话语的上下文信息指导或通知。
71.考虑到上下文信息，自然语言处理器124标识具有与所评估的当前文本(匹配的概念条目)最匹配的标签的概念的当前独有标识符。再次，通过示例，假设知识模型158包括诸如图3c所示的条目。还假设概念条目“悲伤”具有诸如图3a所示的标签。还假设输入文本126包括字词“不开心”。在那种情况下，知识模型158将指示输入文本与概念“悲伤”相匹配，因此，匹配的概念条目“悲伤”的独有标识符将由知识模型158显露。标识具有与所评估的当前文本相匹配的标签的概念的当前独有标识符由图7中的框216指示。
72.自然语言处理器124然后基于为文本输入126标识的当前独有标识符并且基于表示所接收的上下文信息的独有标识符来生成输出128。这由图7的流程图中的框218指示。因此能够看出，考虑到其上下文，知识模型158能够被用于基于输入文本126来显露不同概念条目的独有标识符。它也能够被用于通过扩展到知识模型158中的相邻概念条目(例如与匹配的概念条目接近或具有特定关系的概念条目)来增强上下文信息。
73.图8是流程图，图示了当生成要被馈送回自然语言处理器124的上下文以及后续话语时上下文过滤/增强逻辑170在使用保质期或到期准则时的操作的一个示例。自然语言处理器124首先从机器人控制器122接收输入文本126。这由图8的流程图中的框230指示。它能够是由框232指示的话语的文本表示或者由框234指示的另一表示。
74.自然语言处理器124然后执行自然语言处理，以在考虑到其上下文的情况下标识话语中的概念。这由框236指示。它能够使用知识模型158来做到这一点，如由图8的流程图中的框238指示的。它也能够以其他方式这样做，如由框240指示的。然后，在将(概念的)那些独有标识符与后续话语一起提供回自然语言处理器124之前，上下文过滤/增强逻辑170首先将概念级保质期指示符与每个所标识的概念相关联。这由图8的流程图中的框242指示。在一个示例中，时间戳生成器196生成基于时间的指示符244(诸如指示概念标识符何时被标识的时间戳)。在另一示例中，地点戳生成器200生成基于地点的保质期指示符246，其指示当所评估的聊天消息112被接收到时用户设备108所在的地点。在另一示例中，回合计
数器198生成基于对话回合的指示符，如由框248指示的，指示概念针对哪个对话回合标识。保质期指示符也能够以多种其他方式生成，并且这由图8的流程图中的框250指示。
75.一旦保质期指示符已经与基于当前话语标识的概念中的每个概念相关联，那么在被馈送回自然语言处理器124之前，任何其他已经存在的上下文项目能够被添加到输出128，作为下一话语的上下文。这被称为将与下一话语一起反馈的总体上下文信息。添加现有上下文项目以获得总体上下文由图8的流程图中的框252指示。
76.保质期指示生成器180然后将总体保质期指示符与总体上下文相关联。这由图8的流程图中的框254指示。再次，这能够是时间戳256、地点戳258、指示回合的数目的戳(如由图8的流程图中的框260指示的)或另一总体保质期指示符262。
77.到期准则处理器182然后将概念级保质期指示符和总体保质期指示符与到期准则进行比较，以查看任何上下文信息是否应该从被提供给自然语言处理器124的总体上下文中滤出(或在其中去加权)，作为下一话语的上下文。将保质期指示符与到期准则进行比较由图8的流程图中的框264指示。概念级逻辑104将每个单独概念项目的保质期指示符与到期准则进行比较，以确定单独概念是否应该从总体上下文中移除(或在其中去加权)。总体上下文逻辑206比较总体上下文的保质期指示符以确定总体上下文是否不相关，是否应该具有减少的权重，或者是否应该以不同的方式处理。
78.到期准则的形式将取决于保质期指示符的形式。例如，在保质期指示符是时间戳的情况下，那么到期准则可以是指示与时间戳相关联的概念不再相关，相关性降低等的经过时间准则。基于当前时间或经过时间过滤上下文由框266指示。
