基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)交互模型

黃宏程 廖 強(qiáng) 胡 敏 陶 洋* 寇 蘭

①(重慶郵電大學(xué)通信與信息工程學(xué)院 重慶 400065)

②(重慶市通信軟件工程技術(shù)研究中心 重慶 400065)

1 引言

人類的學(xué)習(xí)、生活、工作等經(jīng)歷會(huì)在大腦中存儲(chǔ)為關(guān)聯(lián)方式的記憶，可以把這些記憶視為個(gè)人的背景知識(shí)[1]。人與人交流的過(guò)程可以看作背景知識(shí)不斷被喚醒的過(guò)程，交流過(guò)程中某一方在情感上表現(xiàn)出強(qiáng)烈的溝通欲望通常會(huì)使得對(duì)話持續(xù)進(jìn)行。相應(yīng)地，在人機(jī)交互過(guò)程中人類也自然希望能與一個(gè)有知識(shí)且富有情感的機(jī)器人溝通[2]。如何使機(jī)器人在人機(jī)交互過(guò)程中能夠像人類一樣運(yùn)用背景知識(shí)實(shí)現(xiàn)情感上的交流是眾多學(xué)者關(guān)注的重點(diǎn)。

近年來(lái)，許多有價(jià)值的人機(jī)交互情感模型和融入背景知識(shí)模型相繼提出。文獻(xiàn)[3]考慮參與人表情變化會(huì)對(duì)機(jī)器人產(chǎn)生外部情緒刺激，提出了一種連續(xù)認(rèn)知情緒調(diào)節(jié)模型，能夠賦予機(jī)器人一定程度的情緒認(rèn)知能力。文獻(xiàn)[4]為實(shí)現(xiàn)智能的情感表達(dá)，提出一種能使機(jī)器人產(chǎn)生與參與人一致情感狀態(tài)的情感生成框架，可以使交互雙方在對(duì)話過(guò)程中產(chǎn)生情感上的信任。文獻(xiàn)[5]將實(shí)際生活中的真實(shí)情感狀態(tài)映射到PAD(Pleasure-Arousal Dominance)3維空間，3維數(shù)軸上每一維的數(shù)值用心理學(xué)屬性度量，該P(yáng)AD情感空間模型用來(lái)表征機(jī)器人不同的連續(xù)情感狀態(tài)。文獻(xiàn)[6]先通過(guò)TFIDF(Term Frequency—Inverse Document Frequency)選擇與對(duì)話上下文相關(guān)的非結(jié)構(gòu)化文本的外部知識(shí)，再利用RNN(Recurrent Neural Network)編碼器進(jìn)行知識(shí)表示，最后結(jié)合上下文語(yǔ)義和外部知識(shí)計(jì)算候選回復(fù)的得分，進(jìn)而確保機(jī)器人回復(fù)的準(zhǔn)確性。文獻(xiàn)[7]提出將常識(shí)知識(shí)圖譜存儲(chǔ)在外部記憶模塊，通過(guò)Tri-LSTM(Triggered Long Short-Term Memory)模型對(duì)查詢、回復(fù)以及常識(shí)進(jìn)行編碼，再將相關(guān)常識(shí)與檢索式對(duì)話模型相結(jié)合，得到更加準(zhǔn)確的機(jī)器人回復(fù)，從而解決人機(jī)交互中背景常識(shí)缺失的問(wèn)題。文獻(xiàn)[8]提出一種基于深度神經(jīng)匹配網(wǎng)絡(luò)的學(xué)習(xí)框架，利用外部知識(shí)對(duì)檢索式對(duì)話系統(tǒng)的回復(fù)集進(jìn)行排序，并且通過(guò)偽關(guān)聯(lián)反饋和問(wèn)答對(duì)知識(shí)進(jìn)行提煉，將外部知識(shí)引入到深度神經(jīng)模型中，較好地提升了人機(jī)交互中上下文之間的連貫性。

以上研究雖在一定程度上考慮了人機(jī)交互過(guò)程中的情感狀態(tài)和外部知識(shí)兩大因素，但有的只考慮單輪交互影響而忽略了上下文連貫性，或者只考慮了上下文中情感狀態(tài)對(duì)于機(jī)器人回應(yīng)的影響，又或者只考慮了上下文中外部知識(shí)對(duì)于機(jī)器人回復(fù)的影響。針對(duì)當(dāng)前人機(jī)交互模型中機(jī)器人存在背景知識(shí)缺失、回復(fù)連貫性不高的問(wèn)題，本文通過(guò)引入外部知識(shí)圖譜[9，10]作為機(jī)器人的背景知識(shí)，模擬人與人交流過(guò)程中背景知識(shí)的喚醒過(guò)程，同時(shí)分析參與人的情感友好度，提出一種基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)交互模型，旨在提升機(jī)器人在人機(jī)交互過(guò)程中的情感友好度與連貫性。

