一种基于语义平台的技能优化处理方法及系统与流程

1.本发明涉及智能语音技术领域，尤其涉及一种基于语义平台的技能优化处理方法及系统。


背景技术：

2.目前语音助手应用在各行各业中得到了广泛的普及和推广，通过近几年机器学习和深度学习技术的发展，让语音语义技术也达到了比较好的效果。各大语音语义相关的科技公司纷纷建立了自家的语义解析平台，通过这些平台去分析和理解用户每句话中的语义，从而计算和推理出一个正确的语义结果。比如：
3.用户向语音助手说“今天的天气如何”，语义平台在收到这串文字请求后，会经过各种算法、模型的推理，识别出这句话的域(domain)或叫做技能属于天气域，意图(intent)是查询、槽值(slot)主要有时间(今天)等等。当系统识别出上述语义内容后就会去查找今天的天气内容。最后语义平台把domain、intent、slot、查询到的天气信息、以及其它必要内容按照自定义的json格式组合在一起发送给客户端，从而完成了一次解析任务。
4.一个比较成熟的语义平台会支持几十上百种技能或域，每个技能代表的是现实生活中不同的事物领域，比如有天气、闹钟、日程、音乐、订机票等等。当用户发出语音请求时，语义平台将依次分析语音请求属于平台支持的哪个技能、技能范围内的详细语义内容。
5.但是，现有的语义平台通过算法或模型分析和推理出语音请求的语义信息后，却不具备有效的手段在生产环境自动检测语义解析结果的正确性。且由于算法或模型都是事先设计或训练好的，而输入的请求却是无限种可能，所以在实际的应用中语义解析结果往往是答非所问。
6.为此，为提高语义解析结果的正确率，若通过人工方式逐条对语义平台记录的解析结果进行事后分析，则依旧存在以下问题：
7.用户量庞大的语义解析平台，语音请求会达到成千上百万的数量，由于产生的语义结果数据量十分巨大，人工分析耗时耗力且效率超低。


技术实现要素：

8.本发明提供一种基于语义平台的技能优化处理方法及系统，解决了现有的智能语音对话平台缺少有效的技术手段提高语义解析结果的正确率，导致技能选择准确率较低、用户体验较差的技术问题。
9.为解决以上技术问题，本发明提供一种基于语义平台的技能优化处理方法，包括步骤：
10.s1、根据语音请求获取语义平台生成的语义结果信息；
11.s2、根据各个技能服务的解析规则，制作对应的评估模板，并与所述语义结果信息进行匹配，根据匹配度确定第一评分；
12.s3、根据各个所述技能服务的历史语义结果数据建立训练模型，根据训练模型预
测所述语义结果信息对应的预测关键信息，并与每一所述技能服务标准关键信息进行匹配，根据匹配度确定第二评分；
13.s4、根据所述第一评分、所述第二评分计算每一所述技能服务的实际评分；
14.s5、根据所有所述技能服务的所述实际评分生成执行策略。
15.本基础方案预先根据各个技能服务的解析规则，制作对应的评估模板，获取各个技能服务的历史语义结果数据，进行词语分析得到训练语料，从而在获取到从语义平台生成的语义结果信息后，将自动分别与每一技能服务的评估模板(与语义结果信息的格式匹配)、标准关键信息(与预测关键信息匹配)进行匹配得到第一评分、第二评分，进而计算每一所述技能服务的实际评分(即自动检测语义解析结果的正确性)，最后根据所有技能服务的实际评分的分值高低生成顺序的执行策略，实现系统自动评估、自动生成策略、自动优化的目的，提高智能语音的识别准确率，节省大量人力和时间，优化经济效益和降低运行成本。
16.在进一步的实施方案中，所述步骤s1包括：
17.s11、获取用户的语音请求并发送至语义平台；
18.s12、所述语义平台根据默认算法和模型，对所述语音请求进行分析或推理生成语义结果信息，并发送至客户端。
19.本方案提高语义平台识别用户的语音请求，得到标准化的语义结果信息，有利于后续技能服务评估的对比分析。
20.在进一步的实施方案中，所述步骤s2包括：
21.s21、获取各个技能服务根据解析规则得到的语义解析案例；
22.s22、统计所述语义解析案例中的固定格式，整合得到评估模板；
23.s23、计算所述语义结果信息与每一所述技能服务所述评估模板的匹配度，进而代入第一预设规则确定第一评分。