79.如果保质期指示符是地点戳，那么到期准则处理器182可以将地点戳与用户设备108的当前地点进行比较。基于当前地点分析到期准则由框268指示。
80.如果保质期指示符是对话回合计数指示符，那么到期准则可以是当前回合计数数量。基于当前回合计数数量来评估到期准则由框270指示。
81.要了解的是，到期准则的评估也能够以多种其他方式完成。这由框272指示。
82.上下文过滤/增强逻辑170然后基于与到期准则的比较来过滤或增强单独概念和总体上下文，以获得经过滤/经增强的上下文。这由图8的流程图中的框274指示。例如，上下文过滤系统188能够从上下文中移除到期的概念，以与下一后续话语一起被返回给自然语言处理器124。移除到期概念由框276指示。上下文加权系统190能够在各种概念作为上下文被提供回用于下一话语之前调整它们的权重。调整将在下一评估中被提供给自然语言处理器124的上下文项目的权重由图8的流程图中的框278指示。上下文过滤/增强逻辑170也能够以其他方式过滤和/或增强上下文，并且这由图8的流程图中的框280指示。
83.上下文增强系统186能够通过从其他上下文源168获得附加上下文来增强上下文。它也能够以其他方式增强上下文信息，诸如通过标识通过关系链路等与匹配的概念条目相关的概念条目。
84.上下文输出生成器192然后生成指示经过滤/经增强的上下文信息的输出，并且将其提供给自然语言处理器124，使得它能够被视为具有下一后续话语的上下文信息。将经过滤/经增强的上下文与下一话语一起返回给自然语言处理器124以供评估由图8的流程图中的框282指示。
85.要注意的是，以上讨论已经描述了多种不同的系统、组件和/或逻辑。要了解的是，
这种系统、组件和/或逻辑能够由执行与那些系统、组件和/或逻辑相关联的功能的硬件项目(诸如处理器和关联存储器或者其他处理组件，其中一些在下面描述)组成。另外，系统、组件和/或逻辑能够由被加载到存储器中并且随后由处理器或服务器或其他计算组件执行的软件组成，如下面描述的。系统、组件和/或逻辑也能够由硬件、软件、固件等的不同组合组成，其中的一些示例在下面描述。这些仅是能够被用于形成上述系统、组件和/或逻辑的不同结构的一些示例。其他结构也能够被使用。
86.本讨论已经提及了处理器和服务器。在一个示例中，处理器和服务器包括具有关联的存储器和定时电路系统的计算机处理器，未单独示出。它们是它们所属或由其激活的系统或设备的功能部分，并且支持这些系统中的其他组件或项目的功能性。
87.而且，若干用户界面显示已经被讨论。它们能够采用多种不同的形式，并且能够在其上设置多种不同的用户可致动输入机制。例如，用户可致动输入机制能够是文本框、检查框、图标、链路、下拉菜单、搜索框等。它们也能够以多种不同的方式致动。例如，它们能够使用指向和点击设备(诸如轨迹球或鼠标)来致动。它们能够使用硬件按钮、开关、操纵杆或键盘、拇指开关或拇指垫等来致动。它们也能够使用虚拟键盘或其他虚拟致动器来致动。另外，在它们被显示的屏幕是触敏屏幕的情况下，则它们能够使用触摸手势来致动。而且，在显示它们的设备具有言语识别组件，则它们能够使用言语命令来致动。
88.若干数据存储库也已经被讨论。要注意的是，它们能够分别被分解为多个数据存储库。针对访问它们的系统而言，所有都能够是本地的，所有都能够是远程的，或者一些能够是本地的，而其他则是远程的。所有这些配置都在本文中被设想。
89.而且，附图示出了具有归属于每个框的功能性的若干框。要注意的是，更少的框能够被使用，因此功能性由更少的组件来执行。而且，更多框能够与分布在更多组件中的功能性一起使用。