2 問(wèn)題分析

2.1 問(wèn)題描述

當(dāng)交互雙方圍繞某個(gè)話題進(jìn)行對(duì)話時(shí)，隨著對(duì)話的持續(xù)，涉及話題相關(guān)的內(nèi)容逐漸增多，雙方的背景知識(shí)會(huì)逐漸喚醒。在當(dāng)前的人機(jī)交互系統(tǒng)中，參與人是交互過(guò)程中擁有背景知識(shí)的一方，進(jìn)行多輪對(duì)話時(shí)，對(duì)話系統(tǒng)如果沒(méi)有引入新內(nèi)容或者引入的內(nèi)容關(guān)聯(lián)性不夠或者在情感上并不是參與人所期望的，將會(huì)很大程度上降低參與人的對(duì)話意愿，從而導(dǎo)致對(duì)話結(jié)束。本文引入知識(shí)圖譜作為交互系統(tǒng)的背景知識(shí)，模擬人與人交流，使交互系統(tǒng)充分考慮參與人情感狀態(tài)，持續(xù)提供在情感和內(nèi)容上關(guān)聯(lián)的對(duì)話內(nèi)容。

2.2 問(wèn)題形式化

考量因素：

(1) 人機(jī)交互情感關(guān)系評(píng)估：人機(jī)交互作為一個(gè)連續(xù)的交互過(guò)程，參與人對(duì)內(nèi)容的感性喜愛程度影響著對(duì)話的持續(xù)性?；诖?，先對(duì)人機(jī)對(duì)話的情感交互友好度進(jìn)行評(píng)估，在交互過(guò)程中參與人的情感狀態(tài)整體呈上升趨勢(shì)認(rèn)為是處于良好的交互關(guān)系。

(2) 人機(jī)交互內(nèi)容關(guān)系評(píng)估：人與人的交流過(guò)程是背景知識(shí)不斷喚醒的過(guò)程，交流內(nèi)容之間存在關(guān)聯(lián)性?；诖耍瑢?duì)人機(jī)對(duì)話內(nèi)容進(jìn)行關(guān)聯(lián)性評(píng)估，在知識(shí)圖譜上發(fā)現(xiàn)參與人潛在的感興趣的內(nèi)容。

3 人機(jī)交互情感友好度

人機(jī)交互是一個(gè)連續(xù)的過(guò)程，當(dāng)前的情感狀態(tài)不僅與當(dāng)前交互對(duì)話內(nèi)容有關(guān)，而且與歷史交互會(huì)話內(nèi)容也存在關(guān)聯(lián)性[11]。結(jié)合當(dāng)前和歷史交互會(huì)話內(nèi)容定義人機(jī)交互情感友好度R(k)的更新函數(shù)為

其中，R(k)為第k次人機(jī)交互情感友好度，取值范圍為[0， 1]，其取值越小表示情感交互狀態(tài)越差，相反，其取值越大表示情感交互狀態(tài)越好。特別地，R(0)初始值狀態(tài)取值為0.5，表示人機(jī)交互關(guān)系不確定。W(k)為交互輸入情感評(píng)估值，初始值為0，取值范圍[—1， 1]，當(dāng)其取值為正時(shí)，表示參與人的情感狀態(tài)為積極，反之，取值為負(fù)時(shí)，表示情感狀態(tài)消極。C(k)為人機(jī)交互情感確信度，初始值為0，其表示的是連續(xù)積極情感或者消極情感所產(chǎn)生的加強(qiáng)作用。即前后兩次對(duì)話情感傾向相同時(shí)，C(k)的值增大，情感確信度增加；前后兩次對(duì)話情感相異時(shí)，確信度減小。以下將對(duì)W(k)與C(k)進(jìn)行具體定義。

圖1 人機(jī)交互過(guò)程中內(nèi)容輸入輸出示意圖

3.1 人機(jī)交互情感評(píng)估

為了更好地進(jìn)行情感的量化與計(jì)算，依據(jù)文獻(xiàn)[12]將交互輸入情感量化為具有數(shù)值大小的向量。在PAD情感空間內(nèi)，情感向量由6種基本情感狀態(tài)組成：高興、驚訝、厭惡、生氣、恐懼、悲傷。定義如下