24.本方案基于实际技能服务的输出数据的统一性，从其根据解析规则得到语义解析案例中，统计出固定格式整合为评估模板，直接将计算出的语义结果信息与评估模板的匹配度(即计算语义结果信息的格式与评估模板的匹配度)，代入第一预设规则得到第一评分，根据第一评分即可快速判断用户的语音请求是否归属于对应的技能服务，处理逻辑清晰、数据处理效率高，是语义解析结果正确率检测的有力依据。
25.在进一步的实施方案中，所述步骤s3包括：
26.s31、获取每一所述技能服务的历史语义结果数据，根据其对应的领域归纳出相应的关键信息；
27.s32、标注所有所述关键信息，整合得到训练语料进行深度学习模型训练后得到训练模型；
28.s33、将所述语义结果信息代入所述训练模型获取预测关键信息，计算所述预测关键信息与每一所述技能服务的标准关键信息的匹配度，进而代入第二预设规则确定第二评分。
29.本方案从语义解析结果的实际内容着手，通过获取每一技能服务的历史语义结果数据，并根据对应的领域归纳出相应的关键信息，标注、整合得到训练语料，进行深度学习模型训练后得到训练模型，以关键信息代表整个技能服务的实质特性，在计算得到预测关
键信息与标准关键信息的匹配度后代入第二预设规则确定第二评分，根据第二评分即可快速判断用户的语音请求的执行结果是否归属于对应的技能服务，处理逻辑清晰、数据处理效率高，是语义解析结果正确率检测的有力依据。
30.在进一步的实施方案中，所述步骤s4包括步骤：
31.s41、将每一所述技能服务的所述第一评分、所述第二评分代入预设算法，计算对应的阶段评分；
32.s42、获取每一所述技能服务预设时间段内的阶段评分进行统计分析，计算出实际评分。
33.本方案在综合第一评分、所述第二评分代入预设算法计算对应的阶段评分后，还获取了每一技能服务预设时间段内的阶段评分进行统计分析，计算出实际评分，可在长期的运行中进行不断评估和分析，提高评估准确率，进一步语音优化执行效果。
34.在进一步的实施方案中，所述步骤s5包括：
35.s51、获取所有所述技能服务的实际评分，并进行排序；
36.s52、根据所述排序的先后顺序，确定对应的每一所述技能服务的优先级，得到优先级列表并生成对应的执行策略。
37.本方案通过计算出语义结果信息与所有技能服务的实际评分，进行排序以及优先级的设置以生成对应的执行策略，可为语义结果信息分配准确率最高的技能服务，进而提高技能调度效率，降低延迟，提高用户的体验。
38.在进一步的实施方案中，在所述步骤s41中：所述预设算法为求平均值，或者为权重分配算法。
39.在进一步的实施方案中，所述第一预设规则为：所述语义结果信息与所述评估模板的匹配度，与所述第一评分的分值成正比；所述第二预设规则为：所述语义结果信息与所述训练语料的匹配度，与所述第二评分的分值成正比。
40.本发明还提供一种基于语义平台的技能优化处理系统，包括语义平台和与其连接的模板评估模块、模型评估模块，以及与所述模板评估模块、模型评估模块连接的策略生成模块；
41.所述语义平台用于根据算法和模型，对用户的语音请求进行分析或推理，生成语义结果信息并发送至所述模板评估模块、模型评估模块；
42.所述模板评估模块用于根据各个技能服务的解析规则，制作对应的评估模板，并与所述语义结果信息进行匹配，根据匹配度确定第一评分；
43.所述模型评估模块用于根据各个所述技能服务的历史语义结果数据建立训练模型，根据训练模型预测所述语义结果信息对应的预测关键信息，并与每一所述技能服务标准关键信息进行匹配，根据匹配度确定第二评分；
44.所述策略生成模块根据所述第一评分、所述第二评分计算每一所述技能服务的实际评分，进而生成执行策略。
45.在进一步的实施方案中，所述评估模板为，从对应所述技能服务的语义解析案例中提取出的固定格式；所述训练语料包括，从对应所述技能服务的历史语义结果数据中归纳出的、与所述技能服务领域相关的关键信息。
附图说明
46.图1是本发明实施例提供的一种基于语义平台的技能优化处理方法的工作流程图；
47.图2是本发明实施例提供的语义结果信息的示意图；
48.图3是本发明实施例提供的评估模板的示意图；
49.图4是本发明实施例提供的一种基于语义平台的技能优化处理系统。
具体实施方式
50.下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
51.实施例1