90.图9是先前附图所示的架构100的框图，除了其元件被设置在云计算架构500中之外。云计算提供不需要递送服务的系统的物理地点或配置的最终用户了解的计算、软件、数据访问和存储服务。在各种实施例中，云计算使用适当的协议在诸如互联网等广域网上递送服务。例如，云计算提供方通过广域网递送应用，并且它们能够通过web浏览器或任何其他计算组件访问。架构100的软件或组件以及对应的数据能够被存储在远程地点处的服务器上。云计算环境中的计算资源能够在远程数据中心地点处整合，或者它们能够被分散。云计算基础设施能够通过共享数据中心递送服务，即使它们表现为用户的单个访问点。因此，本文描述的组件和功能能够使用云计算架构从位于远程地点处的服务提供方提供。备选地，它们能够从常规服务器提供，或者它们能够被直接安装在客户端设备上，或者以其他方式安装。
91.该描述旨在包括公共云计算和私有云计算。云计算(公共和私有的)提供了实质上无缝的资源池化，以及减少了管理和配置底层硬件基础设施的需要。
92.公共云由供应商管理，并且通常支持使用相同基础设施的多个消费者。而且，与私有云相反，公共云能够使最终用户免于管理硬件。私有云可以由组织本身管理，并且基础设施通常不与其他组织共享。组织仍然在一定程度上维护硬件，诸如安装和维修等。
93.在图9所示的示例中，一些项目类似于先前附图所示的项目，并且它们被类似地编号。图9具体示出了计算系统102能够位于云502中(能够是公共的、私有的，或者部分是公共
的而其他部分是私有的组合)。因此，用户106使用用户设备108以通过云502访问那些系统。
94.图9还描绘了云架构的另一示例。图9示出了还设想计算系统102的一些元件能够被设置在云502中，而其他元件则不是。通过示例，数据存储库118能够被设置在云502之外，并且通过云502访问。在另一示例中，知识模型158和其他上下文源168(或其他项目)能够在云502之外。不管它们位于何处，它们能够由设备108通过网络(广域网或局域网)直接访问，它们能够由服务托管在远程站点，或者它们能够作为服务通过云提供或者由驻留在云中的连接服务访问。所有这些架构都在本文中被设想。
95.还要注意的是，架构100或其部分能够被设置在多种不同的设备上。这些设备中的一些包括服务器、台式计算机、膝上型计算机、平板计算机或其他移动设备，诸如掌上计算机、手机、智能电话、多媒体播放器、个人数字助理等。
96.图10是能够被用作用户或客户端的手持式设备16的手持式或移动计算设备的一个说明性示例的简化框图，其中本系统(或其部分)能够被部署。图11至图12是手持式或移动设备的示例。
97.图10提供了客户端设备16的组件的一般框图，其能够运行计算系统102或用户设备的组件或者与架构100交互或者两者。在设备16中，允许手持式设备与其他计算设备通信的通信链路13被提供，并且在一些示例下提供用于自动接收信息的信道，诸如通过扫描。通信链路13的示例包括红外端口、串行/usb端口、诸如以太网端口等电缆网络端口以及允许通过一种或多种通信协议进行通信的无线网络端口，这些通信协议包括通用分组无线电服务(gprs)、lte、hspa、hspa 以及其他3g和4g无线电协议、1xrtt和短消息服务(它们是用于提供对网络的蜂窝访问的无线服务)以及wi-fi协议和蓝牙协议(它们提供与网络的本地无线连接)。
98.在其他示例中，应用或系统在被连接至sd卡接口15的可移除安全数字(sd)卡上接收。sd卡接口15和通信链路13沿着总线19与处理器17(其也能够实施来自其他附图的处理器或服务器)以及时钟25和定位系统27通信，总线19也被连接至存储器21和输入/输出(i/o)组件23。
99.在一个实施例中，i/o组件23被提供以支持输入和输出操作。用于设备16的各种实施例的i/o组件23能够包括输入组件(诸如按钮、触摸传感器、多点触摸传感器、光学或视频传感器、语音传感器、触摸屏、接近传感器、麦克风、倾斜传感器和重力开关)和输出组件(诸如显示设备、扬声器和/或打印机端口)。其他i/o组件23也能够被使用。