3.2 人機(jī)交互情感確信度

交互情感確信度C(k)與交互情感評(píng)估值W(k)密切相關(guān)，連續(xù)的積極情感評(píng)估值會(huì)正向促進(jìn)情感確信度，使得人機(jī)交互狀態(tài)更加積極；而連續(xù)的消極情感評(píng)估值則會(huì)反向促進(jìn)情感確信度，使得整個(gè)交互狀態(tài)更加消極。情感確信度的評(píng)估過(guò)程比較符合人與人實(shí)際交流的心理過(guò)程。

4 知識(shí)圖譜波紋網(wǎng)絡(luò)交互模型

4.1 知識(shí)圖譜波紋網(wǎng)絡(luò)

知識(shí)圖譜實(shí)現(xiàn)了客觀世界從字符串描述到結(jié)構(gòu)化語(yǔ)義描述，是對(duì)客觀世界的知識(shí)映射，以一種圖結(jié)構(gòu)的形式描述客觀世界中實(shí)體之間豐富的事實(shí)和連接。知識(shí)圖譜的一種通用表示方式為三元組，即G=(H，R，T)，其中H={e1，e2，...，eN}是知識(shí)庫(kù)中頭實(shí)體的集合，N為實(shí)體的數(shù)量；R={r1，r2，...，rM}表示知識(shí)庫(kù)中關(guān)系的集合，M為實(shí)體關(guān)系的數(shù)量；T表示知識(shí)庫(kù)中尾實(shí)體的集合，且T ?H×R×H。H(head)，R(relation)，T(tail)組成三元組，即頭實(shí)體-關(guān)系-尾實(shí)體，一個(gè)最簡(jiǎn)單的三元組連接來(lái)自圖2：集結(jié)號(hào)-電影題材-戰(zhàn)爭(zhēng)，描述的事實(shí)為《集結(jié)號(hào)》是戰(zhàn)爭(zhēng)題材的電影。

知識(shí)圖譜視角下電影《集結(jié)號(hào)》的三元組關(guān)聯(lián)關(guān)系如圖2所示，《集結(jié)號(hào)》直接關(guān)聯(lián)著“王中磊”(制片人)，“張涵予”(主演)，“戰(zhàn)爭(zhēng)”(題材)，“馮小剛”(導(dǎo)演)；另外，間接關(guān)聯(lián)的演員張涵予還主演過(guò)電影《唐山大地震》和《湄公河行動(dòng)》等；其中電影《唐山大地震》視為電影《集結(jié)號(hào)》某些關(guān)聯(lián)關(guān)系下的2級(jí)關(guān)聯(lián)。知識(shí)圖譜中這種復(fù)雜的關(guān)聯(lián)關(guān)系提供了更加深入和寬泛的內(nèi)容視角，其對(duì)應(yīng)著現(xiàn)實(shí)客觀世界的關(guān)聯(lián)性，為人機(jī)交互系統(tǒng)中參與人對(duì)話內(nèi)容的擴(kuò)展提供了先決條件。