52.本发明实施例提供的一种基于语义平台的技能优化处理方法，如图1所示，在本实施例中，包括步骤s1～s5：
53.s1、根据语音请求获取语义平台生成的语义结果信息，包括步骤s11～s12：
54.s11、获取用户的语音请求并发送至语义平台；
55.s12、语义平台根据默认算法和模型，对语音请求进行分析或推理生成语义结果信息，并发送至客户端。
56.在本实施例语义平台输出的语义结果信息以json格式组合在一起发送到客户端，以“今天的天气怎么样”为例语义平台生成的结果如图2。
57.本方案提高语义平台识别用户的语音请求，得到标准化的语义结果信息，有利于后续技能服务评估的对比分析。
58.s2、根据各个技能服务的解析规则，制作对应的评估模板，并与语义结果信息进行匹配，根据匹配度确定第一评分，包括步骤s21～s23：
59.s21、获取各个技能服务根据解析规则得到的语义解析案例；
60.s22、统计语义解析案例中的固定格式，整合得到评估模板；
61.s23、计算语义结果信息与每一技能服务评估模板的匹配度，进而代入第一预设规则确定第一评分。
62.在本实施例中，第一预设规则为：语义结果信息与评估模板的匹配度，与第一评分的分值成正比。
63.具体的，对于相同domain(领域)和相同intent(意图)的语义结果信息，其格式(例如json格式)基本相同。
64.由图2可得，本例中的语义信息domain是weather，intent是query，datatime是今天，city是成都市。即用户输入的这句话意图是查询成都市今天的天气。语义结果信息里面嵌入了data[]这个字段用来存储天气的结果。因此，即使用户说法变换但是解析出的语义domain和intent不变，那么生成的结果还是会和上述示例基本相同。比如“我想知道北京明天的天气”，虽然已经是完全不同的说法了，但是最后解析出的语义结果本质还是查询天气状况，只是时间、地点、天气状况发生了变化，结果的格式却没有变。以此类推，其它domain只要符合上述条件的，最终生成的结果的格式都是相似的。
[0065]
因此，参见图3，将把这些语义结果信息中的具体的内容去除后，剩下的格式即为评估模板。
[0066]
本实施例基于实际技能服务的输出数据的统一性，从其根据解析规则得到语义解析案例中，统计出固定格式整合为评估模板，直接将计算出的语义结果信息与评估模板的匹配度(即计算语义结果信息的格式与评估模板的匹配度)，代入第一预设规则得到第一评分，根据第一评分即可快速判断用户的语音请求是否归属于对应的技能服务，处理逻辑清晰、数据处理效率高，是语义解析结果正确率检测的有力依据。
[0067]
s3、根据各个技能服务的历史语义结果数据建立训练模型，根据训练模型预测语义结果信息对应的预测关键信息，并与每一技能服务标准关键信息进行匹配，根据匹配度确定第二评分，包括步骤s31～s33：
[0068]
s31、获取每一技能服务的历史语义结果数据，根据其对应的领域归纳出相应的关键信息；
[0069]
s32、标注所有关键信息，整合得到训练语料进行深度学习模型训练后得到训练模型；
[0070]
s33、将语义结果信息代入训练模型获取预测关键信息，计算预测关键信息与每一技能服务的标准关键信息的匹配度，进而代入第二预设规则确定第二评分。
[0071]
在本实施例中，第二预设规则为：语义结果信息与训练语料的匹配度，与第二评分的分值成正比。
[0072]
具体的，以天气查询为例，从语义结果信息中可以分析出查询天气的结果一般都会包含一些关键信息，例如“成都”表示地点，因为查询天气必须要有一个明确位置。“温度”直接反应天气情况的重要指标。以此类推还包括风向、pm2.5等等类似与天气紧密相关的信息，同时这些信息又几乎不是别的domain里面会出现的重要信息。因此，以地点、温度、风向、pm2.5等等就属于天气技能的关键信息，整合地点、温度、风向、pm2.5等关键信息得到的词汇集合即为天气技能的训练语料，训练语料进行深度学习模型训练后得到训练模型。
[0073]
在进行评估之前，预先根据各个技能服务的输出数据(例如语义结果信息数据)，定义对应的标准关键信息。
[0074]
在进行评估时，将语义结果信息代入训练模型获取预测关键信息，对比预测关键信息与标准关键信息(即获取匹配度)，根据其相似度确定第二评分。
[0075]