100.时钟25说明性地包括输出时间和日期的实时时钟组件。说明性地，它还能够为处理器17提供定时功能。
101.定位系统27说明性地包括输出设备16的当前地理地点的组件。这能够包括例如全球定位系统(gps)接收器、loran系统、航位推算系统、蜂窝三角测量系统或其他定位系统。它还能够包括例如生成期望的地图、导航路由和其他地理功能的映射软件或导航软件。
102.存储器21存储操作系统29、网络设置31、应用33、应用配置设置35、数据存储库37、通信驱动器39和通信配置设置41。存储器21能够包括所有类型的有形的易失性和非易失性计算机可读存储器设备。它还能够包括计算机存储介质(如下面描述的)。存储器21存储计算机可读指令，当由处理器17执行时，该计算机可读指令使处理器根据指令执行计算机实施的步骤或功能。类似地，设备16能够具有客户端系统24，其能够运行各种应用或者实施架
构100的部分或全部。处理器17也能够由其他组件激活以支持其功能性。
103.网络设置31的示例包括诸如代理信息、互联网连接信息和映射等事物。应用配置设置35包括为具体企业或用户定制应用的设置。通信配置设置41提供用于与其他计算机通信的参数，并且包括诸如gprs参数、sms参数、连接用户名和密码等项目。
104.应用33能够是先前已被存储在设备16上的应用或者在使用期间安装的应用，尽管这些也能够是操作系统29的一部分，或者被托管在设备16外部。
105.图11示出了一个示例，其中设备16是平板计算机600。在图11中，计算机600被示出为具有用户界面显示屏602。屏幕602能够是触摸屏(因此来自用户手指的触摸手势能够被用于与应用交互)或者接收来自笔或手写笔的输入的笔启用的界面。它还能够使用屏幕上的虚拟键盘。当然，例如它也可以通过合适的附接机制(诸如无线链路或usb端口)被附接至键盘或其他用户输入设备。计算机600也能够说明性地接收语音输入。
106.图12示出该设备能够是智能电话71。智能电话71具有显示图标或图块或其他用户输入机制75的触敏显示器73。机制75能够由用户使用，以运行应用，拨打电话，执行数据传送操作等。通常，智能电话71被构建在移动操作系统上，并且与功能电话相比提供更先进的计算能力和连接性。
107.要注意的是，设备16的其他形式也是可能的。
108.图13是架构100或其部分(例如)能够被部署的计算环境的一个示例。参照图13，用于实施一些实施例的示例系统包括计算机810形式的通用计算设备。计算机810的组件可以包括但不限于处理单元820(其能够包括来自先前附图的处理器或服务器)、系统存储器830以及将包括系统存储器的各种系统组件耦合至处理单元820的系统总线821。系统总线821可以是多种类型的总线结构中的任何一个，包括存储器总线或存储器控制器、外围总线以及使用各种总线架构中的任何一个的本地总线。通过示例而非限制，这种架构包括工业标准架构(isa)总线、微信道架构(mca)总线、增强型isa(eisa)总线、视频电子标准协会(vesa)本地总线和外围组件互连(pci)总线(也称为夹层总线)。相对于先前附图描述的存储器和程序能够被部署在图13的对应部分中。
109.计算机810通常包括各种计算机可读介质。计算机可读介质能够是能够由计算机810访问的任何可用介质，并且包括易失性和非易失性介质、可移除和不可移除介质。通过示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质不同于并且不包括调制数据信号或载波。它包括硬件存储介质，包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块或者其他数据)的任何方法或者技术实施的易失性和非易失性介质、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或者其他存储器技术、cd-rom、数字通用盘(dvd)或者其他光盘存储装置、磁盒、磁带、磁盘存储装置或者其他磁性存储设备或者能够被用于存储期望信息并且能够由计算机810访问的任何其他介质。通信介质通常将计算机可读指令、数据结构、程序模块或者其他数据实施在输送机制中，并且包括任何信息递送介质。术语调制数据信号