圖2 電影“集結(jié)號(hào)”的知識(shí)圖譜視角

圖3展示的是對(duì)話實(shí)體激活參與人潛在實(shí)體的過(guò)程，其中實(shí)體A和B為某次人機(jī)交互過(guò)程中參與人對(duì)話內(nèi)容所涉及實(shí)體。實(shí)體A一級(jí)關(guān)聯(lián)的實(shí)體編號(hào)為1， 4， 5，實(shí)體B一級(jí)關(guān)聯(lián)的實(shí)體編號(hào)為1， 8，9，其中實(shí)體A與實(shí)體B公共的一級(jí)關(guān)聯(lián)實(shí)體編號(hào)為1，涉及實(shí)體如圖3(b)中的陰影部分。實(shí)體A的2級(jí)關(guān)聯(lián)的實(shí)體編號(hào)為2， 3， 6， 7，實(shí)體B的2級(jí)關(guān)聯(lián)的實(shí)體編號(hào)為2， 7，其中實(shí)體A與實(shí)體B公共的2級(jí)關(guān)聯(lián)實(shí)體編號(hào)為2， 7，涉及實(shí)體如圖3(c)中的陰影部分。以此推理，可以得出實(shí)體A或B更低關(guān)聯(lián)等級(jí)(關(guān)聯(lián)關(guān)系越低，關(guān)聯(lián)等級(jí)的級(jí)數(shù)越大)的實(shí)體編號(hào)。參與人潛在的感興趣的內(nèi)容被對(duì)話實(shí)體所激活，并沿著知識(shí)圖譜層級(jí)關(guān)系由近及遠(yuǎn)、由強(qiáng)到弱進(jìn)行傳播，隨著關(guān)聯(lián)實(shí)體級(jí)數(shù)增大，用戶興趣度減弱[17]，對(duì)應(yīng)圖3中的陰影部分。此過(guò)程與水波波紋由近及遠(yuǎn)、由強(qiáng)到弱的傳播狀態(tài)類似；水波波紋在由近及遠(yuǎn)的傳播過(guò)程中振幅會(huì)逐漸減弱，同樣對(duì)話實(shí)體對(duì)關(guān)聯(lián)等級(jí)較低實(shí)體的影響逐漸變小，并且在波紋傳播過(guò)程中某些實(shí)體處會(huì)產(chǎn)生干涉疊加效應(yīng)進(jìn)而突出某些實(shí)體，即公共的關(guān)聯(lián)實(shí)體。最后，結(jié)合參與人情感傾向?qū)ζ涓信d趣的實(shí)體內(nèi)容進(jìn)行最優(yōu)選擇。以上整個(gè)過(guò)程描述了本文所提基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)交互模型。

圖3 知識(shí)圖譜波紋網(wǎng)絡(luò)傳播模型圖

為了運(yùn)用知識(shí)圖譜挖掘出參與人潛在的感興趣的內(nèi)容，通過(guò)實(shí)體連接(entity linking)[13，14]對(duì)參與人對(duì)話內(nèi)容進(jìn)行實(shí)體提取與消歧，獲取到交互過(guò)程中的對(duì)話實(shí)體集，再將實(shí)體集嵌入到知識(shí)圖譜波紋網(wǎng)絡(luò)中。對(duì)知識(shí)圖譜波紋網(wǎng)絡(luò)中的相關(guān)集合進(jìn)行如下定義。

基于知識(shí)圖譜波紋網(wǎng)絡(luò)的傳播模型，對(duì)第k次對(duì)話中獲取到的參與人對(duì)話實(shí)體集合定義為

4.2 知識(shí)圖譜波紋網(wǎng)絡(luò)交互模型構(gòu)建

在每一輪人機(jī)交互過(guò)程中，情感友好度是通過(guò)情感狀態(tài)空間坐標(biāo)位置集合和協(xié)方差矩陣集合之間的矩陣運(yùn)算得到的，其時(shí)間復(fù)雜度為常數(shù)階O(1)；在基于知識(shí)圖譜波紋網(wǎng)絡(luò)進(jìn)行最優(yōu)實(shí)體內(nèi)容選擇時(shí)，對(duì)話內(nèi)容實(shí)體數(shù)量為常數(shù)級(jí)且波紋傳播涉及實(shí)體數(shù)量也為常數(shù)級(jí)，那么波紋網(wǎng)絡(luò)傳播時(shí)間復(fù)雜度為常數(shù)階O(1)?？紤]人機(jī)交互的輪數(shù)為n，那么本文模型的時(shí)間復(fù)雜度為O(n)。

表1 基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)對(duì)話模型構(gòu)建

5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

5.1 實(shí)驗(yàn)框架介紹

為了對(duì)本文提出的人機(jī)交互模型進(jìn)行有效的實(shí)驗(yàn)對(duì)比，將Python中的ChatterBot擴(kuò)展成本文所提模型，并以文本聊天形式進(jìn)行仿真。圖4為本文模型流程框架，其中實(shí)線部分為ChatterBot框架，虛線部分為擴(kuò)展內(nèi)容。情感友好度是通過(guò)人機(jī)交互過(guò)程中的手勢(shì)、語(yǔ)音、面部表情等進(jìn)行計(jì)算得到的。

圖4 基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)交互模型流程框架

5.2 實(shí)驗(yàn)數(shù)據(jù)及對(duì)比模型

數(shù)據(jù)來(lái)源于2 0 1 8 年N L P C C 任務(wù)為O p e n Domain Question Answering的對(duì)話語(yǔ)料，語(yǔ)料為中文對(duì)話問(wèn)答。語(yǔ)料共計(jì)有24479對(duì)問(wèn)答，隨機(jī)取2500對(duì)問(wèn)答作為驗(yàn)證集，再隨機(jī)取2500對(duì)問(wèn)答作為測(cè)試集，剩余問(wèn)答對(duì)作為模型訓(xùn)練集。