本实施例从语义解析结果的实际内容着手，通过获取每一技能服务的历史语义结果数据，并根据对应的领域归纳出相应的关键信息，标注、整合得到训练语料，进行深度学习模型训练后得到训练模型，以关键信息代表整个技能服务的实质特性，在计算得到得到预测关键信息与标准关键信息的匹配度后代入第二预设规则确定第二评分，根据第二评分即可快速判断用户的语音请求的执行结果是否归属于对应的技能服务，处理逻辑清晰、数据处理效率高，是语义解析结果正确率检测的有力依据。
[0076]
s4、根据第一评分、第二评分计算每一技能服务的实际评分，包括步骤s41～s42：
[0077]
s41、将每一技能服务的第一评分、第二评分代入预设算法，计算对应的阶段评分。
[0078]
在本实施例中，预设算法包括但不限于求平均值、权重分配算法。
[0079]
s42、获取每一技能服务预设时间段内的阶段评分进行统计分析，计算出实际评分。
[0080]
同理，在进行统计分析时，也可以采用求平均值或权重分配的方式处理预设时间段内的阶段评分，以计算实际评分。
[0081]
本实施例在综合第一评分、第二评分代入预设算法计算对应的阶段评分后，还获取了每一技能服务预设时间段内的阶段评分进行统计分析，计算出实际评分，可在长期的运行中进行不断评估和分析，提高评估准确率，进一步语音优化执行效果。
[0082]
s5、根据所有技能服务的实际评分生成执行策略，包括步骤s51～s52：
[0083]
s51、获取所有技能服务的实际评分，并进行排序；
[0084]
s52、根据排序的先后顺序，确定对应的每一技能服务的优先级，得到优先级列表并生成对应的执行策略。
[0085]
具体地，按照实际评分从大到小的顺序对所有技能服务进行排序，获得优先级列表，根据优先级列表的优先级顺序执行技能服务，即为执行策略。
[0086]
本实施例通过计算出语义结果信息与所有技能服务的实际评分，进行排序以及优先级的设置以生成对应的执行策略，可为语义结果信息分配准确率最高的技能服务，进而提高技能调度效率，降低延迟，提高用户的体验。
[0087]
本发明实施例预先根据各个技能服务的解析规则，制作对应的评估模板，获取各个技能服务的历史语义结果数据，进行词语分析得到训练语料，进行深度学习模型训练后得到训练模型，从而在获取到从语义平台生成的语义结果信息后，将自动分别与每一技能服务的评估模板(与语义结果信息的格式匹配)、标准关键信息(与预测关键信息匹配)进行匹配得到第一评分、第二评分，进而计算每一技能服务的实际评分(即自动检测语义解析结果的正确性)，最后根据所有技能服务的实际评分的分值高低生成顺序的执行策略，实现系统自动评估、自动生成策略、自动优化的目的，提高智能语音的识别准确率，节省大量人力和时间，优化经济效益和降低运行成本。
[0088]
实施例2
[0089]
本实施例附图中包含的附图标记包括：语义平台1，模板评估模块2，模型评估模块3，策略生成模块4。
[0090]
本发明实施例还提供一种基于语义平台1的技能优化处理系统，参见图4，包括语义平台1和与其连接的模板评估模块2、模型评估模块3，以及与模板评估模块2、模型评估模块3连接的策略生成模块4；
[0091]
语义平台1用于根据算法和模型，对用户的语音请求进行分析或推理，生成语义结果信息并发送至客户端的模板评估模块2、模型评估模块3；
[0092]
模板评估模块2用于根据各个技能服务的解析规则，制作对应的评估模板，并与语义结果信息进行匹配，根据匹配度确定第一评分；
[0093]
模型评估模块3用于根据各个技能服务的历史语义结果数据建立训练模型，根据训练模型预测语义结果信息对应的预测关键信息，并与每一技能服务标准关键信息进行匹配，根据匹配度确定第二评分；
[0094]
策略生成模块4根据第一评分、第二评分计算每一技能服务的实际评分，进而生成执行策略。
[0095]
在进一步的实施方案中，评估模板为，从对应技能服务的语义解析案例中提取出的固定格式；训练语料包括，从对应技能服务的历史语义结果数据中归纳出的、与技能服务
领域相关的关键信息。
[0096]
本实施例所提供的处理系统采用各个模块实现处理方法中的各个步骤，为处理方法提供硬件基础，便于方法的实施。
[0097]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。