“”
表示其一个或多个特点以对信号中的信息进行编码的这种方式设置或改变的信号。通过示例而非限制，通信介质包括有线介质(诸如有线网络或者直接有线连接)和无线介质(诸如声学、rf、红外和其他无线介质)。以上任何组合也应该被包括在计算机可读介质的范围内。
110.系统存储器830包括易失性和/或非易失性存储器形式的计算机存储介质，诸如只
读存储器(rom)831和随机存取存储器(ram)832。包含诸如在启动期间有助于在计算机810内的元件之间传送信息的基础例程的基础输入/输出系统833(bios)通常被存储在rom831中。ram 832通常包含可以由处理单元820立即访问和/或目前正在操作的数据和/或程序模块。通过示例而非限制，图13图示了操作系统834、应用程序835、其他程序模块836和程序数据837。
111.计算机810还可以包括其他可移除/不可移除的易失性/非易失性计算机存储介质。仅通过示例，图13图示了读取或写入不可移除的非易失性磁性介质的硬盘驱动841以及读取或写入可移除的非易失性光盘856(诸如cd rom或其他光学介质)的光盘驱动855。能够在示例性操作环境中使用的其他可移除/不可移除的易失性/非易失性计算机存储介质包括但不限于磁带盒、闪存卡、数字通用盘、数字录像带、固态ram、固态rom等。硬盘驱动841通常通过诸如接口840等不可移除的存储器接口被连接至系统总线821，并且光盘驱动850通常通过诸如接口850等可移除的存储器接口被连接至系统总线821。
112.备选地或者另外，本文描述的功能性能够至少部分地由一个或多个硬件逻辑组件执行。例如但不限于，能够被使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等。
113.上面讨论的和图13中图示的驱动及其关联的计算机存储介质为计算机810提供计算机可读指令、数据结构、程序模块和其他数据的存储装置。在图13中，例如硬盘驱动841被图示为存储操作系统844、应用程序845、其他程序模块846和程序数据847。要注意的是，这些组件能够与操作系统834、应用程序835、其他程序模块836和程序数据837相同或不同。操作系统844、应用程序845、其他程序模块846和程序数据847在此处被赋予不同的编号，以图示它们至少是不同的副本。
114.用户可以通过输入设备(诸如键盘862、麦克风863)和指向设备861(诸如鼠标、轨迹球或触摸板)将命令和信息键入到计算机810中。其他输入设备(未示出)可以包括操纵杆、游戏板、卫星碟、扫描仪等。这些和其他输入设备通常通过被耦合至系统总线的用户输入接口860被连接至处理单元820，但是可以通过诸如并行端口、游戏端口或通用串行总线(usb)等其他接口和总线结构连接。视觉显示器891或其他类型的显示设备也经由接口(诸如视频接口890)被连接至系统总线821。除了监测器之外，计算机还可以包括其他外围输出设备，诸如扬声器897和打印机896，它可以通过输出外围接口895连接。
115.计算机810使用与一个或多个远程计算机(诸如远程计算机880)的逻辑连接在联网环境中操作。远程计算机880可以是个人计算机、手持式设备、服务器、路由器、网络pc、对等设备或其他公共网络节点，并且通常包括上面相对于计算机810描述的许多或全部元件。图13所描绘的逻辑连接包括局域网(lan)871和广域网(wan)873，但是还可以包括其他网络。这种联网环境在办公室、企业范围的计算机网络、内联网和互联网中是常见的。