本文選取以下4個(gè)模型進(jìn)行對(duì)比實(shí)驗(yàn)：

(1) 文獻(xiàn)[18]是基于LSTM (Long Short-Term Memory)的Seq2Seq (Sequence to Sequence)的自動(dòng)生成回復(fù)的對(duì)話模型。

(2) 文獻(xiàn)[19]是根據(jù)置信度高低進(jìn)行答案排序輸出的ChatterBot交互模型。

(3) 文獻(xiàn)[20]是考慮參與人交互過(guò)程中的“感同身受”，選擇在情感上相似的回復(fù)作為應(yīng)答，從而實(shí)現(xiàn)有情感MECs對(duì)話認(rèn)知模型。

(4) 文獻(xiàn)[6]是將常識(shí)知識(shí)存儲(chǔ)在外部記憶模塊，將相關(guān)常識(shí)整合到檢索式對(duì)話的ConceptNet認(rèn)知模型。

5.3 評(píng)價(jià)指標(biāo)

采用衡量排序結(jié)果的MRR(Mean Reciprocal Rank)和MAP(Mean Average Precision)兩個(gè)衡量指標(biāo)對(duì)模型回復(fù)準(zhǔn)確率進(jìn)行客觀評(píng)測(cè)，其中MRR反映的是整體準(zhǔn)確性，而MAP反映的是單值準(zhǔn)確性。定義為

為進(jìn)一步驗(yàn)證模型的有效性，采用人工評(píng)測(cè)方法，按要求征集40名志愿者與不同認(rèn)知模型聊天機(jī)器人進(jìn)行交互會(huì)話。首先，從時(shí)間維度上衡量各個(gè)模型的有效性，計(jì)算人機(jī)交互對(duì)話時(shí)長(zhǎng)；然后，讓志愿者根據(jù)Fluency和Sentiment評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行打分，評(píng)價(jià)標(biāo)準(zhǔn)如表2所示。

表2 Fluency和Sentiment評(píng)價(jià)標(biāo)準(zhǔn)

5.4 實(shí)驗(yàn)結(jié)果分析

為計(jì)算MRR和MAP兩個(gè)客觀評(píng)測(cè)指標(biāo)的結(jié)果，取標(biāo)準(zhǔn)回復(fù)集數(shù)量為n=10，即標(biāo)準(zhǔn)回復(fù)集中有10個(gè)候選回復(fù)，計(jì)算結(jié)果如表3所示。

由表3可見，與其他4個(gè)對(duì)比模型相比，本文模型取得了較好的結(jié)果，主要是因?yàn)楸疚乃崮Ｐ驮趯?duì)候選回復(fù)集進(jìn)行排序時(shí)考慮了情感友好度和內(nèi)容友好度，不僅從主觀情感的友好度上約束了回復(fù)內(nèi)容，還從客觀實(shí)體的連貫性上約束了回復(fù)內(nèi)容。其中，MECs和ConceptNet模型對(duì)比Seq2Seq和ChatterBot模型時(shí)取得了較好結(jié)果，原因是MECs考慮了交互過(guò)程中的感同身受，ConceptNet引入了外部知識(shí)圖譜作為常識(shí)知識(shí)，二者分別考慮了情感因素和背景知識(shí)因素使得模型表現(xiàn)更好。Seq2Seq評(píng)分最低的原因是在交互過(guò)程中顧及安全性等因素產(chǎn)生很多無(wú)意義的回復(fù)。客觀評(píng)測(cè)驗(yàn)證了本文模型能夠有效提升回復(fù)準(zhǔn)確率。

表3 不同認(rèn)知模型的客觀評(píng)測(cè)結(jié)果表

人工評(píng)測(cè)考慮不同年齡和性別人群對(duì)對(duì)話系統(tǒng)交互效果評(píng)估的影響，邀請(qǐng)不同年齡和性別的40位志愿者與各個(gè)模型進(jìn)行交互，統(tǒng)計(jì)其交互輪數(shù)與交互時(shí)間，統(tǒng)計(jì)結(jié)果見表4，再將40位志愿者按不同性別組和不同年齡組對(duì)Fluency和Sentiment的滿意度進(jìn)行打分。性別組為男、女各20名，分別為組1和組2，統(tǒng)計(jì)結(jié)果見表5。年齡組中19～23歲為組3，24～28歲為組4，其中每個(gè)年齡各有2名女性與2名男性(19～22歲為在校本科生、23～25歲為碩士研究生、26～28歲為社會(huì)人士)，統(tǒng)計(jì)結(jié)果見表6。