116.当在lan联网环境中使用时，计算机810通过网络接口或适配器870被连接至lan 871。当在wan联网环境中使用时，计算机810通常包括调制解调器872或用于通过诸如互联网等wan 873建立通信的其他部件。调制解调器872(可以是内部或外部的)可以经由用户输入接口860或其他适当机制被连接至系统总线821。在联网环境中，相对于计算机810描述的程序模块或其部分可以被存储在远程存储器存储设备中。通过示例而非限制，图13将远程
应用程序885图示为驻留在远程计算机880上。要了解的是，所示出的网络连接仅是示例性的，并且在计算机之间建立通信链路的其他部件可以被使用。
117.还应该注意的是，本文描述的不同示例能够以不同方式组合。即，一个或多个示例的部分能够与一个或多个其他示例的部分组合。所有这些都在本文中被设想。
118.示例1是一种计算系统，包括：
119.知识模型，以自然语言对概念进行建模；
120.自然语言处理器(nlp)，接收文本输入和上下文信息，文本输入指示受评估的聊天消息，上下文信息基于在受评估的聊天消息之前接收到的先前接收的聊天消息而被标识，自然语言处理器访问知识模型以标识受评估的聊天消息中的概念，并且基于文本输入和上下文信息来生成标识概念的nlp输出；以及
121.机器人控制器，从自然语言处理器接收nlp输出，并且基于nlp输出来生成机器人响应输出。
122.示例2是根据任何或所有先前示例的计算系统，其中知识模型被配置有多个概念条目，每个概念条目利用不同的对应独有标识符标识不同的概念，独有标识符相对于针对概念条目中的其他概念条目的独有标识符是独有的。
123.示例3是根据任何或所有先前示例的计算系统，其中知识模型被配置有经标记的关系链路，每个关系链路链接两个概念条目，并且标识两个概念条目之间的关系。
124.示例4是根据任何或所有先前示例的计算系统，其中关系链路是有方向的，指示经链接的两个概念条目中的每个概念条目在经链接的两个概念条目之间的关系中的角色。
125.示例5是根据任何或所有先前示例的计算系统，其中知识模型被配置有具有对应的语言标签的每个概念条目。
126.示例6是任何或所有先前示例的计算系统，其中自然语言处理器被配置为通过将文本输入中的字词与对应于知识模型中的概念条目的语言标签相匹配以标识匹配的概念条目，来标识文本输入中的概念。
127.示例7是根据任何或所有先前示例的计算系统，其中自然语言处理器生成具有与匹配的概念条目相对应的独有标识符的nlp输出。
128.示例8是根据任何或所有先前示例的计算系统，其中机器人控制器被配置为基于与匹配的概念条目相对应的标签来生成机器人响应。
129.示例9是根据任何或所有先前示例的计算系统，其中自然语言处理器被配置为将与匹配的概念条目相对应的独有标识符馈送回自然语言处理器的输入，作为针对随后接收的文本输入的上下文信息，随后接收的文本输入指示在受评估的聊天消息之后接收的随后接收的聊天消息。
130.示例10是根据任何或所有先前示例的计算系统，其中自然语言处理器被配置为访问知识模型，以基于随后接收的文本输入和上下文信息来标识随后接收的文本输入中的概念。
131.示例11是根据任何或所有先前示例的计算系统，其中自然语言处理器被配置为访问知识模型，以标识通过关系链路与匹配的概念条目相关的相关概念条目，并且返回与匹配的概念条目相对应的独有标识符和与相关概念条目相对应的独有标识符作为针对随后接收的文本输入的上下文信息。
132.示例12是一种聊天机器人计算系统，包括：
133.知识模型，以自然语言对概念进行建模，知识模型具有多个概念条目，每个概念条目利用不同的对应独有标识符标识不同的概念，独有标识符相对于针对概念条目中的其他概念条目的独有标识符是独有的；