從表4可知，與其他模型相比，志愿者與本文模型在交互輪數(shù)和交互時(shí)間上均表現(xiàn)較好；從表5和表6可知，不同性別組和不同年齡組志愿者在Fluency和Sentiment上對(duì)本文模型的打分都高于其他模型。人工評(píng)測(cè)從側(cè)面驗(yàn)證本文模型兼顧內(nèi)容連貫性與情感友好度，能夠有效地延長(zhǎng)人機(jī)交互對(duì)話輪數(shù)與時(shí)間。

表4 志愿者與模型交互輪數(shù)與時(shí)間統(tǒng)計(jì)

表5 性別組志愿者對(duì)各模型Fluency和Sentiment打分統(tǒng)計(jì)

表6 年齡組志愿者對(duì)各模型Fluency和Sentiment打分統(tǒng)計(jì)

6 實(shí)驗(yàn)討論

為進(jìn)一步分析情感友好度和內(nèi)容友好度對(duì)模型的實(shí)際影響，對(duì)式(15)即yv=αR(k)+βy中約束因子α，β進(jìn)行討論，因?yàn)榇嬖讦?1-α的關(guān)系，所以只需討論α在[0，1]之間的取值對(duì)于模型的影響。仍采用客觀評(píng)測(cè)計(jì)算MRR和MAP兩個(gè)指標(biāo)作為衡量，且同樣取標(biāo)準(zhǔn)回復(fù)集數(shù)量n=10來(lái)計(jì)算兩個(gè)指標(biāo)值。

從圖5(a)和圖5(b)可知，當(dāng)α趨近于0時(shí)，本文模型在MAP和MRR客觀評(píng)測(cè)上與ChatterBot模型和MECs模型相比取得較好結(jié)果，但與Concept-Net模型相比相差較小，其原因在于此約束條件下本文模型與ConceptNet模型均只考慮了內(nèi)容連貫性。當(dāng)α趨近于1時(shí)，本文模型在MAP和MRR客觀評(píng)測(cè)上與ChatterBot模型和ConceptNet模型相比同樣取得較好結(jié)果，但與MECs模型相比相差較小，其原因在于此約束條件下本文模型與MECs模型均只考慮了情感因素。當(dāng)α取值越趨近于0.5時(shí)，本文模型在MAP和MRR客觀評(píng)測(cè)上與對(duì)比模型相比均取得較好結(jié)果，因?yàn)榇藭r(shí)兼顧情感友好度和內(nèi)容友好度，能夠有效提升回復(fù)準(zhǔn)確率。

圖5 不同模型下MAP與MRR自動(dòng)評(píng)測(cè)結(jié)果

7 結(jié)束語(yǔ)

人類的學(xué)習(xí)、生活、工作等經(jīng)歷會(huì)在大腦中存儲(chǔ)為關(guān)聯(lián)方式的記憶，可以把這些記憶視為個(gè)人的背景知識(shí)，人與人的交流過(guò)程則是在情感因素影響下對(duì)局部關(guān)聯(lián)背景知識(shí)的喚醒過(guò)程。本文提出的基于知識(shí)圖譜波紋網(wǎng)絡(luò)的人機(jī)交互模型，將知識(shí)圖譜視為機(jī)器人的背景知識(shí)，利用波紋網(wǎng)絡(luò)模擬人與人交流過(guò)程中對(duì)局部關(guān)聯(lián)背景知識(shí)的喚醒，提取出參與人潛在的感興趣的實(shí)體，并綜合考慮參與人主觀情感友好度，對(duì)機(jī)器人對(duì)話回復(fù)進(jìn)行最優(yōu)選擇。對(duì)比實(shí)驗(yàn)結(jié)果表明本文所提模型能使機(jī)器人在人機(jī)交互過(guò)程中的情感友好度和連貫性得到有效提升。本文人機(jī)交互模型模擬真實(shí)的人與人交流過(guò)程，為實(shí)現(xiàn)更加自然且智能化的人機(jī)交互系統(tǒng)提供了有益的探索。