134.自然语言处理器(nlp)，接收文本输入和上下文信息，文本输入指示受评估的聊天消息，上下文信息基于在受评估的聊天消息之前接收到的先前接收的聊天消息而被标识，自然语言处理器访问知识模型以基于文本输入和上下文信息来标识与受评估的聊天消息中的概念相对应的概念条目，并且生成标识概念的nlp输出，自然语言处理器将与所标识的概念条目相对应的独有标识符馈送回自然语言处理器的输入，作为针对随后接收的文本输入的上下文信息，随后接收的文本输入指示在受评估的聊天消息之后接收的随后接收的聊天消息；以及
135.机器人控制器，从自然语言处理器接收nlp输出，并且基于nlp输出来生成机器人响应输出。
136.示例13是根据任何或所有先前示例的聊天机器人计算系统，其中知识模型被配置有经标记的关系链路，每个关系链路链接两个概念条目，并且标识两个概念条目之间的关系。
137.示例14是根据任何或所有先前示例的聊天机器人计算系统，其中关系链路是有方向的，指示经链接的两个概念条目中的每个概念条目在经链接的两个概念条目之间的关系中的角色。
138.示例15是根据任何或所有先前示例的聊天机器人计算系统，其中知识模型被配置有具有对应的语言标签的每个概念条目，并且其中自然语言处理器被配置为通过将文本输入中的字词与对应于知识模型中的概念条目的语言标签相匹配以标识匹配的概念条目，来标识文本输入中的概念。
139.示例16是根据任何或所有先前示例的聊天机器人计算系统，其中自然语言处理器被配置为访问知识模型，以基于随后接收的文本输入和上下文信息来标识随后接收的文本输入中的概念。
140.示例17是根据任何或所有先前示例的聊天机器人计算系统，其中自然语言处理器被配置为访问知识模型，以标识通过关系链路与匹配的概念条目相关的相关概念条目，并且返回与匹配的概念条目相对应的独有标识符和与相关概念条目相对应的独有标识符作为针对随后接收的文本输入的上下文信息。
141.示例18是一种计算机实施的方法，包括：
142.提供以自然语言对概念进行建模的知识模型，知识模型具有多个概念条目，每个概念条目利用不同的对应独有标识符标识不同的概念，独有标识符相对于针对概念条目中的其他概念条目的独有标识符是独有的；
143.在自然语言处理器处，接收文本输入和上下文信息，文本输入指示受评估的聊天消息，上下文信息基于在受评估的聊天消息之前接收到的先前接收的聊天消息而被标识；
144.利用自然语言处理器访问知识模型，以基于文本输入和上下文信息来标识与受评估的聊天消息中的概念相对应的概念条目；
145.生成标识概念的nlp输出；
146.将与所标识的概念条目相对应的独有标识符馈送回自然语言处理器的输入，作为针对随后接收的文本输入的上下文信息，随后接收的文本输入指示在受评估的聊天消息之后接收的随后接收的聊天消息；以及
147.基于nlp输出来生成机器人响应输出。
148.示例19是根据任何或所有先前示例的计算机实施的方法，其中知识模型被配置有经标记的关系链路，每个关系链路链接两个概念条目，并且标识两个概念条目之间的关系，并且其中知识模型被配置有具有对应的语言标签的每个概念条目，并且其中访问知识模型以标识概念条目包括：
149.将文本输入中的字词与对应于知识模型中的概念条目的语言标签相匹配以标识匹配的概念条目。
150.示例20是根据任何或所有先前示例的计算机实施的方法，并且还包括：
151.利用自然语言处理器访问知识模型，以标识通过关系链路与匹配的概念条目相关的相关概念条目；以及
152.返回与匹配的概念条目相对应的独有标识符和与相关概念条目相对应的独有标识符作为针对随后接收的文本输入的上下文信息。
153.尽管主题已经用特定于结构特征和/或方法行动的语言描述，但是要理解的是，在所附权利要求中限定的主题并不一定被限于上述具体特征或行动。相反，上述具体特征和行动被公开为实施权利要求的示例形式。